Gjennom M-AI har Applica utviklet en AI-algoritme for automatisk kvalitetsinspeksjon av robotisert sveis.

AI for kvalitetsinspeksjon av sveis

Pioneer Robotics leverer robotiserte sveieløsninger for flere anvendelser. En slik anvendelse er WelderMate: en robotisert sveiseløsning for smelteverksindustrien som står i et tøft arbeidsmiljø inne i smelteverkets hjerte.

Selv om roboten har erstattet store deler av behovet for menneskelige operatør i dette arbeidsmiljøet, må det i dag likevel gjøres en manuell inspeksjon av hver utført sveis. Når en sveiser utfører sitt håndtverk gjør han kontinuerlig justeringer av blant annet hastigheter, avstander, vinkler og bevegelsesmønster, for å kompensere for et stort antall faktorer, som temperatur, fuktighet, gassflyt etc. Dette gjøres både bevisst og ubevisst, basert på lang erfaring.

I dette lille forprosjektet har Applica utviklet en algoritme som vil utføre denne inspeksjonen ved hjelp av maskinsyn og maskinlæring.

Eksempler på tre forskjellige sveiser utført av WelderMate roboten: rundsøm, ribbe og luke.

WelderMate

Utviklet i samarbeid med MOMEK Group, Pioneer Robotics og Applica Robot Integration.
Første prototype lansert av MOMEK group i 2019.
En kollaborativ robot tillater samarbeid med operatører.
Bruker 3D maskinsyn for nøyaktig posisjonering av sveisebaner.
Logger store mengder data for hver sveisejobb til skyen med en IoT-løsning.

Metode

Roboten tar bilde av hver utførte sveis, fra to ulike vinkler. AI-algoritmen som ble tatt i bruk består av et nevralt nettverk av typen Convolutional Neural Network. Denne typen nettverk er inspirert av hvordan menneskelig synsnerver fungerer, og har en rekke anvendelser innen maskinsyn.

I vårt tilfelle ble algoritmen trent opp med bilder av godkjente og underkjente sveisejobber. Oppgaven til nettverket var å skille mellom disse to klassene.

Utviklet arkitektur av nevralt nettverk for kvalitetsinspeksjon av sveis

En klassisk problemstilling innen AI, som også rammet dette prosjektet, er mangel på data. Vi klarte å komme rundt dette ved å ta i bruk data-augmentering. Det vil si at for hvert bilde av en utførst sveis, genererte vi 100+ varianter av bildet. Hver variant hadde en liten forvrengning, endring i lysnivå, forstørrelse eller andre justeringer. På denne måten sikrer man seg mot at AI-algoritmen overtilpasses treningsdataen, når datamengden ikke er så stor som man skulle ønske.

Eksempel på dataaugmentering.

Resultater

Med en validering på 203 sveiser oppnådde algoritmen en nøyaktighet på 93%. Vi forventer at dette tallet stiger etter hvert som algoritmen kontinuerlig lærer av ny data blir tilgjengelig.

Resultater av validering