智慧應用 影音
Dtalk base_Garage
event

工研院首創AI齒輪檢測 助台廠站穩高階電動車供應鏈

克服金屬製品檢測挑戰,齒輪大廠本土導入AI瑕疵檢測。廖家宜攝

電動車浪潮席捲全球,台灣廠商也積極搶攻關鍵零組件,像是齒輪是電動車關鍵傳動元件之一,工研院也因此開發國內首創3D螺旋切齒齒輪檢測機,並成功導入國內齒輪大廠本土的產線中,不僅減少50%人力檢測需求,對於像電動車這樣的高階市場需求下,也有助於提升產品可靠度,提高市場競爭力。

金屬製品因本身具有反光特性,因此傳統使用機器視覺(AOI)進行瑕疵檢測時,相當容易受到干擾或誤判,使得技術門檻通常較高,加上台灣金屬加工產業大多屬於傳統中小企業,在技術與資本限制下,目前在品檢流程中仍大多倚靠人工目視來確保品質,但檢測的過程卻相當耗時又費力。

而在齒輪這項金屬製品的檢測中,挑戰又更為嚴峻。因本身結構關係,齒距間的起伏容易形成陰影,其跟俗稱「黑皮」的齒輪瑕疵,在外觀上幾乎無異,因此即便克服反光問題,一般傳統AOI檢測仍難以辨識出該瑕疵究竟是黑皮,或是陰影造成,因而有可能產生誤判。

為改善業界瓶頸,工研院研發「金屬製品外觀品質AI鑑別與回饋模組」搭配國內首創3D螺旋切齒齒輪檢測機,在金屬反光的情況下,能夠自動檢測出黑皮、撞傷與崩齒等瑕疵,目前這套系統也已成功導入國內齒輪大廠本土,正確率達96%,不僅減少50%的人力需求,檢測一顆齒輪的速度更從60秒降至30秒以下。

工研院機械與機電系統研究所組長吳志平指出,該技術有兩大關鍵,一是在機構設計上藉由多軸同動所開發的動態調變光源技術,該技術可依據不同型號的齒輪跟外觀結構,動態調整打光的方式、位置與角度等,以克服具有3D外觀的金屬製品,在取像時容易產生反光的問題,而第二個技術關鍵則是利用AI深度學習訓練檢測模組,強化AOI的辨識能力,更正確判別瑕疵種類。

吳志平進一步指出,像有的台廠切入國際知名電動車大廠的供應鏈,為確保品質,這些電動車大廠都相繼開始要求底下供應鏈必須做到全檢,但過去台廠受限於技術限制,因此至今仍多以人工目視檢測為主,但人工作業通常一天只能檢測8小時,不僅無法提高產能,人力在疲勞時也會因此導致檢測品質下降,在產線中逐漸形成一瓶頸站點。

尤其黑皮更是齒輪的重大瑕疵。所謂黑皮指的是齒輪在加工過程中的表面研磨不良,此會導致齒輪在轉動過程中因表面不平產生摩擦,進而失衡,還會因此降低齒輪壽命,尤其齒輪是電動車重要的傳動元件之一,因此對於車廠的供應鏈來說,勢必要確保其品質可靠度。

而目前這項技術除了可應用於齒輪外觀瑕疵檢測,工研院研發團隊也發展出遷移式學習(Transfer Learning),加快AI學習速度,以便讓系統可以更快應用在不同金屬產品上,協助廠商有效量化瑕疵狀況與良率。

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 傳動元件 工研院 AI 電動車 供應鏈