Systémy a zařízení s automatickým rozpoznáváním vad
Vývojářský tým ATG Group vyvíjí vlastní ADR systémy pro automatické osvětlení, nasnímání, detekci a klasifikaci vad a jejich indikací pro metody VT, MT a PT. Tyto systémy s ADR jsou dodávány dle přání zákazníka i včetně manipulace zahrnující sběr dílů z koše nebo pásu.
iVT systémy umožňují detekci všeho, co vidí a rozpozná operátor. Jmenovitě se jedná většinou o chybné signatury dílů, škrábance, otlaky, korozi, porozitu, neobrobená, nebo spálená místa, trhlinky, vady rozměrů dílu, chybnou montáž, přítomnost cizích předmětů atd.
iMT a iPT systémy umožňují posouzení přítomnosti, typu, polohy a rozměrů indikací, což je ale samo o sobě velkou výzvou s ohledem na tvar dílů, úroveň pozadí apod. ATG tento problém vyřešilo díky praktickým zkušenostem z oblasti NDT a implementaci moderního a originálního hardwaru i softwaru s využitím deep learning.
Registrační úroveň hlavního rozměru vady nebo indikace je (v závislosti na povrchu) cca 0,1 mm. Rychlost vyhodnocení je stejná či vyšší než u lidí (především u větších ploch jsou ADR systémy výrazně rychlejší). Systémy jsou tedy schopny nahradit operátory v oblasti kontroly kvality dílů a dosahují mnohdy i efektivnějších výsledků než lidská obsluha.
Ve všech uvedených případech je nezbytná součinnost zákazníka, především v poskytnutí dostatečného množství reprezentativních vzorků, které umožní systému procesem deep learning docílit precizního rozpoznávání vad a indikace.
Komplexnost řešení ve spojení s ADR
Komplexnost řešení roste s komplexností dílů a komplexností a drsností jejich povrchu. Pro automatizaci s použitím ADR jsou proto vhodné především aplikace velkosériové výroby dílů s vyšší kvalitou povrchu, kdy náklady související s procesem deep learning a cenou zařízení jsou nižší, a tudíž lze docílit návratnosti investice v kratším čase.
Návratnost investice se pohybuje od 1 do 3 let, v závislosti na množství zkušebních dílů, ceny práce v místě instalace a také v závislosti na stávající produktivitě existujícího procesu.
