Článek popisuje zařízení AI Inspector.one, určené k optické kontrole dílů ve strojírenství a příbuzných oborech. Stroj využívá k manipulaci s kontrolovanými díly dopravníkový systém XPlanar (Beckhoff), který umožňuje nezávislé řízení pohybu a rotace jednotlivých jezdců. Ke zpracování dat slouží platforma umělé inteligence Lotylda: Lotylda DL umožňuje efektivně detekovat různé chyby, včetně vzácně se vyskytujících, a Lotylda BI dovoluje v reálném čase hledat souvislosti mezi kvalitou výroby a provozními daty strojů.
.jpg)
Obr. 1. Stroj AI Inspector.one využívá dopravník XPlanar od firmy Beckhoff Automation, který umožňuje nezávislý pohyb jezdců vznášejících se v elektromagnetickém poli (foto: autor)
Se strojem AI Inspector.one jsem měl možnost se seznámit na semináři Kontrola kvality s AI, který se konal 11. října 2023 ve Výzkumném a inovačním centru Intemac v Kuřimi. Podařilo se mi vyšetřit půl dne v jinak nabitém programu MSV, abych se podíval, jak se zařízení změnilo od roku 2021, kdy jsem ho viděl poprvé – a to právě na MSV v Brně, kde byl stroj vystaven v rámci projektu Digitální továrna a získal zlatou medaili veletrhu. Stroj je nyní instalován v centru Intemac, kde si ho mohou zájemci prohlédnout a diskutovat s jeho konstruktéry o konkrétních možnostech využití v praxi.
Automatizovaná optická kontrola v hromadné strojírenské výrobě
Optická kontrola dílů je velmi častou součástí celkové kontroly kvality ve strojírenské výrobě i v dalších oblastech průmyslu. V mnoha případech se provádí vizuálně, prostým okem, popř. vybaveným lupou nebo mikroskopem. Takový postup má mnoho nevýhod: je velmi pomalý, náročný na soustředění kontrolora, podléhá subjektivnímu hodnocení a mnohdy se stává, že je jako neshodný vyřazen díl, který vyřazen být nemusel, nebo v horším případě není odhalen díl, který vyřazen měl být. Práce kontrolora je náročná a únavná, musí při práci dělat časté přestávky a je třeba učinit taková opatření, aby dlouhodobá práce nepoškozovala jeho zrak. Jestliže má kontrolor dovolenou nebo onemocní, je obtížné ho nahradit, protože práci může vykonávat jen proškolená a zacvičená osoba.
Obr. 2. Příklady kontrolvaných míst na povrchu dílce
Zdá se, že nahradit vizuální kontrolu automatizovanou optickou kontrolou má jen samé výhody a snadno lze spočítat, že se investice do takového pracoviště rychle vrátí nejen snížením pracovních nákladů a nákladů na zbytečně vyřazené výrobky, ale i zkrácením doby kontroly a zvýšením kvality výrobků.
Umělá inteligence jako řešení pro flexibilní výrobní sortiment
Jenže moderní výroba bývá velmi flexibilní. AI Inspector.one umožňuje jedním zařízením kontrolovat různé typy výrobků a hledat různé typy vad, často i takových, které by kontrolor při vizuální kontrole neodhalil.
Lidské oko totiž není nijak skvělá optická soustava, ale člověk její vady kompenzuje zpracováním signálů v mozku. To je efektivní, jenže to má své nedostatky. Všichni známe různé optické klamy, kdy mozek obraz na sítnici nevyhodnotí správně a dokreslí si věci, které ve skutečnosti neexistují, nebo si naopak nevšimne věcí, které má před sebou.
Systémy s umělou inteligencí ovšem mají úplně stejný problém. Pro kontrolu kvality se zpravidla používají neuronové sítě a hluboké učení. Jsou-li neuronové sítě špatně natrénované, dělají chyby. Tak, jak je nutné dobré a důkladné školení lidského kontrolora, musí se trénovat i umělá inteligence. K tomu potřebuje velké množství věrohodných vzorových dat. Kde je vzít, když jde o malosériovou výrobu? Systémy s umělou inteligencí nepotřebují při změně kontrolovaného dílu přeprogramování, ale potřebují trénovací množinu dat. A čím větší, tím lépe.
Augmentace a virtuální množiny trénovacích dat
Je-li dat nedostatek, pomůže jejich augmentace. Je možné si ji představit tak, že se vezme reálný vzorový obrázek a ten se pootočí, trochu zašumí nebo rozmaže – odborně řečeno podrobí se různým transformacím. Takto vzniklá data mohou rozšířit trénovací množinu dat, ale zpravidla bude možné snadno rozeznat, která data jsou reálná a která uměle vytvořená. Tímto postupem lze generovat augmentovaná data i pro vady, které se vyskytují jen vzácně a není k nim dostatek reálných dat.
