Контроль якості inline та AI у литті під тиском – візійні системи 2025

Вступ до inline-контролю якості

Inline-контроль якості у переробці пластмас переживає бурхливу трансформацію. Ще кілька років тому більшість заводів покладалася на ручну перевірку кожні 10–20 циклів. Сьогодні, під тиском автомобільної, медичної чи споживчої електроніки галузей, ключовим є виявлення дефекту за лічені секунди, перш ніж партія потрапить до пакування.

IDC оцінює, що до 2026 понад 70% термопластавтоматів застосовуватимуть передові системи машинного зору, інтегровані з ШІ.

Переваги inline-контролю:

• Скорочення відходів
• Менший ризик дорогих повернень
• Швидше затвердження PPAP
• Можливість гарантувати PPM клієнтам

У цьому посібнику ми показуємо, як побудувати архітектуру QA, які технології обрати та як інтегрувати їх із цифровими двійниками, MES і робототехнікою, щоб створити екосистему повного контролю якості.

За даними McKinsey, впровадження розумного inline-контролю скорочує час реакції на дефект у середньому з 50 хвилин до менше ніж 5 хвилин. При виробництві мільйона деталей на рік це дає економію сотень тисяч гривень – менше брухту, менше понаднормових, менше стресу від термінового сортування цілих палет.

Це також ключовий елемент стратегії сталого виробництва, бо кожен невироблений відхід — це реальне скорочення вуглецевого сліду.

Що таке inline-контроль якості у литті під тиском?

Inline-контроль означає автоматичну перевірку кожної деталі безпосередньо біля гнізда термопластавтомата або в осередку, інтегрованому з роботом. Система збирає дані (зображення, температурний профіль, звук, вагу), аналізує їх і порівнює з еталонною моделлю. Рішення «pass/fail» приймається за час менше циклу, а результат одразу надходить до MES, eDHR чи системи відстеження походження.

На відміну від офлайн-перевірки inline-контроль не вимагає ручного забору зразків. Він є частиною процесу, тому реагує миттєво й усуває ризик пропуску бракованих деталей. Це рішення ідеально вписується у філософію «zero defect manufacturing» та стандарти якості, такі як IATF 16949, ISO 13485 чи IPC.

Все більшу роль відіграє ШІ. Нейронні мережі навчаються розпізнавати дефекти навіть тоді, коли їх неможливо описати простими правилами (наприклад, легкі плями на оптичних деталях). Завдяки цьому можна автоматизувати контроль там, де раніше вирішував лише оператор.

Inline-контроль охоплює також управління даними. Кожен результат перевірки прив’язується до номера прес-форми, гнізда, партії сировини та оператора. Так формується цифровий паспорт виробу – неоціненний при рекламаціях чи аналізі FMEA. Інтеграція з CMMS дозволяє автоматично подавати заявки на техобслуговування, коли кількість дефектів перевищить поріг попередження.

Історія розвитку систем QA

Початки автоматичного контролю лиття під тиском сягають 80-х років, коли прості датчики перевіряли лише наявність деталі. Справжній прорив стався в 2000–2010 роках разом із розвитком лінійних камер і падінням цін на CCD-камери. У цей період системи машинного зору застосовувалися переважно в автомобільній галузі, де вимагався PPM на рівні кількох десятків одиниць.

За останнє десятиліття ми спостерігаємо «другу хвилю». По-перше, обробка зображень перейшла на GPU, що дозволяє аналіз у мілісекунди. По-друге, з’явилися 3D-камери (структуроване світло, time-of-flight) і термічні датчики, які виявляють різницю товщини стінок чи гарячі точки охолодження. Нарешті, поширилося ПЗ на базі машинного навчання. Завдяки цьому системи QA стали гнучкішими, швидшими й точнішими, ніж будь-коли.

