Гид по цифровому производству: Машинное зрение в техническом контроле

В последние годы получило широкое распространение применение компьютерного/машинного зрения (CV - computer vision) в том числе с использованием технологии машинного обучения (ML-machine learning) в решении многих задач. В данном материале будет использоваться термин «машинное зрение», т.к. он чаще применяется именно при рассмотрении производственных задач.

Благодарим пресс-службу ПАО «ОДК–Сатурн» за предоставление данного материала.

Автор: Александр Сорокин, начальник управления «Цифровая трансформация» ПАО «ОДК-Сатурн».

Все самое интересное и уникальное мы публикуем в альманахе «Управление производством». 300+ мощных кейсов, готовых к использованию чек-листов и других полезных материалов ждут вас в полном комплекте номеров. Оформляйте подписку и получайте самое лучшее!

При формировании элементов «Умной фабрики», будь то роботизированные ячейки и линий или системы адаптивного управления, стоит задача создания автоматизированных систем на основе технологий межмашинного взаимодействия (M2M - Machine-to-Machine).  

Одним из барьеров, при создании подобных комплексных систем является обязательное проведение контрольных операции, будь то контроль позиционирования, контроль выполнения технологической операции или промежуточный контроль качества изготавливаемой продукции, который заключается в визуальной, визуально-измерительной оценке тех или иных параметров. То есть требуется участие человека, которое не позволяет рассматривать возможность межмашинного взаимодействия и комплексной автоматизации.

Преодоление этого барьера возможно посредством применения машинного зрения, когда процесс визуального и измерительного контроля передается от человека автоматизированной системе. В случае, если контрольную операцию невозможно встроить в комплексную систему по автоматизации, применение машинного зрения может рассматриваться как самостоятельный элемент для решения специализированных задач. В любом случае, вопрос внедрения систем на базе машинного зрения стоит на повестке многих компаний активно занимающихся цифровизацией производства.

В компании авиадвигателесроения, где контрольным операциям уделяется огромное значение, а ответственность за их выполнение носит персонифицированный характер и регламентируется множеством нормативных документов, подходить к решению внедрения машинного зрения необходимо с учетом данной специфики. Поэтому, для начала, мы инициировали на предприятии совместно со службами директора по качеству, главного инженера и директора производства работу по выявлению процессов для потенциального внедрения машинного зрения. Именно в разрезе контроля качества и контроля выполнения технологических операций. Данная работа стартовала осенью прошлого года, и её результатом стал сформированный перечень, который пересматривается и дополняется на  постоянной основе. Основными критериями по которым отбирались потенциальные процессы были: рутинность, четкая формализация и возможность применения технологии.  Следующим этапом стало расстановка приоритетности, формирование шорт-листа и технических требований. Таким образом, на сегодня мы имеем, так называемые задачи первой очереди по внедрению машинного зрения.

Таб. 1. Шорт-лист процессов для внедрения машинного зрения

Обеспечение возможности  формирования дата-сетов, подбора готовых алгоритмов, а также применение машинного обучения в условиях реального серийного производства  специалистами предприятия позволит осуществлять работы по внедрению систем в выбранные процессы максимально эффективным образом.

Рассмотрим основные барьеры при внедрении решений на базе машинного зрения и пути их преодоления:

Таб. 2. Основные барьеры

Таким образом, учитывая, то что внедрение решений на базе машинного зрения связано с большим объемом исследовательских работ, рассматривается несколько первостепенных задач, которые позволят ускорить данный процесс, а именно:

1. Формирование команды специалистов с базовыми компетенциями в сфере машинного зрения и машинного обучения.

Организовано обучение специалистов предприятия в РГАТУ им. П.А. Соловьева по направлению «Искусственный интеллект. Большие данные». В рамках Лаборатории цифровых технологий, которая была создана совместно с РГАТУ им. П.А. Соловьева запущено 2 проекта с привлечением студентов старших курсов для решения локальных задач.

2. Создание инфраструктуры испытательного полигона для проведения натуральных экспериментов собственными силами.

Закуплены специализированные камеры для возможности получения изображения с необходимым качеством. Приобретен 3D-принтер для оперативного изготовления оснастки необходимой при создании систем контроля.

3. Развертывание среды применения готовых алгоритмов, библиотек анализа изображений и распознавания образов для проведения исследований на мощностях предприятия.

Среда развернута, ведутся опытные работы.

4. Ведение совместно с научными организациями исследовательской деятельности для выработки подходов к применению машинного зрения и машинного обучения для решения конкретных задач.

С РГАТУ им. П.А. Соловьева заключен договор на выполнение работ по созданию опытного стенда для ЛЮМ-контроля и визуального контроля лопаток турбин. Участие в АВИАХАКАТОНЕ-2021, организованном Московским Авиационным Институтом позволило оценить возможности внедрения системы контроля заготовок лопаток турбин как конечно ориентированного программного комплекса. Планируется дальнейшая работа с победителями, которые представляют МАИ.

5. Включение в комплексный план финансирования научно-исследовательских работ деятельности связанной с апробацией решений на базе машинного зрения и машинного обучения.

Схематично процесс внедрения решений на базе машинного зрения и машинного обучения можно представить следующим образом:

В настоящий момент нельзя говорить о возможности замены контролера системой на базе машинного зрения. Принятие окончательного решения о качестве контролируемого объекта в нашей отрасли, пока, остается за человеком. Основными векторами в ближайшей перспективе будет разработка интеллектуальных помощников при промежуточном контроле, позволяющих снизить нагрузку на контролёра и повысить эффективность, а также систем контроля соблюдения технологических операций в реальном времени. Последующая эксплуатация систем и подготовка нормативной базы по применению машинного зрения в операциях контроля сформирует тот базис, который позволит рассматривать подобные решения как самостоятельную часть единого ландшафта интегрированных решений с комплексной оценкой эффектов от внедрения. Это, в свою очередь, обеспечит построение траектории дальнейшей автоматизации на основе «цифрового следа» полученного инструментами машинного зрения.  

Формирование собственной команды с базовыми компетенциями, обеспечение этой команды ресурсами для проведения исследовательских работ видится в нашей ситуации залогом успешных внедрений решений на базе машинного зрения. Нужен своего рода испытательный полигон производственного типа (ИППТ) для проведения НИОКР, в том числе, с привлечением внешних команд-разработчиков. И конечно, должна появиться статья затрат на проведение данных НИОКР и описана процедура её формирования.