Obr. 3. Součástky na paletce u stroje připravené ke kontrole (foto: autor)
Jinou možností je použít k augmentaci generativní umělou inteligenci. Ta tvoří z původního vzoru umělé obrazy tak, aby byly k nerozeznání od reálně pořízených dat, ale přitom měly všechny klasifikované znaky. Nevýhodou je, že generativní umělá inteligence se tento postup také musí učit – takže opět potřebuje velké množství dat. Vzniká vlastně atlas charakteristických vad: z obrázků mnoha různých škrábanců je generativní AI schopná generovat další umělé obrázky typických škrábanců, z obrázků mnoha povrchových trhlin vytváří další obrázky typických trhlin atd. Tímto způsobem se neuronové sítě naučí rozeznat danou kategorii povrchových vad i při měnících se podmínkách, při nichž nebyly trénovány.
Stroj AI Inspector.one pro automatickou kontrolu dílů
Společnost INspectorAI services nabízí unikátní stroj AI Inspector.one, určený pro automatickou detekci povrchových vad. Koncept stroje původně vznikl ve společnosti stoba Precizní Technika pro její vlastní účely: firma se zabývá výrobou vysoce přesných součástí zejména pro automobilový průmysl a kontrola kvality je pro ni životně důležitá, protože nekvalitní díly mohou ohrozit nejen funkčnost vozidel, ale i bezpečnost pasažérů. Stroj byl postaven ve specializované firmě na stroje stoba Customized Machinery a vystaven na Mezinárodním strojírenském veletrhu v Brně v roce 2021, kde získal nejen pozornost návštěvníků, ale i zlatou medaili. Z Brna putoval na veletrh do Německa, kde po výměně detekčních kamer kontroloval komponenty pro zdravotnickou techniku. I v Německu získal zaslouženou pozornost a získal několik ocenění. Mezitím pokračoval jeho vývoj a postupné doplňování dalšími funkcemi.
Obr. 4. Akvizice dat: pozice jednotlivých kamer, nasvícená dutina (o průměru 3,3 mm) a telecentrická jednotka (INspectorAI services)
Stroj kontroluje standardně součástky do hmotnosti 1,5 kg (lze upravit až do 4 kg). Kontrolované díly se umísťují na jezdce dopravníku XPlanar od firmy Beckhoff Automation (obr. 1). Ty umožňují pohyb součásti na stole stroje i jejich rotaci kolem svislé osy. Je tak možné kontrolovat díly ze všech stran. Hlavní výhodou systému XPlanar je skutečnost, že jezdce jsou řízeny samostatně, nezávisle na sobě – zatímco jeden stojí pod kamerou, další se pod jinou kamerou otáčí kolem svislé osy a jiný se přesunuje mezi stanovišti. Jezdce se pohybují hladce a přesně, zcela bez tření, unášeny elektromagnetickým polem. V tomto stroji plně vyniknou přednosti dopravníku XPlanar: každé jiné řešení by bylo konstrukčně složitější, pomalejší, méně spolehlivé a méně přesné. Dopravník navíc nevyžaduje žádné mazání, takže je vhodný i do čistých prostor. Umožňuje dosahovat velmi krátkých dob cyklu, až 3 s.
Stroj AI Inspector.one umožňuje součásti kontrolovat opticky kamerovým systémem, popř. mikroskopem, ale také např. vířivými proudy, jež odhalují podpovrchové trhliny, rentgenovým zářením, které odhalí defekty v hloubce materiálu, nebo měřit rozměry a tvary dotykovými sondami.
Data jsou vyhodnocována neuronovými sítěmi s hlubokým učením, které jsou implementovány na platformě Lotylda od firmy Optisolutions. Konkrétně se zde využívají dvě součásti platformy Lotylda: Lotylda DL a Lotylda BI.
Lotylda DL je nástroj využívající neuronové sítě a hluboké učení (DL – Deep Learning) a je vhodná pro rozpoznávání vzorů v obrazových datech, videozáběrech, zvukovém záznamu nebo vibračním spektru. Při analýze obrazu se systém učí podle vzorů, které označuje uživatel ve webovém prohlížeči. Definují se typy vad, jež se mají detekovat. Učení je výpočetně náročné, proto zpravidla není realizováno přímo ve stroji, ale v externím výkonném serveru. Objeví-li se potřeba detekovat nový druh vady, který se dříve nehodnotil, je možné neuronovou síť doučit. Vlastní analýza obrazu pomocí natrénované neuronové sítě je následně realizována přímo vestavěnou výpočetní jednotkou stroje AI Inspector.one (k dispozici je GPU NVidia A100, CPU AMD Epyc s 32 jádry a 256 GB RAM).
Obr. 5. Příklady detekovaných vad (INspectorAI services)
Lotylda BI (Business Intelligence) dovoluje vytvářet informační systémy s důrazem na sběr, ukládání a analýzu velkých dat. Platforma je dostupná prostřednictvím webového prohlížeče (HTML5) a poskytuje uživatelům nástroje pro ETL, ukládání dat, reportování a analýzu dat. Obsahuje též predikční moduly.
V tomto případě se využívají procesy ETL (Extract, Transform nad Load) k tomu, aby bylo možné údaje o výsledcích kontrol na stroji AI Inspector.one dát do souvislostí s dalšími provozními daty, např. s údaji z výrobních strojů. Zjistí-li se trend postupného zhoršování kvalitativních parametrů, je možné analyzovat jeho příčiny hledáním anomálií v provozních datech strojů a zasáhnout dříve, než stroj začne vyrábět neshodné výrobky. Zásah spočívá např. v úpravě parametrů stroje nebo výměně otupeného nástroje.
