En

«Умная» система контроля качества углеродных волокон

Полимерные композиционные материалы на основе непрерывных углеродных армирующих волокон по своим удельным упруго-прочностным характеристикам превосходят все известные конструкционные материалы. Однако эти преимущества может свести на нет тот или иной дефект углеродных волокон, возникший на стадии их производства. Проконтролировать и практически полностью исключить пропуск этих дефектов позволяет автоматизированная оптическая система ML Sense компании NordClan, основанная на искусственном интеллекте и установленная на заводе по производству углеродного волокна, входящем в композитный дивизион госкорпорации «Росатом».
И. А. Каштанкин, канд. техн. наук, генеральный директор NordClan
Опубликовано в рубрике «Композиты и полиуретаны»
137 просмотров
«Умная» система контроля качества углеродных волокон

Характеристика объекта производства и его дефектов

Завод, о котором идет речь, мощностью 1400 т/год, входит в десятку мировых лидеров и занимает первое место в России по производству углеродных волокон. В дальнейшем эти волокна в качестве армирующего компонента углепластиков поставляются на предприятия по выпуску композитных крыльев самолетов, корпусов и двигателей ракет, лопастей ветрогенераторов, а также хоккейных клюшек, деталей велосипедов и мотоциклов, кузовов спорткаров, корпусов лодок и т.д.

Объектом контроля, для которого была разработана система ML Sense, являются жгуты, состоящие из множества тонких углеродных волокон диаметром от 6 до 8 мкм, которые, в свою очередь, получают, как известно, путем термообработки химических или природных органических волокон с высоким содержанием углерода.

В процессе производства на углеродных жгутах могут появляться различные дефекты, недопустимые для изделий из углепластиков ответственного назначения: обрыв, узел, ворс (пучок), отклонение толщины жгута и полотна на 2 мм и более по ширине или по высоте, посторонние включения (капли смолы аппрета, мусор и т.п.) (рис. 1).

Рис. 1. Примеры типичных дефектов жгутов углеродных волокон, распознаваемых системой ML Sense (все рисунки: NordClan)

До сих пор эти дефекты на производстве контролировались операторами и контролерами отдела ОТК, которые смотрели на десятки жгутов на линии шириной 3 м и устраняли дефект, который замечали (рис. 2). Рассмотреть же все дефекты в таких условиях визуального контроля человеческому глазу достаточно сложно: это как наблюдать за стадом одинаковых зебр, которые весь день быстро скачут перед глазами — скорость линии составляет до 12 м/мин.

Рис. 2. Тянущий многовалковый участок линии с полотном углеродных жгутов

Алина Бутусова, инженер-технолог производства углеродного волокна, рассказывает:

«Идея автоматизированного обнаружения дефектов волокна появилась давно. Мы понимали, что для человека подобная задача — большая нагрузка, и чтобы устранить человеческий фактор, а также добиться высокого качества производимой продукции, решили довериться более острому машинному зрению»

Для поддержания высокого уровня качества продукции руководство завода приняло решение автоматизировать процесс контроля качества с помощью новых технологий. Чтобы упростить работу и автоматизировать процесс, было решено использовать нейросети и машинное зрение, а компания NordClan выступила подрядчиком с опытом реализации подобных проектов по контролю качества. Забегая вперед, следует заметить, что система ML Sense двухстороннего оптического контроля на просвечивание подошла под все требования: система способна распознавать дефекты размером от 0,1 мм и при этом обеспечивает высокую точность обнаружения дефектов (не менее 97 %).

Оценка масштабов и сложности задачи

На старте проекта специалисты NordClan выехали на производство, чтобы определить точки контроля, на которые должно быть установлено оборудование (рис. 3). Важно было оценить факторы, которые влияют на работу системы ML Sense, – уровень освещения, наличие пыли, вибраций. При этом необходимо было ориентироваться и на производственный процесс, чтобы установленное оборудование не мешало сотрудникам завода выполнять свои задачи и одновременно было защищено от случайного повреждения, поскольку стоимость одной камеры может достигать сотен тысяч рублей. В конечном счете будущее решение должно было заключаться в надежном выявлении дефектов на финальной стадии производства и своевременном оповещении ответственных сотрудников, чтобы они успели принять меры для устранения дефектного участка углеродного жгута и продолжения процесса его намотки на бобины.