У 2024–2025 роках починається третя фаза: інтеграція з цифровими двійниками, MES та платформами даних. Дані з контролю надходять до прогнозних моделей, які можуть автоматично коригувати параметри термопластавтомата чи сигналізувати про потребу очищення прес-форми. QA стає частиною замкненого контуру керування якістю.

Важливими є також регуляції. Директиви MDR, CSRD чи нові вимоги PPAP 5.0 прямо вказують на необхідність повного відстеження якості. Автоматизація QA стає сертифікаційною вимогою, а не лише конкурентною перевагою. Компанії, які випередили тренд, пройдуть аудити швидше й отримають перевагу при тендерах.

Види систем inline-контролю

Системи QA можна поділити на кілька категорій:

• Системи машинного зору 2D – лінійні чи матричні камери для аналізу поверхні та контуру.
• Системи машинного зору 3D – об’ємні вимірювання, лазерне профілювання, стерео.
• Лазерна метрологія – вимірювання критичних розмірів з точністю ±0,01 mm.
• Термічний аналіз – ІЧ-камери для виявлення гарячих точок, недоохолодження.
• Акустичний/вібраційний аналіз – мікрофони й акселерометри для реєстрації характерних сигналів дефектів.
• Гібридні системи – поєднання зображення з вагою, функціональними, електричними тестами, перевіркою герметичності.

Вибір залежить від типу деталі, обсягів виробництва та вимог клієнта. На практиці набирає популярності комбінація кількох методів – наприклад, камера 2D для виявлення плям + 3D-сканер для контролю розмірів. Так система охоплює більше дефектів, а дані надійніші.

Системи машинного зору 2D

Камери 2D – найпоширеніша технологія, ідеальна для поверхневих дефектів: смуг, припікань, задирок, браку в друку. Термопластавтомати використовують як матричні камери (для статичних), так і лінійні (для рухомих деталей). Ключові параметри: роздільна здатність (типово 5–12 МП), швидкість зчитування, тональна динаміка та правильно підібране освітлення (кільцеве, бічне, структуроване).

Для класичної обробки зображень використовують бібліотеки на кшталт Halcon, Cognex VisionPro чи OpenCV. Набір інструментів включає пороги, фільтрацію, морфологію, аналіз контурів, OCR, перевірку кольорів. У версії з ШІ застосовують моделі CNN (наприклад, EfficientNet, YOLOv8), навчені на фото дефектів і добрих деталей. Така комбінація забезпечує високу ефективність і короткі цикли.

Все частіше 2D-систему машинного зору монтують безпосередньо на маніпуляторі чи колаборативному роботі, що знімає деталь. Камера фотографує в польоті, а результат надходить до контролера робота, який розміщує деталь у гнізді OK/NOK. Так усуваються додаткові станції й скорочується шлях деталі.

У преміум-застосунках використовують також гіперспектральні 2D-камери. Вони виявляють різницю в хімічному складі, що при виробництві з регрануляту допомагає ловити забруднення чи чужі полімери. Хоча інвестиція вища, вона швидко окупається при виробництві косметичної тари чи медичних компонентів.

Системи машинного зору 3D і лазерна метрологія

Системи 3D базуються на лазерному профілюванні, структурованому світлі, стереозорі чи технології time-of-flight. Вони ідеальні для складних форм, де потрібні дані про висоту, об’єм чи паралельність поверхонь. Точність сягає кількох мікрометрів, а дані порівнюють із CAD-моделлю, отримуючи карти відхилень.

Лазерну метрологію часто застосовують для деталей медичної та електронної галузей (наприклад, оптичні елементи, роз’єми). Системи вимірюють товщину стінки, глибину пазів, положення отворів, навіть кут вигину. Інтеграція з роботом дозволяє наблизити зонд до будь-якої точки, підвищуючи гнучкість осередку.

Все популярнішою стає технологія «digital overlay»: 3D-дані накладають на AR-модель, а оператор бачить у реальному часі місця відхилень. Це прискорює коригувальні рішення й документування для клієнта.

