Inspección inteligente en línea y control de calidad de bucle cerrado: creación de una línea de producción sin defectos para piezas estampadas
Introducción: De la visión humana a la inspección completa de IA
La inspección de calidad de piezas de estampado se ha basado durante mucho tiempo en el muestreo manual, la inspección visual, el tacto y la medición de pinzas. Sin embargo, hay tres defectos principales en la inspección manual: una fuerte subjetividad conduce a una inspección perdida, el esquema de muestreo no puede cubrir todas las piezas y el retraso de respuesta provoca defectos de lote. Con la velocidad de estampado aumenta a más de 800 golpes / min, y la búsqueda de cero defectos por parte de las industrias automotriz y electrónica, la inspección inteligente en línea se ha vuelto inevitable.
Este artículo describe los tres pilares del moderno sistema de garantía de calidad de estampado: visión óptica y detección de luz estructurada, monitoreo indirecto basado en sensores y formas de onda de fuerza, y control de retroalimentación de bucle cerrado e integración profunda de SPC.
I. Defectos típicos de las piezas estampadas y sus características físicas
Apariencia de la categoría de defectos / Mecanismo de generación de características geométricas Medios detectables en línea
Agrietamiento / cuello ennegrecimiento local, transmisión de luz, tasa de adelgazamiento> 25% límite de metamateriales de tensión de tracción cámara de alta resolución + luz transmitida / imágenes térmicas
Arrugas y ondulaciones, fuerza de soporte en blanco insuficiente para la acumulación de material, o escaneo de triangulación multiláser de materiales
Borde de perforación excesivo que sobresale del desgaste del punzón de púas de metal, proyección de retroiluminación de borde de espacio excesivo + subpíxel
Punto de lesión cóncavo y convexo o indentación de la superficie de la tira cuerpo extraño o defecto de molde campo brillante de múltiples ángulos + combinación de campo oscuro
Medición visual 2D / 3D de la desviación de posición, desviación del ángulo de flexión y resorte, error de alimentación
Pocos agujeros / perforación porosa Agujeros faltantes o en exceso Rotura o mal funcionamiento de perforación Luz transmitida + matriz fotoeléctrica
Inspección visual de IA: tecnologías básicas y despliegue de ingeniería
2,1 Diseño del sistema de imágenes
El sistema de imágenes para la inspección en línea de piezas estampadas se enfrenta a desafíos como el movimiento de alta velocidad, la alta reflectividad del metal y la contaminación ambiental por aceite. Las configuraciones típicas incluyen:
Cámara de matriz de líneas: con escaneo continuo en la dirección del movimiento, adecuado para hojas de gran tamaño.
Cámara de área + estroboscópica: activa el punto muerto en el control deslizante de presión para tomar fotografías y capturar las partes en un estado estático.
Lente telecéntrica: elimina errores de perspectiva para la medición dimensional de precisión.
Iluminación multiespectral: la luz de anillo roja resalta las ondulaciones de la superficie, la luz coaxial azul elimina los reflejos.
Para piezas de estampado tridimensionales complejas, una sola cámara no puede cubrirlas por completo. Es necesario organizar de 4 a 8 cámaras para disparar desde diferentes ángulos y sincronizar el espacio a través de la placa de calibración.
2,2 Entrenamiento y aplicación de modelos de aprendizaje profundo
El procesamiento tradicional de imágenes (segmentación de umbrales, detección de bordes) solo puede identificar defectos simples. Para defectos de textura como arrugas y escotes, se deben utilizar redes neuronales convolucionales. Proceso típico:
Recopilación de datos y etiquetado: recopile decenas de miles de imágenes de piezas de estampado y etiquete el tipo de defecto y la ubicación uno por uno por expertos en inspección de calidad.
Entrenamiento de modelos: Adopte arquitecturas avanzadas como YOLOv8, EfficientNet o Swin Transformer para acelerar la convergencia a través del aprendizaje de transferencia.
Optimización del modelo: use el motor de inferencia TensorRT u OpenVINO para comprimir el tiempo de detección de una sola imagen dentro de los 10 ms.
Despliegue y aprendizaje incremental: los dispositivos de Edge computing (como NVIDIA Jetson) infieren en tiempo real mientras cargan nuevos falsos positivos o falsos positivos a la nube para actualizar regularmente el modelo.
Después de que una planta de estampado a gran escala desplegó un sistema de inspección de visión de IA, la tasa de detección de defectos por encima de 0,1 mm ² fue tan alta como el 99,97%, la tasa de falsa alarma fue solo del 0,3% y pudo detectar simultáneamente cuatro defectos: grietas, rasguños, golpes y arrugas.
2,3 Medición de tamaño en línea
El tamaño del plano (posición del agujero, contorno) se puede extraer por retroiluminación de borde de subpíxeles con y lente telecéntrica, y la precisión puede alcanzar ±0,02mm. Sin embargo, para el ángulo tridimensional y la caída de la parte curva, se debe utilizar un perfilador láser o un sensor 3D de luz estructurada. Este último puede obtener el modelo de nube de puntos de toda la superficie de la pieza en 0,5 segundos proyectando el patrón de franjas y resolviendo la fase, y compararlo con con el modelo CAD para generar un mapa de diferencia de color.
