Алабуга-Волокно: Внедрение системы контроля качества углеволокна на основе машинного зрения

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.

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.

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.

Система контроля качества волокна

Состав системы

• 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.

• 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.

• Вспомогательные конструкции для установки оборудования. Была разработана и собрана специальная мачта для установки камер над линией движения волокна.

• Сервер для установки системы ML Sense с высоким объемом оперативной памяти для обработки поступающих данных.

• Дополнительное оборудование. 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 4000рх 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

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.

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.

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:

• 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.