Системи 3D можна поєднати з аналізом напруг: дані про деформації надходять до цифрового двійника прес-форми, який пропонує корекцію охолодження чи профілю витримки. Так метрологія стає частиною замкненого циклу вдосконалення, а не лише звітним інструментом.

Акустичний і термічний аналіз

Термічний аналіз з ІЧ-камерами дозволяє оцінити розподіл температури на виріб одразу після вилучення. Так ми бачимо дефекти до їхньої оптичної видимості – наприклад, недоохолодження, гарячі точки, різницю товщини. Дані корелюють із параметрами охолодження та програмою лиття.

Акустичний чи вібраційний аналіз стосується звуків і коливань при ударі деталі об датчик або під час тестів. Деякі структурні вади (тріщини, бульбашки) змінюють характер звуку, що виявляють широкосмуговими мікрофонами. Цей метод ефективний для контролю 100% метало-пластикових елементів і виробів із критичною герметичністю.

Сучасні системи поєднують акустичні дані з ШІ, застосовуючи вейвлет-перетворення та спектрограми. Моделі класифікують звуки за типами дефектів. Такий метод особливо дієвий для компонентів із невидимими вадами (наприклад, мікротріщини у скловолокнистих деталях).

Будова та основні елементи осередку QA

Повна система QA складається зі станції прийому деталі (робот/кобработ), камер та освітлення, додаткових датчиків (вага, сила, температура), комп'ютерів обробки, аналітичного ПЗ, інтерфейсу оператора та інтеграції з MES/SCADA. Усе має відповідати вимогам безпеки (PE/PL, світлові завіси) й бути легким в обслуговуванні.

Архітектура керування часто включає контролер PLC, промисловий комп'ютер із GPU, сервери баз даних та операторську панель HMI. Додатково встановлюють IoT-модулі для передачі результатів у хмару чи цифрові двійники. Так дані якості доступні всій організації, а не лише відділу QA.

У сучасних проектах осередку QA інтегрують також маркування, пакування та лазерне гравіювання. Після позитивного результату система автоматично друкує етикетку з DMC-кодом, записує серійний номер у базу й передає деталь до наступної операції. Увесь процес відстежується в eDHR, що спрощує аудити та рекламації.

Важливим є ергономіка. Оператори мусять мати доступ до панелі, швидку зміну рецептур та перегляд фото. Інтуїтивні повідомлення скорочують час реакції й мінімізують помилки. Тому все частіше застосовують сенсорні інтерфейси з 3D-візуалізацією деталі та кроками реакції.

Камери, оптика та освітлення

Підбір оптики — половина успіху. Треба врахувати розмір деталі, робочу відстань, глибину різкості та відблиски. Блискучі пластмаси вимагають розсіяного освітлення (куполі), матові – спрямованого. Для прозорих елементів застосовують коаксіальне освітлення, поляризацію чи лазерні лінії.

Камери мусять мати достатню роздільну здатність для специфікації дефекту (наприклад, задирок 0,1 mm вимагає пікселів 0,03–0,05 mm). У високошвидкісних застосунках корисні сенсори global shutter та інтерфейси 10GigE/CoaXPress, що передають зображення зі швидкістю кількох сотень fps. Варто забезпечити резервування – дві камери з різними кутами огляду підвищують надійність детекції.

Не можна ігнорувати умови експлуатації: температура, пил, вібрації. Для осередків термопластавтоматів популярні камери в корпусах IP65, а LED-підсвічувачі з повітряним охолодженням. Усі компоненти мусять бути доступними для ТО без тривалих простоїв.

ШІ, алгоритми та програмне забезпечення

Серце системи — програмне забезпечення. Класичні інструменти машинного зору все ще застосовуються для простих дефектів, але тренд очевидний: ШІ. Моделі нейронних мереж можуть виявляти не тільки бінарні дефекти, а й класифікувати їх тип, інтенсивність та ймовірну причину.

