KIỂM TRA VÒNG PISTON, XYLANH – Giải pháp cho ngành Ô TÔ

Piston

BÀI TOÁN

Các vòng piston (Piston ring) đảm nhận một số chức năng trong động cơ, như làm kín buồng đốt và điều chỉnh mức tiêu thụ dầu. Các khuyết tật trên vòng piston rất khó phát hiện do một số nguyên nhân như bề mặt kim loại sáng bóng phản chiếu làm cho hình ảnh bị lóa hay hình dạng hình trụ của piston làm cho hình ảnh bị mờ và không được lấy nét, hệ thống kiểm tra lỗi cần phải giải quyết được bài toán này. Bên cạnh đó, hệ thống nhận diện lỗi cần phải có khả năng phân biệt các khuyết tật cần loại bỏ và các khuyết tật có thể chấp nhận được. Trong đó, các khuyết tật có thể chấp nhận được là các hiện tượng hệ quả của quá trình sản xuất trên bề mặt kim loại của sản phẩm, bao gồm các vết rỉ sét, các vùng màu trắng và thậm chí là các vết nứt trên bề mặt có thể chấp nhận được, tuy nhiên những vết xước dài ảnh hưởng đến hiệu suất của piston và tỷ số nén xi-lanh là dấu hiệu của các khuyết tật thực sự.

Piston_Ring_ViDi

 

GIẢI PHÁP

 

Để kiểm tra vấn đề này ta cần sử dụng một thuật toán được viết dựa trên quy tắc phát hiện được những lỗi phức tạp. Việc kiểm tra bằng mắt người mặc dù linh hoạt hơn nhưng cũng mất nhiều thời gian hơn. Để giải quyết được bài toán hóc búa này của khách hàng, Cognex ra mắt công nghệ Cognex Deep Learning – một giải pháp kiểm tra hiệu quả.

Sử dụng công cụ phát hiện lỗi trong chế độ “Supervised Mode”, kỹ sư sẽ đào tạo phần mềm nhân biết lỗi dựa trên công nghệ học sâu. Kỹ sư sẽ sử dụng các hình ảnh vòng piston “OK” và “NG” để huấn luyện cho phần mềm. Các hình ảnh đầu vào khi huấn luyện sẽ được gán nhãn chú thích là “NG” khi có vết xước dài và “OK” với ảnh của các sản phẩm bình thường hoặc có các khuyết tật có thể chấp nhận được, bao gồm các vết rỉ sét và vết nứt nhỏ. Dựa trên những hình ảnh này, phần mềm sẽ xác định hình dạng tự nhiên và kết cấu bề mặt của piston, cũng như sự xuất hiện của các vết xước. Các hình ảnh bổ sung có thể được thêm vào tập huấn luyện trong quá trình kiểm tra đánh giá để tăng cường độ chính xác và giúp tối ưu hóa hệ thống. Các thông số có thể liên tục được điều chỉnh trong giai đoạn đào tạo cho đến khi mô hình phát hiện chính xác và phân đoạn tất cả các hình ảnh có vết xước dài. Sau khi huấn luyện, phần mềm có thể nhận ra các hình ảnh có vết xước dài là bị lỗi, và bỏ qua các biến thể không liên quan.

phiếu kiểm tra ren vòng piston
XYLANH

BÀI TOÁN

Khối xylanh là nền tảng của động cơ ô tô. Nó có vai trò giữ các piston khi chúng đi lên và xuống dưới sức nén của nhiên liệu khi đốt. Các xylanh thường được làm bằng kim loại đúc và đôi khi được lót trong một lớp phủ bôi trơn. Thành xylanh cần phải chế tạo có độ bền cao vì chúng tiếp xúc trực tiếp với các vòng piston.

Chúng ta có thể chấp nhận được các bất thường nhỏ trên bề mặt của xylanh, vì chúng có thể được làm nhẵn trong quá trình mài mòn cơ học, nhưng không được chứa các bong bóng trong kim loại được gọi là “lỗ rỗng”. Những khuyết tật này đặc biệt khó kiểm tra vì bề mặt của hình trụ gồ ghề và hình ảnh có vẻ mờ xung quanh các cạnh do độ sâu trường ảnh. Ánh sáng đặc trưng hoặc ánh sáng chói trên bề mặt phản chiếu của xi lanh cũng làm phức tạp việc kiểm tra. Rất khó để thiết kế được một chương trình có thể kiểm tra số lượng lớn các sai lệch về hình dạng và vị trí của đối tượng địa lý, cũng như độ chói và độ mờ.

GIẢI PHÁP

Cognex Deep Learning nhanh chóng xác định các lỗ rỗng trong khi các phương pháp khác cố gắng kiểm tra trong cùng điều kiện ánh sáng. Trong vòng vài phút, kỹ sư có thể huấn luyện phần mềm bằng các hình ảnh đại diện “OK” và “NG” của xylanh, điều chỉnh ROI (Region of Interest) bằng bộ lọc che để loại bỏ đĩa sáng của không gian âm trong trục. Sử dụng công cụ phát hiện khuyết tật ở chế độ “Supervised Mode” , kỹ sư sẽ gán nhãn các lỗ rỗng trong hình ảnh “NG” và điều chỉnh các thông số, bao gồm kích thước đặc điểm, tỷ lệ, tỷ lệ khung hình và độ cắt để giúp mô hình hiểu được các thay đổi về ngoại hình. Hình ảnh “OK” mô tả các xylanh bình thường giúp phần mềm tìm hiểu các bất thường và lỗi đúc nào có thể chấp nhận được. Kỹ sư có thể đào tạo lại hệ thống, điều chỉnh các thông số và thêm các hình ảnh bổ sung, cho đến khi mô hình có thể tổng quát hóa hình dạng bình thường của một xylanh và nhận ra những điểm bất thường. Trong thời gian chạy, phần mềm dựa trên công nghệ học sâu sẽ kiểm tra từng hình ảnh trong vòng mili giây, xác định những hình ảnh có lỗ rỗng là khuyết tật và phần còn lại là bình thường.

Sản phẩm liên quan

In-Sight D900In-Sight D900

Được hỗ trợ bởi Phần mềm Tầm nhìn dựa trên Học tập sâu của In-Sight ViDi

 

Phần mềm ViDi với tất cả các công cụ phát hiện lỗiVisionPro Deep Learning

Một bước đột phá trong kiểm tra phức tạp, vị trí bộ phận, phân loại và OCR

 

Leave a Reply

Your email address will not be published. Required fields are marked *