Inspection en ligne intelligente et contrôle qualité en boucle fermée : création d'une ligne de production sans défaut pour les pièces estampées
Introduction : De la vision humaine à l'inspection complète IA
L'inspection de la qualité des pièces d'estampage repose depuis longtemps sur l'échantillonnage manuel, l'inspection visuelle, la mesure du toucher et de l'étrier. Cependant, il existe trois défauts majeurs dans l'inspection manuelle : une forte subjectivité conduit à une inspection manquée, le schéma d'échantillonnage ne peut pas couvrir toutes les pièces et le retard de réponse provoque des défauts par lots. La vitesse d'estampage augmentant à plus de 800 coups / min et la recherche de zéro défaut par les industries automobile et électronique, l'inspection en ligne intelligente est devenue inévitable.
Cet article décrit les trois piliers du système moderne d'assurance qualité de l'estampage : vision optique et détection de lumière structurée, surveillance indirecte basée sur des capteurs et des formes d'onde de force, et contrôle de rétroaction en boucle fermée et intégration approfondie du SPC.
I. Défauts typiques des pièces estampées et leurs caractéristiques physiques
Apparence de la catégorie de défauts / Mécanisme de génération de caractéristiques géométriques Moyens détectables en ligne
Noircissement local de fissuration / encolure, transmission de la lumière, taux d'amincissement> 25 % limite métamatériau de contrainte de traction caméra haute résolution + imagerie lumineuse / thermique transmise
Plis et ondulés, force de support à blanc insuffisante pour l'accumulation de matériaux, ou balayage trianguleux multi-laser des matériaux
Burr usure excessive du poinçon métallique saillant du bord de poinçonnage, projection de rétroéclairage excessive du bord de l'espace + sous-pixel
Point de blessure concave et convexe ou indentation de surface de bande corps étranger ou défaut de moisissure champ lumineux multi-angles + combinaison de champ sombre
Mesure visuelle 2D / 3D de l'écart de position, de l'écart d'angle de flexion et du ressort, erreur d'alimentation
Quelques trous / poinçonnage poreux trous manquants ou excédentaires rupture de poinçon ou dysfonctionnement Lumière transmise + réseau photoélectrique
Inspection visuelle IA : technologies de base et déploiement de l'ingénierie
2,1 Conception du système d'imagerie
Le système d'imagerie pour l'inspection en ligne des pièces estampées est confronté à des défis tels que le mouvement à grande vitesse, la réflectivité élevée des métaux et la pollution environnementale par les hydrocarbures. Les configurations typiques incluent :
Caméra line array : avec balayage continu dans la direction du mouvement, adaptée aux feuilles de grande taille.
Caméra de zone + stroboscope : déclenchez le point mort sur le curseur de presse pour prendre des photos et capturer les pièces dans un état statique.
Lentille télécentrique : élimine les erreurs de perspective pour une mesure dimensionnelle de précision.
Éclairage multispectral : la lumière annulaire rouge met en évidence les ondulations de surface, la lumière coaxiale bleue élimine les reflets.
Pour les pièces d'estampage tridimensionnelles complexes, une seule caméra ne peut pas les couvrir complètement. Il est nécessaire de disposer 4 à 8 caméras pour prendre des photos sous différents angles et synchroniser l'espace à travers la plaque d'étalonnage.
2,2 Formation et application de modèles d'apprentissage en profondeur
Le traitement d'image traditionnel (segmentation du seuil, détection des bords) ne peut identifier que des défauts simples. Pour les défauts de texture tels que les plis et les décolletés, des réseaux de neurones convolutifs doivent être utilisés. Processus typique :
Collecte et étiquetage des données : collectez des dizaines de milliers d'images de pièces d'estampage et étiquetez le type et l'emplacement des défauts un par un par des experts en inspection qualité.
Formation aux modèles : adoptez des architectures avancées telles que YOLOv8, EfficientNet ou Swin Transformer pour accélérer la convergence grâce à l'apprentissage par transfert.
Optimisation du modèle : utilisez le moteur d'inférence TensorRT ou OpenVINO pour réduire le temps de détection d'une seule image à 10 ms.
Déploiement et apprentissage incrémental : les périphériques informatiques de périphérie (tels que NVIDIA Jetson) déduisent en temps réel tout en téléchargeant de nouveaux faux positifs ou faux positifs dans le cloud pour mettre à jour régulièrement le modèle.
Après qu'une usine d'estampage à grande échelle a déployé un système d'inspection par vision IA, le taux de détection des défauts supérieurs à 0,1 mm ² était aussi élevé que 99,97 %, le taux de fausses alarmes n'était que de 0,3 % et il pouvait détecter simultanément quatre défauts : fissuration, rayure, choc et froissement.
2,3 Mesure de la taille en ligne
La taille du plan (position du trou, contour) peut être extraite par bord de sous-pixel avec rétroéclairage et objectif télécentrique, et la précision peut atteindre ±0,02 mm. Cependant, pour l'angle et la chute tridimensionnels de la partie courbe, un profileur laser ou un capteur 3D de lumière structurée doit être utilisé. Ce dernier peut obtenir le modèle de nuage de points de toute la surface de la pièce en 0,5 seconde en projetant le motif de frange et en résolvant la phase, et le comparer avec le modèle CAO pour générer une carte de différence de couleur.
