Заказать обратный звонок
Я соглашаюсь на обработку персональных данных и ознакомлен(а) с Политикой конфиденциальности.
КЕЙС ВНЕДРЕНИЯ СИСТЕМЫ ML SENSE
Алабуга-Волокно: внедрение системы контроля качества углеволокна
На основе машинного зрения
О проекте
Внедрение системы для автоматизации контроля качества волокна ML Sense.
Распознавание около 400 нитей углеволокна на скорости до 12 м/мин с точностью не менее 97%.
Интеграция с MES-системой предприятия и выгрузка отчетов.
Распознавание около 400 нитей углеволокна на скорости до 12 м/мин с точностью не менее 97%.
Интеграция с MES-системой предприятия и выгрузка отчетов.
Задачи проекта
Углеродное волокно — материал, состоящий из тонких нитей диаметром от 3 до 15 мкм, поэтому для контроля качества волокна нужно высокоточное оборудование, способное определять дефекты на тончайших нитях.
В процессе производства волокна типовыми дефектами считается: обрыв, узел, ворс (пучок), отклонение толщины жгута и полотна на 2 мм и более по ширине или по высоте.
В процессе производства волокна типовыми дефектами считается: обрыв, узел, ворс (пучок), отклонение толщины жгута и полотна на 2 мм и более по ширине или по высоте.
Рис. 1. Узел.
Рис. 2. Ворс.
Рис. 5. Толщина.
Рис. 4. Обрыв.
Также на волокне могут появляться посторонние включения: капли смолы аппрета, мусор, насекомые и т.п.
По валу шириной до 3 метров одновременно движется до 400 жгутов на высокой скорости конвейера (до 12 метров в минуту).
Человеческому глазу сложно постоянно удерживать фокус внимания на всех нитях волокна одновременно.
По валу шириной до 3 метров одновременно движется до 400 жгутов на высокой скорости конвейера (до 12 метров в минуту).
Человеческому глазу сложно постоянно удерживать фокус внимания на всех нитях волокна одновременно.
Рис 5. Вал, по которому движется около 400 волокон
Перед намоткой на бобины волокно распределяется на 2 этажа, где установлены намоточные машины, такое разделение требует дополнительных ресурсов под контроль дефектов.
Для поддержания высокого уровня качества продукции было решено автоматизировать контроль брака с помощью машинного зрения.
Под решение задачи завода Алабуга-Волокно подошла готовая система нашей компании ML Sense, которая способна выявлять брак на высокой скорости конвейера и фиксировать дефекты от 0,01мм.
Для поддержания высокого уровня качества продукции было решено автоматизировать контроль брака с помощью машинного зрения.
Под решение задачи завода Алабуга-Волокно подошла готовая система нашей компании ML Sense, которая способна выявлять брак на высокой скорости конвейера и фиксировать дефекты от 0,01мм.
Система контроля качества волокна
Состав системы
1. Камеры для записи фото или видео потока.
Для контроля качества тончайшего волокна на высокой скорости была выбрана линейная камера с разрешением 4к, которая снимает около 4000 кадров в секунду.
2. Освещение с особыми параметрами
Которые подходят для работы нейросети.
При работе высокоскоростной камеры важно, чтобы светильник не мерцал и между светодиодами не было большого расстояния, иначе система неверно распознает затемненный участок.
Для проекта светильник был изготовлен на заказ под заданные параметры.
При работе высокоскоростной камеры важно, чтобы светильник не мерцал и между светодиодами не было большого расстояния, иначе система неверно распознает затемненный участок.
Для проекта светильник был изготовлен на заказ под заданные параметры.
3. Вспомогательные конструкции
Для установки оборудования.
Была разработана и собрана специальная мачта для установки камер над линией движения волокна.
Была разработана и собрана специальная мачта для установки камер над линией движения волокна.
4. Сервер для установки системы ML Sense.
С высоким объемом оперативной памяти для обработки поступающих данных.
С высоким объемом оперативной памяти для обработки поступающих данных.
5. Сервер для установки системы ML Sense.
Из-за того, что конвейерная линия тянется на 250м внутри завода, а также на этапе намотки конвейер с волокном разделяется на 2 этажа, то для оповещения инженера ОТК о дефектах, дополнительно были установлены киоски для вывода данных на каждом этаже, а также световая и звуковая сигнальная система.
Из-за того, что конвейерная линия тянется на 250м внутри завода, а также на этапе намотки конвейер с волокном разделяется на 2 этажа, то для оповещения инженера ОТК о дефектах, дополнительно были установлены киоски для вывода данных на каждом этаже, а также световая и звуковая сигнальная система.
Принцип работы системы качества
Для настройки работы системы контроля качества волокна с машинным зрением разрабатывается уникальная "сцена" установки оборудования.
Инженеры Норд Клан изучают конвейерную линию на предприятии и рассчитывают в каких местах и на каком расстоянии должна быть установлена камера контроля дефектов, освещение и дополнительное оборудование.
Для завода Umateх было выбрано 2 точки контроля дефектов, по одной на каждый этаж.
Волокно движется по конвейеру мимо установленных камер, которые с высокой частотой (ок. 4000 кадров в секунду) делают снимки размером 4000 рх на 1рх.
Затем эти "линии" изображений собираются в единое фото, которое анализирует система с машинным зрением ML Sense, развернута на отдельном сервере.
Нейросеть распознает типовые дефекты волокна: ворс, обрыв, узел, изменение толщины, посторонние включения (мусор, насекомые, смола и прочее) и передает обратную связь в интерфейс программы, на сигнальную систему и в MES-систему завода.
