利用缺陷检测技术来进行质量控制

在质量控制中的典型应用是指通过缺陷检测技术对制造产品进行缺陷检测,获得缺陷产品的缺陷信息,结合制造企业需求,对有缺陷的产品和无缺陷的产品反馈给自动控制系统进行“后操作”的过程。

缺陷检测技术在质量控制中的典型应用主要包括“优劣”产品分类应用和基于缺陷检测技术的智能装备故障预测和诊断。

现代质量工程技术把质量控制划分为若干阶段,在产品开发设计阶段的质量控制叫做质量设计;在制造中需要对生产过程进行监测,该阶段称为质量监控阶段;以抽样检验控制质量和根据经验获得的产品缺陷进行反馈,被称之为事后质量控制。本8文的质量控制技术是指事后质量控制

缺陷检测技术在制造产品分类中的应用

缺陷检测技术在制造产品分类中的应用是指采用缺陷检测技术对样本进行缺陷检测所产生的数据,经过分析处理传递到其他系统,作为自动控制系统的信息输入端,给机器人及其他智能分拣设备对有缺陷的产品进行回收处理。

缺陷检测技术在制造产品分类的应用中,结合缺陷数据采用合适的分类算法对产品进行分类是实现缺陷检测技术在制造产品分类应用中的重要组成部分。

采用统计学和图像处理方法，从统计学角度，鲁汶大学、中科院自动化所等机构采用多层边缘分割例程,详细分析了SPIF成形零件的特点,对产品进行分类是常用的分类方法，考虑几何、曲率、位置、方位和过程参数,通过缺陷检测技术检测出产品不同缺陷特征,通过对不同特征的分析,采用统计学的方法(如:时域分类器)对不同缺陷产品优劣分类,在结合分拣设备进行“剔废”。

从图像处理角度,阿米尔卡波尔理工大学等机构采用图像分割方法提取直方图的多个纹理特征,根据序列特征对纹理进行自动排序,根据枪管内壁缺陷情况采用直方图对优劣产品进行分类。

而随着深度学习的发展,采用神经网络对特征数据进行分析,结合较优的分类算法对产品优劣进行分类处理,实现事后质量控制。如:表面缺陷公差的分析,结合计算机理论以及信息处理技术,摒弃了传统分类系统的零件检索和粗糙分类方法,将数学理论与神经网络相结合,建立了基于人工神经网络的监督学习分类器。以上的研究主要集中在采用合适的分类算法,结合检测对象属性对产品进行质量控制,而零件缺陷特征与执行机构控制的关联关系模型相关的研究较少。

如何结合企业实际生产需要,结合零件缺陷特征与执行机构控制的关联关系模型,建立“剔废”执行机构、控制器、反馈执行单元等相结合的多模态缺陷分类控制系统将具有较好的应用价值。

缺陷检测技术在智能装备故障预测和诊断的应用

将缺陷检测技术获得的缺陷数据反馈给生产设备进行故障预测和故障分析是控制产品质量的重要一环。随着大数据和深度学习的发展，国内外学者相继从制造产品缺陷检测数据角度出发,对制造产品的质量控制进行深入研究。

克里特大学等机构采用小波变换、分量法、最小二乘法和线性滤波等算法对缺陷数据和智能装备生产数据进行分析,并结合机械故障诊断知识,在神经网络理论的基础上,结合SoftMax分类算法,提出一种基于神经网络的机械故障预测方法,并在滚动轴承、滑动轴承以及变速箱中实验验证了所提方法的可行性。

除了SoftMax分类算法外,基于支持向量机的分类算法也是目前常用的预测算法之一.如:哈尔姆斯塔德大学等机构通过不断测试刹车片和阀门缺陷数据,运用数学理论对有裂纹或损坏的往复式压缩机阀门和刹车片数据进行处理分析,利用Logistic回归和支持向量机对特征进行分类,对压缩机和刹车系统进行故障预测。

首尔大学等机构对高速列车的车轮轴承故障、噪声和干扰进行分析研究,利用故障脉冲信号的卷积稀疏特性,提出一种基于冲击响应卷积稀疏编码技术的故障预测方法,从数据分析处理及反馈的角度对轴承进行故障预测。

虽然故障预测和诊断是工业界一直研究的热点和难点问题,而在产品生产过程中,系统的不同组成单元之间进行相互关联,相互耦合,导致了生产系统具有强烈的不确定性和非线性特征,而通过对产品缺陷检测数据进行研究,预测生产系统可能故障单元将对故障诊断准确率的提高具有重要意义。