0 комментариев

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 т

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

№п/п

Процессы для внедрения машинного зрения

1

ЛЮМ-контроль лопаток турбин

2

Визуальный контроль заготовок лопаток турбин

3

Считывание сложной маркировки ДСЕ

4

Контроль плетения тканной преформы из углеволокна

5

Контроль шероховатости и внешнего вида поверхности рабочих и направляющих лопаток после операций полирования

6

Контроль макроструктуры  лопат турбин травлением

7

Контроль гранулометрического состава, внешнего вида  и морфологии порошков для аддитивного производства


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

Барьер

Пути преодоления

Отсутствие компетенций и опыта в области машинного зрения

Формирование компетенций внутри  (Лаборатория цифровых технологий)

Совместная исследовательская работа с университетами

Поиск команд и решений через конкурсы

Внедрения решений силами ведущих компаний на рынке CV

 Сложно спрогнозировать итоговый результат по внедрению в части обеспечения точности

Организация научно-исследовательских работ.

Формирование испытательного полигона промышленного типа.

Затруднен расчет экономического эффекта без учета дальнейшей автоматизации

Снижение рисков за счет опытной проработки на базе испытательного полигона.

Проприетарные данные

Развертывание ПО для разработки решений с применением нейросетевых технологий на мощностях предприятия.

Отсутствие нормативной базы по применению контроля средствами машинного зрения

Пилотное внедрение решений как интеллектуальных помощников

Подтверждение точности решения на большом количестве повторений

Работа с надзорными ведомствами по выработке путей аттестации и сертификации.  

Отсутствие технического обеспечения

Приобретение специализированных аппаратно-программных средств фото-, видео- фиксации

Приобретение аппаратного обеспечения для выполнения специализированных расчетов

 

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.

0 комментариев
Отправить
обсуждения
Если у вас есть интересный опыт работы с ППУ, рац- и кайдзен-предложениями и вы хотите им поделиться... Металлоинвест: победитель конкурса «Фабрика идей» получил автомобиль
Получение льготных кредитов - тоже цель, и для многих именно она оправдывает участие в нацпроектах. ... Что важнее? Ценность для клиентов или гонка за производительностью труда?
Интересная книга у Сергея Обозова «В поисках идеального потока. История Производственной системы Рос... Прививка прижилась: интересные факты из истории ПСР
Узнайте больше Система 5S 15 чек-листов, примеры, фото и многое другое
Система 5S