Инженеры Норд Клан изучают конвейерную линию на предприятии и рассчитывают в каких местах и на каком расстоянии должна быть установлена камера контроля дефектов, освещение и дополнительное оборудование.
Для завода Umateх было выбрано 2 точки контроля дефектов, по одной на каждый этаж.
Волокно движется по конвейеру мимо установленных камер, которые с высокой частотой (ок. 4000 кадров в секунду) делают снимки размером 4000 рх на 1рх.
Затем эти "линии" изображений собираются в единое фото, которое анализирует система с машинным зрением ML Sense, развернута на отдельном сервере.
Нейросеть распознает типовые дефекты волокна: ворс, обрыв, узел, изменение толщины, посторонние включения (мусор, насекомые, смола и прочее) и передает обратную связь в интерфейс программы, на сигнальную систему и в MES-систему завода.
Данные по обнаруженным свойствам волокна передаются на АРМ оператора ОТК (информационный киоск):
- Название дефекта;
- Класс дефекта;
- Порядковые номера жгутов;
- Дата и время фиксации дефекта;
- Изображение дефекта
Рис 6. АРМ оператора ОТК
Обучение нейросети
Для обучения нейросети мы установили на заводе камеры и обеспечили сбор данных, а после отобрали кадры, на которых были видны дефекты волокна.
Сбор проходил около месяца, но так как на производстве брак не такое частое явление, а для обучений нейросети требуются тысячи изображений, то дополнительные данные мы сгенерировали синтетическим путем, а также сделали фото дефектов волокна в собственной лаборатории.
Разнообразие материалов обеспечили процессом аугментации данных.
В результате мы имеем датасет из 10 000 фотографий волокна, где каждый вид брака размечен в LabelImg и классифицирован для обучения нейросети: это узел, это ворс и т.д.
Сбор проходил около месяца, но так как на производстве брак не такое частое явление, а для обучений нейросети требуются тысячи изображений, то дополнительные данные мы сгенерировали синтетическим путем, а также сделали фото дефектов волокна в собственной лаборатории.
Разнообразие материалов обеспечили процессом аугментации данных.
В результате мы имеем датасет из 10 000 фотографий волокна, где каждый вид брака размечен в LabelImg и классифицирован для обучения нейросети: это узел, это ворс и т.д.
Рис 7. Процесс разметки дефектов в интерфейсе LabelImg
Как теперь работает обученный алгоритм?
Линейная камера направлена на нити волокна и делает фото в заданной точке шириной 1 пиксель.
Таких кадров камера делает 40 000 штук в секунду - рабочая частота кадров камеры синхронизирована со скоростью конвейера, чтобы получать данные такими, как они есть в реальности, а не вытянутые фотографии из-за движущегося конвейера.
Далее, для дальнейшего анализа нейросетью, эти кадры собираются в полноценное изображение по "строчкам" шириной 1 пиксель, примерно как линни при игре в тетрис.
Полученный кадр нейросеть сравнивает с имеющимися в своей "памяти" данными и определяет есть ли на изображении дефект и какой именно.
Таких кадров камера делает 40 000 штук в секунду - рабочая частота кадров камеры синхронизирована со скоростью конвейера, чтобы получать данные такими, как они есть в реальности, а не вытянутые фотографии из-за движущегося конвейера.
Далее, для дальнейшего анализа нейросетью, эти кадры собираются в полноценное изображение по "строчкам" шириной 1 пиксель, примерно как линни при игре в тетрис.
Полученный кадр нейросеть сравнивает с имеющимися в своей "памяти" данными и определяет есть ли на изображении дефект и какой именно.
Ввод в эксплуатацию и результаты внедрения
Внедрение системы происходило без остановки технологических процессов завода.
После тестовых запусков и обучения пользователей работе с интерфейсом решение заработало в штатном режиме.
Теперь оператор ОТК может быстро локализовать место возникновения брака:
После тестовых запусков и обучения пользователей работе с интерфейсом решение заработало в штатном режиме.
Теперь оператор ОТК может быстро локализовать место возникновения брака:
- Звуковое оповещение разделено по этажам: мужской голос для первого, женский - для второго.
- Световое оповещение на линии конвейера позволяет понять в какой зоне находится жгут (зеленая, желтая или красная)
- Дефекты разделены на критичные для производства и нет, каждому из них присвоен свой числовой код, который отображается на экране киоска и дублируется звуковым оповещением.
В результате оператор ОТК оперативно принимает решение по устранению брака: устранить дефект на конвейере или отрезать дефектный участок жгута и запустить намотку на новую катушку.
По итогам внедрения системы ООО «Алабуга-Волокно» запустили единый центр контроля брака, который интегрирован с MES-системой.
Внедренное решение ML Sense в реальном времени собирает информацию о всех дефектах, сохраняет историю и формирует отчеты, обеспечивает автоматическую выгрузку информации в систему MES предприятия.
Выдержана точность выявление брака не менее 97%.
Это позволило повысить выход готовых изделий, соответствующих стандартам качества, уменьшить затраты на брак и количество рекламаций от покупателей, а также снизить репутационные риски компании.
По итогам внедрения системы ООО «Алабуга-Волокно» запустили единый центр контроля брака, который интегрирован с MES-системой.
Внедренное решение ML Sense в реальном времени собирает информацию о всех дефектах, сохраняет историю и формирует отчеты, обеспечивает автоматическую выгрузку информации в систему MES предприятия.
Выдержана точность выявление брака не менее 97%.
Это позволило повысить выход готовых изделий, соответствующих стандартам качества, уменьшить затраты на брак и количество рекламаций от покупателей, а также снизить репутационные риски компании.