Можливості моделей нейронних мереж:

• Виявлення бінарних дефектів (pass/fail)
• Класифікація типу дефекту
• Оцінка інтенсивності вади
• Ідентифікація ймовірної причини

Для тренування використовуються сотні фото добрих і дефектних деталей. Постачальники, такі як Tederic Smart Vision, пропонують готові AutoML-пайплайни, які автоматично підбирають архітектуру моделі та валідують її ефективність.

Системи ШІ потребують управління версіями (ModelOps). Кожна модель має параметри, дату впровадження, діапазон чинності. Після зміни прес-форми чи матеріалу потрібно провести повторну валідацію. Дані з поточного виробництва слугують зворотним зв’язком, дозволяючи безперервне навчання (continuous learning). У проектах з високою відповідальністю застосовують комбінацію ШІ та класичних правил для забезпечення інтерпретовності рішень.

Програмне забезпечення QA також має інтегруватися з MES/MOM. Результати інспекції беруть участь у SPC, оновлюють карти контролю, запускають коригувальні дії, а при перевищенні показників PPM автоматично блокують партію. Завдяки цьому процес замкнений, а реакція — миттєва.

Все частіше QA стає елементом платформ даних. На практиці це дає змогу будувати кокпіти KPI: розподіл дефектів по гніздах, теплові карти якості в часі, порівняльні аналізи змін. Ці самі дані можна використовувати в проектах Six Sigma, швидше переходячи від спостереження до коригувальних дій.

Ключові технічні параметри

Під час вибору системи варто аналізувати:

• Роздільна здатність і межа виявлення — які найменші дефекти буде виявлено.
• CT (час циклу) — чи інспекція уміститься в доступній паузі циклу.
• FP/FN — відсоток хибних відхилень і пропусків; зазвичай прагнуть до <0,2%.
• Температурна стабільність — вплив змін умов на якість зображення.
• Масштабованість — можливість додавання нових камер, моделей ШІ, гнізд.
• Інтеграція — підтримка OPC-UA, MQTT, REST, зв’язок з MES та цифровим двійником.

Ці параметри потрібно вимірювати як під час FAT/SAT, так і в експлуатації. Регулярні аудити допомагають підтримувати заявлену ефективність і є обов’язковими для клієнтів OEM. Варто документувати кожен етап — від калібрування до оновлень програмного забезпечення.

У проектах із ШІ додатково потрібно аналізувати так званий дрейф даних. Якщо розподіл вхідних даних змінюється з часом (інші кольори гранул, нові варіанти), модель може втрачати ефективність. Моніторинг дрейфу та автоматичні сповіщення дозволяють швидко запустити процес повторного навчання.

Застосування та кейс-стаді

Системи QA застосовуються в багатьох секторах:

• Автомобільна промисловість — контроль елементів інтер’єру, освітлення, роз’ємів, компонентів ADAS. Потрібен PPM нижче 10.
• Медицина — шприци, елементи інсулінових помп, корпуси пристроїв. Ключова — валідація 21 CFR Part 11.
• Побутова техніка та електроніка — елементи фасадів, декорів, мембранних клавіатур, компонентів акумуляторів.
• Преміум-упаковка — повне усунення подряпин і плям, поєднання контролю з цифровим друком.
• Рекілингові пластмаси — моніторинг кольористики та включень у партіях PCR.

Приклад: виробник споживчих компонентів впровадив систему Tederic Smart Vision, що поєднує камеру 12 МП, ШІ та ваги контролю.

Ключові показники ROI:

• Час реакції: з 50 хвилин до <5 хвилин
• Зменшення дефектів: з 3,2% до 0,3%
• Хибні відхилення: <0,1%
• Покращення OEE: 40%

Інший випадок — медична компанія, де система 3D + IR моніторить 32 гнізда шприців — у результаті PPM = 0,8 і скоротили валідацію PPAP на 40%.