Рис. 3. Команда NordClan на производстве углеродного волокна

Алина Бутусова продолжает:

«Ожидания от новой системы были высоки. Мы ставили сложную задачу коллегам из NordClan – добиться не менее 97 % выявления дефектов»

Подбор оборудования

Для каждого проекта на основе машинного зрения специалисты NordClan подбирают комплект оборудования. Например, если для выявления дефекта на листе металла достаточно видеокамеры стандартного разрешения, то с поиском дефектов на жгутах из тончайших волокон она не справится. Из-за санкций пришлось отказаться от немецких камер Basler и найти аналог достойного качества в компании Hikrobot (Китай).

Была также вероятность того, что при замене камеры придется переучивать нейросеть, так как алгоритм системы ML Sense обучен на определенном типе оборудования и чувствителен к правильному расположению камеры и освещению. Для дополнительных тестов системы были запрошены у руководства завода бобины углеродного волокна и воспроизведен весь процесс проверки качества волокна в собственной лаборатории. Испытания показали уровень точности распознавания дефектов – до 98 %, т.е. даже чуть выше требуемого.

Второй важный фактор для выявления дефектов с помощью машинного зрения – освещение. Для точного распознавания изображения нейросеть должна получать четкие снимки высокой контрастности; в нашем случае это черные жгуты на ярком белом фоне.

Сложность заключалась в том, что высокоскоростная камера способна делать до тысячи кадров в секунду, и обычный светильник при таких скоростях будет мерцать. В результате равномерного белого фона не получить, а эффект будет примерно таким же, как при съемке на смартфон видео с экрана старого телевизора – картинка будет «прыгать». Такое мерцание незаметно для человеческого глаза, но у системы с машинным зрением в подобных условиях снижается точность распознавания.

Также не подходили ширина вала в месте контроля волокна, составлявшая почти 3 м, и типовое освещение для этой задачи. Поэтому для проекта был заказан линейный источник света с индивидуальными параметрами — нестандартной длиной и светодиодами высокой интенсивности, расположенными плотно друг к другу.

Параллельно с процессом подбора оборудования инженеры NordClan смоделировали виртуальную 3D-сцену в программном комплексе SolidWorks на основе замеров оборудования с производства, рассчитали оптимальное расстояние для установки камер, светильника и подготовили чертежи мачты для крепления оборудования, по которым была изготовлена конструкция системы машинного зрения (рис. 4).

Рис. 4. Компьютерное проектирование конструкции системы машинного зрения для установки
на оборудование завода

Для проекта была использована предобученная система с машинным зрением ML Sense, которая способна идентифицировать дефекты различного типа. В ее основе лежит сверхточная нейросеть, каждый элемент (слой) которой отвечает за распознавание разных параметров объекта — формы, размера, цвета и др. Для дефектоскопии углеродных жгутов были добавлены новые слои нейросети, которые обучили распознавать типовые дефекты жгутов.

Сбор данных для обучения нейронной сети

Сбор данных проводился с помощью установленных на линии камер, после чего были отобраны кадры, на которых были видны дефекты волокна. Сбор проходил около месяца, но так как на производстве дефект — не такое частое явление, а для обучения нейросети требуются тысячи изображений, то дополнительные данные были сгенерированы 3D-моделированием. Кроме того, были сделаны фотографии дефектов волокна в собственной лаборатории.

Далее путем аугментации было обеспечено разнообразие данных. В результате был получен датасет из 10 тыс. фотографий, где каждый вид дефектов размечен и классифицирован для обучения нейросети: это узел, это ворс и т.д.

Как работает обученный алгоритм

Процесс контроля осуществляется по следующему обученному алгоритму. Линейная камера направлена на углеродные жгуты и делает фото в заданной точке шириной 1 пкс. Таких кадров камера делает с рабочей частотой кадров 40 тыс. ед/с, которая синхронизирована со скоростью движения полотна жгутов, чтобы получать фотографии такими, как они есть в реальности, а не вытянутыми из-за движущегося конвейера. Для дальнейшего анализа нейросетью эти кадры собираются в полноценное изображение по «строчкам» шириной 1 пкс, примерно как линии при игре в тетрис. Полученный кадр нейросеть сравнивает с имеющимися в своей памяти данными и определяет, есть ли на изображении дефект.

Разработка системы оповещения

Особенностью производства углеродных волокон является то, что жгуты распределяются и наматываются на бобины на разных приемных местах, расположенных на различных участках производственной линии. Условно полотно было разделено на три зоны по цвету (красный, зеленый и оранжевый), чтобы оператор мог быстро понять, на какие места приемной машины движется дефект, и сразу направиться в зону дефекта (рис. 5).