Příklad použití
Možnosti stroje AI Inspector.one je možné nejlépe ilustrovat na příkladu. Je třeba kontrolovat soustružený díl s průchozím otvorem a několika osazeními vně i uvnitř. Celkem se kontroluje 28 různých vad na vnějších i vnitřních plochách. Požadovaný takt je 3,2 s (obr. 2)
V tomto případě se stroj osadí sedmnácti běžnými průmyslovými kamerami a jednou speciální měřicí kamerou s telecentrickým objektivem. Kamery jsou součástí čtyř snímacích jednotek, tzv. optoboxů, v nichž jsou kromě kamer i potřebné osvětlovače (obr. 3).
Ke zpracování dat je použito celkem osmnáct neuronových sítí detekujících konkrétní vady a osmnáct neuronových sítí detekujících anomálie. Pro naučení vzácných vad byla využita virtuální data: v 3D prostředí byla vytvořena kompletní scéna (kontrolovaný obrobek, kamery, osvětlení), ve které byly automatizovaně generovány jednotlivé vady. Tak byly vytvořeny množiny virtuálních dat, na nichž se potom učily neuronové sítě (obr. 5, obr. 6). Rozhodnutí o tom, zda je detekovaná odchylka skutečně vadou, je potvrzováno měřením kamerou s telecentrickým objektivem.
Obr. 6. Augmentovaná data: reálná vada, proces učení, virtuálně vytvořená vada (INspectorAI services)
K tomu, aby bylo možné dosáhnout takto krátké doby cyklu, je provoz plně automatizován a pro manipulaci s obrobky – vykládání z paletek, ukládání do stroje a odebírání zpět – jsou použity roboty Stäubli (obr. 7).
Příklad kontrolního stroje lze vidět v ukázkovém pracovišti, které je umístěno v prostoru centra Intemac v Kuřimi, kde firma sídlí. Je možné si domluvit individuální prohlídku nebo se zúčastnit některého ze seminářů o optické kontrole kvality ve strojírenství, které jsou zde pořádány.
Modulární konstrukce
V ukázkovém příkladu se kontroloval malý soustružený výrobek. Co když je třeba kontrolovat ploché, velmi strukturované nebo nesymetrické dílce? Výhodou stroje AI Inspector.one je jeho modulární konstrukce. Není proto problém navrhnout pracoviště na míru i pro kontrolu takovýchto dílů, včetně návrhu manipulace s kontrolovaným dílem, umístění kamer a osvětlovačů a popř. s robotickou manipulací.
Kde všude najde AI Inspector.one uplatnění? Všude, kde je třeba zajistit 100% jistou, stabilní a rychlou finálovou kontrolu defektů na povrchu dílce, na dílcích z kovu, plastu nebo kombinaci materiálů. Zde byl představen příklad kontroly povrchových vad soustruženého obrobku. V případě potřeby je možné zapojit i přístroje, které dílce měří. K měření se potom nepoužívá neuronová síť, ale data z měření se stahují do programu, čímž se proces zpomalí. Základním určením systému je kontrola defektů a abnormalit na povrchu velmi přesných dílců, např. i povlakování dílců. Ve farmacii lze např. detekovat mikroskopické znečištění komponent. Stroj najde uplatnění i ve sklářském průmyslu, kde může kontrolovat požadovaný odstín a detekovat vady skla a povrchové vady, včetně kvality broušení. Další možnou aplikací je kontrola při výrobě desek plošných spojů, kde stroj umožňuje kontrolovat přítomnost a umístění součástek a správnost a úplnost osazení nebo detekovat nečistoty na desce plošných spojů.
Obr. 7. K manipulaci s díly se používají roboty Stäubli (foto: autor)
Závěr
V článku bylo ukázáno, zda a kdy se vyplatí nahradit vizuální kontrolu kvality dílů kontrolou automatizovanou a jak při tom efektivně využít metody umělé inteligence. Automatizovaná kontrola přináší větší stabilitu kontrolních procesů, výrazné zrychlení kontroly a úsporu pracovní síly (jeden stroj nahradí až dvacet pracovníků). Kontrola v reálném čase dovoluje zasáhnout do výroby dříve, než začnou být vyráběny neshodné výrobky. Tím se omezují náklady na materiál i výrobní ztráty. Návratnost investice je zpravidla dva až tři roky.
Nezanedbatelnou výhodou, zvláště v tak náročných odvětvích, jako jsou automobilový průmysl nebo výroba zdravotnické techniky, je možnost doložit zákazníkovi, že se firma o kvalitu svých výrobků stará na profesionální úrovni. Tím se zvyšuje konkurenceschopnost firmy.
Firma INspectorAI services nabízí kromě dodávek strojů také návrh pracovišť na míru, studie proveditelnosti a návratnosti i optimalizaci využití již instalovaného kontrolního stroje.
Petr Bartošík