Дані QA також використовуються в передбачувальному обслуговуванні. Якщо система помітить тренд погіршення якості (наприклад, зростання кількості мікротріщин), генерує сервісне завдання та передає параметри до двійника процесу. Завдяки цьому можна запланувати шліфування гнізд чи заміну сопел, перш ніж дефект стане критичним.

Цікавий також кейс косметичної компанії, яка використовує гіперспектральні камери для перевірки однорідності кольору елементів з PCR. Система, пов’язана з ШІ, оцінює відхилення ΔE і спрямовує частину деталей на відновлення, перш ніж вони потраплять до преміум-клієнта. Це дозволило підтримувати стабільність кольору попри коливання якості рециклату.

Як обрати систему inline-контролю та ШІ?

Рішення варто базувати на матриці вимог:

1. Визначте критичні дефекти та допустимий PPM.
2. Визначте геометрію, матеріал і оптику деталі (блиск, прозорість).
3. Перевірте час циклу та доступне вікно для інспекції.
4. Оцініть інфраструктуру — чи є місце для лінійної станції, чи краще інтегрувати камеру на робото.
5. Врахуйте регуляторні вимоги (FDA, IATF, ISO 13485) та формат звітів.
6. Оберіть платформу ШІ з прозорим процесом навчання та валідації.

Далі реалізують POC/пілот. Рекомендується щонайменше 2-3 тижні тестів, під час яких збирають дані з реального виробництва (різні варіанти, кольори, включення). Після позитивного результату проект переходить до індустріалізації. Важлива співпраця між відділами якості, автоматики та IT — без цього інтеграція з MES чи ERP буде складною.

Під час вибору постачальника зверніть увагу на наявність сервісу, можливість віддаленої підтримки, програми навчання та ліцензування. Варто також визначити, хто відповідає за оновлення моделей ШІ та чи фото-знімки залишаються на підприємстві (аспекти IP/RODO).

Зрілі за якістю компанії також створюють дорожню карту. Визначають, які проекти контролю реалізують першими, які KPI покращать і як система QA вписується в стратегію цифрового двійника. Це дозволяє уникнути випадкових інвестицій і будувати цілісну екосистему.

Обслуговування та валідація системи

Система QA, як і термопластавтомат, потребує регулярних оглядів. Треба встановити графік: щоденне очищення оптики, тижневі перевірки налаштувань, місячне калібрування та огляд програмного забезпечення, річна повторна валідація. Кожен етап має бути задокументований і пов’язаний з процедурами ISO.

Моделі ШІ потрібно оновлювати разом зі змінами прес-форм, матеріалів чи поверхневих обробок. Найкраще підтримувати бібліотеку референсних даних, до якої можна повернутися у разі рекламацій. Впровадження політики «golden sample» (еталонні зразки) спрощує калібрування та контроль узгодженості результатів між змінами.

Варто також впровадити моніторинг стану QA-комірки: датчики температури корпусів, вологості, вібрацій. Завдяки цьому система сама повідомляє про умови, які можуть вплинути на якість зображення. У поєднанні з CMMS можна автоматично генерувати заявки на обслуговування, як у передбачувальному обслуговуванні термопластавтоматів.

На регульованих заводах (медичні, авіаційні) обов’язкове ведення валідації IQ/OQ/PQ та документації змін. Варто використовувати цифрові інструменти підпису та репозиторії версій, щоб скоротити час оглядів і легше довести, що система працювала за процедурою протягом усього життєвого циклу.

Підсумок

Inline-контроль якості з підтримкою ШІ стає новим стандартом у переробці пластмас. Дозволяє досягти цілей нуль дефектів, задовольняти вимоги клієнтів і звітувати дані в реальному часі. Ключ — правильний підбір технології, інтеграція з наявною інфраструктурою та систематичне обслуговування. Компанії, які впровадять розумні системи машинного зору вже зараз, отримають конкурентну перевагу, скоротять час реакції на проблеми та підвищать довіру клієнтів. В еру цифровізації якість — не додаток, а основа сталого розвитку та рентабельності.