III. Supervisión indirecta basada en sensores y curvas de estampado
3,1 Supervisión de la curva de presión (supervisión del tonelaje)
Cada prensa está equipada con con un sensor de fuerza piezoeléctrico en el deslizador para registrar la curva de fuerza-tiempo para cada carrera de prensa. Durante el estampado normal, la curva exhibe picos característicos (penetración de punzonado, formación de dibujo, etc.). Cuando el área de la curva o el pico está fuera del rango de control estadístico, indica que:
El espacio libre de borrado se hace mayor (disminución de la fuerza) o interferencia de la matriz (aumento de fuerza)
Fluctuaciones en las propiedades del material (aumento de la fuerza de fluencia que hace que el pico de fuerza se desplace hacia la derecha)
Los residuos no se descargan (la cizalla secundaria genera picos adicionales)
El avanzado sistema de monitoreo de tonelaje está equipado con con una función de aprendizaje, capaz de autoaprender la plantilla estándar de cada molde y alarmante basada en el gráfico de control EWMA.
3,2 Emisión acústica de moldes y detección de vibraciones
Los sensores de emisión acústica son muy sensibles a las ondas elásticas de alta frecuencia generadas por el agrietamiento del material, el pelado del revestimiento y la propagación de microgrietas. Por ejemplo, cuando se producen microgrietas de punzón, se producen picos de energía en una banda de frecuencia específica (100-300 kHz). La fuente de la anomalía se puede localizar a través de múltiples sensores AE colocados en ubicaciones clave del molde.
Los sensores de vibración se enfocan en el rango de baja frecuencia (0-1 kHz) para reflejar moldes sueltos o fallas en los rodamientos.
3,3 Monitoreo de temperatura y estado de lubricación
Una cámara infrarroja o un sensor de temperatura puntual monitorea la temperatura en áreas críticas de la matriz. Un aumento anormal de temperatura puede indicar fricción excesiva o canales de refrigeración obstruidos. Combinado con un medidor de flujo del sistema de lubricación, determinar si la boquilla está obstruida.
Control Estadístico de Procesos (SPC) y Mejora de la Capacidad de Procesos
La detección en línea genera datos masivos, que deben convertirse en acciones de gestión a través de SPC. Pasos clave:
Definir características clave de calidad (CTQ), como la altura de las rebabas, el ángulo de flexión y la velocidad de adelgazamiento.
Índice de capacidad del proceso de computación en tiempo real (Cpk): cuando Cpk
Reconocimiento de patrones anormales: Utilice las reglas de discriminación del gráfico de control (por ejemplo, 8 criterios de discriminación: un punto supera el límite de control, 7 puntos consecutivos de aumento, etc.).
A través de SPC, las empresas pueden distinguir entre "fluctuaciones aleatorias" y "fluctuaciones por causas especiales", y así decidir si cerrar y ajustar.
Quinto, control de retroalimentación de bucle cerrado: desde la detección hasta el ajuste automático
El nivel más alto del sistema de calidad inteligente es el control de bucle cerrado: el dispositivo de detección en línea envía la desviación de calidad al PLC de prensa o al servorregulador de troquel en tiempo real, corrigiendo automáticamente los parámetros del proceso.
Ejemplo de aplicación 1: escaneo láser en tiempo real del ángulo de rebote de la parte curva, el controlador ajusta automáticamente la almohadilla de cuña en la parte inferior del molde después de calcular la desviación, cambia la profundidad de flexión y compensa el rebote, y controla la desviación del ángulo dentro de ±0,2.
Ejemplo de aplicación 2: La curva de fuerza de línea detecta la tendencia a la baja de la fuerza de perforación, el sistema determina el desgaste del punzón, envía automáticamente una orden de reemplazo a la estación de mantenimiento de molienda y la ejecuta en el siguiente ciclo de cambio de molde en lugar de esperar a que aparezcan defectos de rebaba en la pieza.
VI. Problemas de aplicación y mejores prácticas
6,1 Sincronización de datos y latencia
La detección en línea debe completarse dentro del ciclo de estampado (generalmente de 0,1 a 0,5 segundos). Se requieren transmisión de datos de alta velocidad (interfaz de cámara industrial de 10GbE) y procesamiento en tiempo real por Edge Computing, y la nube solo se utiliza para almacenamiento a largo plazo y entrenamiento de modelos.
6,2 Adaptabilidad ambiental
Hay niebla de aceite, limaduras de hierro y vibración en el taller de estampado. La cámara necesita estar equipada con con una cubierta protectora y purga de aire positiva, y el sensor necesita un nivel de protección IP67.
6,3 Recomendaciones de mejores prácticas
Aplicación por fases: primero se realiza la inspección visual de los defectos más críticos (grietas, falta de agujeros) y luego se expande gradualmente a defectos de tamaño y superficie.
Cree una base de datos de imágenes de defectos: guarde automáticamente las imágenes y los datos del sensor correspondientes cada vez que se activa una alarma, para una optimización continua del modelo.
Comparación regular de la reinspección manual: en la etapa inicial de la operación del sistema, el personal debe estar dispuesto a realizar una inspección aleatoria de las piezas calificadas juzgadas por el sistema para verificar la tasa de inspección perdida.
Conclusión: La última línea de defensa para objetivos de cero defectos
Lograr cero defectos en las piezas estampadas no puede depender únicamente de la inspección final. El control de calidad debe estar integrado en cada ciclo de estampado. La combinación de visión de IA, monitoreo de curvas de fuerza y circuito cerrado SPC hace realidad que "cada parte se detecta, cada anomalía se rastrea y cada desviación se corrige". En el futuro, con el aumento de la potencia informática de la IA de borde y la disminución de los costos de los sensores, la inspección integral en línea se convertirá en la configuración estándar de las líneas de producción de estampado, y las empresas que aún confían en el muestreo manual no podrán ganar confianza en los mercados automotriz, médico y aeroespacial sensibles a la calidad.
BQUQ es un fabricante profesional de estampación de metales, envíenos dibujos y nuestra empresa le cotizará en un plazo de 12 horas.