Рис. 5. Схема разделения полотна углеродных жгутов по цветовым зонам приемочной машины

Для быстрого оповещения сотрудников о дефектах вместе с технологами завода была разработана специальная система, функционирующая следующим образом.

Во-первых, световые индикаторы зон приемной машины (красный, желтый или зеленый) показывают, в какую зону намотки попадает дефектный жгут и как быстро нужно принять меры по устранению дефекта.

Во-вторых, голосовое сообщение дублирует данные о дефекте. Это помогает ускорить получение оператором и контролером ОТК информации, когда тот или другой находится вдалеке от киоска с автоматизированным рабочим местом (АРМ). Уведомления записаны мужским и женским голосом — отдельно для каждого этажа, так что оператор понимает, к какой зоне ему подойти. По мнению Алины Бутусовой, «новая система оповещения очень удобна в эксплуатации. Теперь оператору не требуется непрерывно отслеживать полотно жгутов, и он может заниматься пересъемом бобин с волокном, учетом готовой продукции и другими сопутствующими работами, не боясь пропустить дефект на жгуте. Ведь система машинного зрения вовремя просигнализирует и привлечет его внимание».

В-третьих, каждому дефекту был присвоен свой класс с использованием числового кода от 1 до 9, чтобы оператор производственной линии быстро понимал, насколько дефект критичен (рис. 6).

Рис. 6. Интерфейс системы ML Sense показывает на экране компьютера, что в красной зоне полотна обнаружен критический дефект в виде узла (класс 2)

Запуск системы контроля качества ML Sense

Предварительно система ML Sense была тщательно протестирована в собственной лаборатории NordClan, и был подготовлен пакет исходно-разрешительной документации, после чего на заводе смонтировали мачты с камерами на трех постах контроля качества. При этом блок с освещением был интегрирован в линию таким образом, чтобы не мешать производственному процессу (рис. 7).

Рис. 7. Линейная система освещения для контрового подсвечивания контролируемых углеродных жгутов

Рядом с каждой мачтой было установлено АРМ оператора системы ML Sense — киоск со степенью защиты IP65 от токопроводящей углеродной пыли, образующейся в процессе производства (рис. 8). Световой индикатор на светосигнальной колонне, установленной на приемной машине, загорается, когда в эту зону намотки жгутов на бобины движется дефект (рис. 9).

При обнаружении дефекта система машинного зрения подает сигнал, и в зависимости 1 от вида дефекта оператор линии может либо устранить дефект, либо вовремя снять бобину с дефектным жгутом.

Оптимизация работы системы

Алгоритмы системы ML Sense обрабатывают большой массив данных, моделируя из полученных кадров полноценное изображение и выявляя признаки дефектов на полученном фото. Для подобных сложных задач был установлен отдельный сервер. Однако первое время выходил из строя стабилизатор напряжения, через который подключались серверы для работы системы. Это происходило из-за токопроводящей способности углеродных волокон и образующейся пыли. Изначально серверы были установлены в отдельной комнате, но в ней банально часто открывалась дверь, и на оборудование попадало много пыли с производства. Поэтому серверы переместили в более защищенное помещение на территории завода, и проблема с перебоями напряжения была решена.

После первых запусков системы была обнаружена вибрация жгутов от воздействия намоточных устройств. При этом камера фиксировала причудливые узоры, которые нейросеть детектировала как аномалии (рис. 10).

Рис. 10. Пример аномалий на снимке, найденных системой ML Sense

Чтобы система игнорировала подобные события, в нее был добавлен дополнительный алгоритм из библиотеки системы ML Sense, после чего она заработала в штатном режиме и была введена в эксплуатацию. В результате обнаруженные дефекты отображаются в интерфейсе, где на временной шкале отмечены все события при возникновении дефекта. По каждому событию можно просмотреть подробный отчет, в котором указано, в какой цветовой зоне находится жгут, на каких жгутах обнаружен дефект и какой именно. При этом система контроля дефектов интегрирована в СУП завода.

Алина Бутусова подытожила результаты совместной работы с командой NordClan:

«От внедрения системы машинного зрения мы ожидаем также экономический эффект. Какой? Покажет время… Но самый главный эффект, который мы нацелены получить, — это стопроцентная уверенность в качестве нашей продукции и, соответственно, наша репутация перед клиентами»

Поделиться материалом:

Другие статьи раздела

En