III. Surveillance indirecte basée sur des capteurs et des courbes d'estampage
3,1 Surveillance de la courbe de pression (surveillance du tonnage)
Chaque presse est équipée d'un capteur de force piézoélectrique sur le curseur pour enregistrer la courbe force-temps pour chaque coup de presse. Lors de l'estampage normal, la courbe présente des pics caractéristiques (pénétration de poinçonnage, formation de dessin, etc.). Lorsque la zone de courbe ou le pic est en dehors de la plage de contrôle statistique, cela indique que :
Le jeu de suppression devient plus grand (diminution de la force) ou interférence de matrice (augmentation de la force)
Fluctuations des propriétés du matériau (augmentation de la limite d'élasticité entraînant le déplacement du pic de force vers la droite)
Les déchets ne sont pas rejetés (le cisaillement secondaire génère des pics supplémentaires)
Le système avancé de surveillance du tonnage est équipé d'une fonction d'apprentissage, capable d'auto-apprendre le modèle standard de chaque moule et d'alarmer en fonction du tableau de contrôle EWMA.
3,2 Émission acoustique des moules et détection des vibrations
Les capteurs d'émission acoustique sont très sensibles aux ondes élastiques à haute fréquence générées par la fissuration du matériau, le pelage du revêtement et la propagation des microfissures. Par exemple, lorsque des microfissures par perforation se produisent, des pics d'énergie se produisent dans une bande de fréquences spécifique (100-300kHz). La source de l'anomalie peut être localisée grâce à plusieurs capteurs AE placés à des endroits clés du moule.
Les capteurs de vibrations se concentrent sur la plage de basses fréquences (0-1 kHz) pour refléter les moules lâches ou les défaillances de roulements.
3,3 Surveillance de la température et de l'état de lubrification
Une caméra infrarouge ou un capteur de température ponctuel surveille la température dans les zones critiques de la matrice. Une augmentation anormale de la température peut indiquer une friction excessive ou des canaux de refroidissement obstrués. Combiné à un débitmètre du système de lubrification, déterminez si la buse est obstruée.
Contrôle statistique des processus (SPC) et amélioration de la capacité des processus
La détection en ligne génère des données massives, qui doivent être converties en actions de gestion via SPC. Étapes clés :
Définissez les caractéristiques de qualité clés (CTQ) telles que la hauteur de la bavure, l'angle de flexion et le taux d'amincissement.
Indice de capacité des processus informatiques en temps réel (Cpk) : lorsque Cpk
Reconnaissance de formes anormales : utilisez les règles de discrimination du tableau de contrôle (par exemple, 8 critères de discrimination : un point dépasse la limite de contrôle, 7 points consécutifs augmentent, etc.).
Grâce à SPC, les entreprises peuvent faire la distinction entre les "fluctuations aléatoires" et les "fluctuations de cause spéciale", et ainsi décider de fermer et de s'ajuster.
Cinquièmement, contrôle de rétroaction en boucle fermée : de la détection au réglage automatique
Le plus haut niveau de système de qualité intelligent est le contrôle en boucle fermée : le dispositif de détection en ligne envoie l'écart de qualité à l'API de la presse ou au régulateur servo en temps réel, corrigeant automatiquement les paramètres du processus.
Exemple d'application 1 : balayage laser en temps réel de l'angle de rebond de la pièce incurvée, le contrôleur ajuste automatiquement le tampon de coin au bas du moule après avoir calculé l'écart, modifie la profondeur de flexion, compense le rebond et contrôle l'écart d'angle dans ±0,2.
Exemple d'application 2 : La courbe de force de ligne détecte la tendance à la baisse de la force de poinçonnage, le système détermine l'usure du poinçon, envoie automatiquement un ordre de remplacement à la station de maintenance de meulage et l'exécute lors du prochain cycle de changement de moule au lieu d'attendre que la pièce apparaisse défauts de bavure.
VI. Défis de mise en œuvre et meilleures pratiques
6,1 Synchronisation et latence des données
La détection en ligne doit être terminée dans le cycle d'estampage (généralement de 0,1 à 0,5 seconde). Une transmission de données à grande vitesse (interface de caméra industrielle 10 GbE) et un traitement en temps réel par l'informatique de pointe sont nécessaires, et le cloud n'est utilisé que pour le stockage à long terme et la formation des modèles.
6,2 Adaptabilité environnementale
Il y a du brouillard d'huile, des limailles de fer et des vibrations dans l'atelier d'estampage. La caméra doit être équipée d'un couvercle de protection et d'une purge d'air positive, et le capteur a besoin d'un niveau de protection IP67.
6,3 Recommandations sur les meilleures pratiques
Mise en œuvre par étapes : une inspection visuelle des défauts les plus critiques (fissuration, absence de trous) est d'abord effectuée, puis progressivement étendue aux défauts de taille et de surface.
Créez une base de données d'images de défauts : enregistrez automatiquement les images et les données de capteur correspondantes à chaque fois qu'une alarme est déclenchée, pour une optimisation continue du modèle.
Comparaison régulière de la réinspection manuelle : au début du fonctionnement du système, le personnel doit être organisé pour effectuer une inspection aléatoire des pièces qualifiées jugées par le système afin de vérifier le taux d'inspection manquée.
Conclusion : La dernière ligne de défense pour les cibles zéro défaut
Atteindre zéro défaut dans les pièces estampées ne peut pas reposer uniquement sur l'inspection finale. Le contrôle de la qualité doit être intégré dans chaque cycle d'estampage. La combinaison de la vision IA, de la surveillance de la courbe de force et de la boucle fermée SPC fait de la réalité que "chaque pièce est détectée, chaque anomalie est tracée et chaque écart est corrigé". À l'avenir, avec l'augmentation de la puissance de calcul de l'IA de pointe et la diminution des coûts des capteurs, une inspection en ligne complète deviendra la configuration standard des lignes de production d'estampage, et les entreprises qui dépendent encore de l'échantillonnage manuel ne pourront pas gagner la confiance dans les marchés automobiles, médicaux et aérospatiaux sensibles à la qualité.
BQUQ est un fabricant professionnel d'estampage métallique, veuillez nous envoyer des dessins, et notre entreprise vous citera dans les 12 heures.
