Алабуга-Волокно: внедрение системы контроля качества углеволокна

На предприятии по выпуску углеродного волокна была внедрена система автоматического визуального контроля, которая в режиме реального времени выявляет дефекты волокна на движущейся производственной линии. Решение построено на базе нейросетей и компьютерного зрения для волокна, что позволило заменить ручной осмотр операторов непрерывным машинным анализом.

Система одновременно отслеживает состояние сотен волоконных жгутов, фиксирует отклонения, передаёт информацию инженерам ОТК и помогает своевременно отбраковывать повреждённые участки до попадания продукции на следующий этап производства.

Углеродное волокно представляет собой материал из тончайших непрерывных нитей диаметром всего 3–15 мкм. При таких размерах даже минимальные нарушения структуры напрямую влияют на качество готовой продукции, поэтому контроль качества углеволокна требует оборудования, способного фиксировать микродефекты на очень высокой скорости движения материала.

В производственном процессе к критичным дефектам относятся обрыв нити, узел, ворсистость или образование пучка, а также изменение толщины жгута и полотна от 2 мм по высоте или ширине. Дополнительно на поверхности могут возникать посторонние включения: капли смолы аппрета, частицы мусора, насекомые и другие загрязнения. Все эти отклонения формируют дефекты волокна, которые недопустимы для дальнейшей намотки и использования материала.

Производственная сложность заключалась в том, что по валу шириной до 3 метров одновременно проходит около 400 жгутов углеволокна, а скорость движения конвейера достигает 12 метров в минуту. Визуально контролировать такой поток вручную крайне затруднительно: оператору необходимо удерживать внимание сразу на сотнях тонких движущихся нитей, замечая при этом дефекты размером в доли миллиметра.

Дополнительную нагрузку создаёт сама конфигурация линии. Перед намоткой на бобины волокно распределяется на два этажа с намоточными машинами, из-за чего для полноценного наблюдения требуется сразу несколько точек контроля и дополнительные ресурсы со стороны инженеров ОТК.

В результате предприятие сталкивалось с двумя рисками:

• часть дефектов могла быть пропущена;
• ручной контроль создавал высокую нагрузку на персонал и зависел от субъективного восприятия специалиста.

Чтобы сохранить высокий уровень качества продукции, на заводе «Алабуга-Волокно» было принято решение автоматизировать обнаружение дефектов волокна и перевести визуальный контроль в режим непрерывного машинного анализа.

Мы внедрили промышленную систему визуального контроля ML Sense на базе нейросетевых алгоритмов и машинного зрения для волокна.

В основе решения — высокоскоростные камеры, сервер обработки видеопотока и программные модели, которые в автоматическом режиме выполняют обнаружение дефектов волокна на непрерывной линии производства.

Система была адаптирована под реальные особенности участка: плотность размещения жгутов, скорость движения материала, особенности освещения и типовые сценарии возникновения брака.

Видеопоток с камер поступает на выделенный сервер с увеличенным объёмом оперативной памяти, где развернута система ML Sense и нейросетевые алгоритмы анализа изображения. Сервер в реальном времени обрабатывает поступающие кадры, выделяет аномальные участки, классифицирует тип брака и передаёт данные инженерам ОТК.

Чтобы инженер ОТК мог оперативно получать информацию независимо от местонахождения, на каждом этаже были установлены отдельные киоски отображения данных. На них выводятся все зафиксированные системой события, фотографии дефектов и координаты проблемного участка.

Помимо этого, внедрена световая и звуковая сигнальная система, которая мгновенно уведомляет персонал о появлении брака.

После запуска линии камеры непрерывно фиксируют движущийся поток углеволокна. Далее ML Sense анализирует изображение каждого жгута, выделяет отклонения от эталонного состояния и определяет, относится ли найденное нарушение к категории дефекта.

Система обнаруживает:

• обрывы;
• узлы;
• ворс и пучки;
• отклонения толщины;
• посторонние включения;
• локальные загрязнения.

При фиксации брака инженер ОТК получает фотографию дефекта и точное место его возникновения. Таким образом реализуется полноценный технический контроль волокна без постоянного участия человека в процессе наблюдения.

Отдельным этапом проекта стало обучение модели для обнаружения дефектов волокна. Для этого на производственной линии были установлены камеры и организован сбор данных в реальных условиях.

В течение примерно месяца система фиксировала поток углеволокна, после чего из видеозаписей были отобраны кадры с различными типами брака: обрывы, узлы, ворсистость, отклонения толщины и посторонние включения. Чтобы компенсировать нехватку примеров, дополнительно использовались два подхода: синтетическая генерация изображений с моделированием дефектов и съёмка образцов в лабораторных условиях.

Для повышения устойчивости модели к различным условиям съёмки применялась аугментация данных — изменение яркости, масштаба, контраста и добавление шумов.

В результате был сформирован датасет из более чем 10 000 изображений, где каждый тип брака был размечен вручную и классифицирован для обучения модели.

В процессе работы линейная камера фиксирует нити углеволокна, формируя изображение построчно — каждая строка имеет ширину в 1 пиксель и снимается в строго заданной точке контроля.

Скорость съёмки достигает 40 000 кадров в секунду. Частота работы камеры синхронизирована со скоростью движения конвейера, что позволяет получать данные без искажений, характерных для движущихся объектов, и собирать корректную картину состояния материала в реальном времени.

Далее полученные строки последовательно объединяются в полноценное изображение — фактически «сшиваются» в единый кадр по принципу построчного формирования, как в линейной развертке.

После этого сформированное изображение поступает на вход нейросети. Алгоритм сравнивает текущий участок волокна с обученными паттернами и определяет наличие отклонений: есть ли дефект, и к какому типу он относится.

Внедрение системы проводилось без остановки линии, чтобы не влиять на текущие объёмы выпуска углеволокна.

После этапа тестовой эксплуатации и обучения сотрудников система была переведена в штатный режим работы и интегрирована в существующий процесс контроля качества углеволокна.

Теперь оператор ОТК получает информацию о браке в режиме реального времени и может быстро определить место возникновения отклонения. Для этого реализована многоуровневая система оповещения.

Звуковые сигналы разделены по этажам производственной зоны: для первого используется один голосовой сценарий, для второго — другой, что позволяет сразу определить уровень расположения дефекта без дополнительной навигации.

Дополнительно применяется световая индикация непосредственно на линии конвейера. Цветовая шкала (зелёный, жёлтый, красный) показывает состояние участка и помогает быстро локализовать проблемный жгут в потоке.

Все выявленные системой события классифицируются: дефекты разделяются на критические и некритические. Каждому типу присвоен числовой код, который отображается на экране операторского киоска и дублируется через звуковое уведомление.

Благодаря такой системе оператор ОТК может оперативно принять решение — устранить дефект непосредственно на линии либо удалить повреждённый участок жгута и запустить намотку на новую катушку.

Посмотреть как работает система

• Непрерывный мониторинг порядка 400 волоконных жгутов в режиме 24/7;
• Точность выявления брака на уровне не ниже 97%;
• Снижение вероятности пропуска дефектов из-за человеческого фактора;
• Сокращение нагрузки на инженеров ОТК;
• Возможность оперативной отбраковки повреждённых участков до дальнейшей переработки.

В результате предприятие получило устойчивый цифровой инструмент, который обеспечивает контроль качества углеволокна в реальном времени и повышает стабильность выпуска готовой продукции.