Kiểm soát 100% cho việc hàn kẹp tóc bằng laser bằng cách sử dụng Deep Learning

Dự án KIKoSA tại Friedrich-Alexander-Universität Erlangen-Nürnberg nhằm mục đích giám sát và tối ưu hóa chất lượng của các mối hàn kẹp tóc nội tuyến bằng công nghệ đo lường 3D được hỗ trợ bởi AI. Điều này sẽ làm cho việc sản xuất động cơ điện hiệu quả hơn đáng kể.

33.655 xe điện đã được đăng ký tại Đức vào tháng 9 năm 2021. Điều này nâng thị phần của họ lên 17,1%, lần đầu tiên vượt qua số lượng ô tô động cơ diesel đăng ký mới với thị phần 15,9%.

Trong quá trình sản xuất động cơ điện, một tỷ lệ lớn các OEM dựa vào stato có kẹp tóc – cuộn dây cắm uốn cong hình chữ U làm bằng dây đồng phẳng phủ sơn – thay vì cuộn dây tròn kéo vào cổ điển. Công nghệ này mang lại những lợi thế quyết định: Động cơ có công suất cao với trọng lượng thấp và stato có thể được sản xuất với số lượng lớn.

Kẹp tóc cũng có lợi thế hơn cuộn dây quấn về khả năng kiểm tra quy trình sản xuất. Tuy nhiên, hiện tại không có phương pháp xử lý hình ảnh nào có khả năng đánh giá các mối hàn kẹp tóc trong cấu trúc ba chiều của chúng và có đủ độ chính xác trong chu trình sản xuất.

Khoảng 160 đến 220 chiếc kẹp tóc được hàn lại với nhau trong quá trình lắp ráp. Quá trình hàn phải an toàn, ổn định và độ chính xác cao. Nếu không, nó có thể có tác động lớn đến chất lượng của stato và do đó là động cơ. Vì bước công việc này phụ thuộc vào nhiều yếu tố, các quy trình đảm bảo chất lượng thông thường đạt đến giới hạn của chúng ở đây.

Mục tiêu: Giải pháp nội tuyến cho quá trình hàn laser đáng tin cậy

Các nhà nghiên cứu tại Friedrich-Alexander-Universität (FAU) Nuremberg-Erlangen và các đối tác trong ngành đang nghiên cứu một phương pháp thử nghiệm nhanh, hiệu quả về chi phí trong dự án ‘Trí tuệ nhân tạo cho quá trình tiếp xúc stato dựa trên laser an toàn cho các ổ điện’ (KIKoSA ), nhờ đó chất lượng của các mối hàn có thể được theo dõi trực tiếp 100 phần trăm.

Tham gia vào dự án có Chủ tịch Hệ thống sản xuất và tự động hóa sản xuất (FAPS) tại FAU, các công ty Ancud IT, BMW, GROB-WERKE, Lessmüller Lasertechnik và senswork. KIKoSA được tài trợ bởi Bộ Kinh tế, Phát triển Vùng và Năng lượng Bang Bavarian. Dự án nghiên cứu kéo dài ba năm sẽ kéo dài đến cuối tháng 8 năm 2023.

Để đảm bảo quy trình hàn laser chính xác và ổn định, senswork GmbH đang phát triển hệ thống kiểm tra 3D dựa trên trí tuệ nhân tạo (AI) như một phần của dự án. Phương pháp học sâu rất quan trọng vì nó cho phép mô hình hóa các mối quan hệ phức tạp không còn có thể được mô tả đầy đủ bằng các quy tắc đơn giản. Bằng cách phân loại các sai lệch so với các đặc điểm đường hàn tối ưu, cũng có thể rút ra kết luận về các bước quy trình ngược dòng.

Nhiệm vụ của công việc cảm biến bao gồm phát triển mô-đun 3D đa cảm biến mới với động học tích hợp cũng như hình thành, phát triển và triển khai đánh giá dữ liệu trong khuôn khổ kiến ​​trúc phần cứng và phần mềm sáng tạo. Sau giai đoạn đánh giá trong phòng thí nghiệm, khái niệm này sẽ được tích hợp trong môi trường sản xuất.

Độ chính xác cao với ít hình ảnh đào tạo

Để đánh giá chất lượng của quy trình hàn laser, dữ liệu có độ phân giải cao của các điểm hàn được thu thập với sự trợ giúp của mô-đun cảm biến 3D và được đánh giá bằng Deep Learning. Với mục đích này, chuyên gia trong lĩnh vực xử lý ảnh công nghiệp thực hiện phương pháp tự học với mạng lưới thần kinh. Đối với việc đào tạo mạng lưới thần kinh, các khuyết tật hàn với các thông số quy trình khác nhau đã được tạo ra một cách có chủ ý. Ban đầu có tổng cộng 660 bộ dữ liệu 3D. Thông qua việc tăng cường, sửa đổi tổng hợp dữ liệu hiện có, số lượng bộ dữ liệu đầu vào một lần nữa được tăng lên khoảng 2.000.

Khái niệm về quy trình hàn laser tự điều chỉnh cũng đang được KIKoSA theo đuổi. Với tính năng kiểm tra khuyết tật được hỗ trợ bởi AI ở chế độ 3D, hàn laser có thể được tự động hóa một cách hiệu quả và đồng thời được bảo vệ về mặt chất lượng. Xét từ các kết quả nghiên cứu hiện tại, thật hợp lý khi cho rằng phương pháp này sẽ góp phần tạo ra bước nhảy vọt về chất lượng trong sản xuất động cơ điện.

Để biết thêm thông tin: www.senswork.com