سامانة ضد خطا براي فرايند همبندي تلمبة روغن در خط توليد موتور با استفاده از رويكرد بينايي ماشين

Poka-Yoke system for oil pump assembly process in engine production line using machine vision approach

اين مقاله به ارائة روشي براي تشخيص خطاي همبندي تلمبة روغن موتورهاي ملي با استفاده از رويكرد بينايي ماشين با هدف كاربرد در خط توليد موتور مي پردازد. بدين منظور در ابتدا آزمون هاي عكسبرداري بر روي بدنة موتورهاي EF7 و EF7+ با تلمبه هاي روغن مختص به خود در دو حالت همبندي درست و اشتباه انجام شد. بدين صورت كه همزمان با قرار گرفتن بدنة موتور در ايستگاه مونتاژ اويل پمپ، سيگنالي از اتوماسيون خط توليد دريافت و عمليات تصويربرداري توسط يك دوربين 8 مگاپيكسل متصل به پردازنده به طور خودكار صورت گرفت. سپس تصاوير اخذ شده توسط رسپبري پاي و زبان برنامه نويسي پايتون پردازش شدند. پردازش تصاوير بر اساس ويژگي‌هاي ظاهري بدنة موتور و تلمبة روغن توسط روش پردازش تصاوير رنگي صورت گرفت. با توجه به وجود دو نوع موتور و تلمبة روغن مختلف، چهار كلاس مختلف ايجاد شد كه در دو كلاس، عمليات همبندي به درستي و در دو كلاس ديگر به اشتباه صورت گرفت. نتايج تحليل نشان داد كه روش ارائه شده قادر به تشخيص و تفكيك همبندي درست از اشتباه تلمبة روغن با دقت 100 درصد بود. همچنين نتايج پياده سازي سامانة بينايي ماشين در خط توليد نشان داد كه كل مجموعة فرايند تشخيص از مرحلة تصويربرداري تا اجراي تصميم توسط عملگر، تنها 2 ثانيه به طول انجاميد. لذا مي توان نتيجه گرفت كه اين روش مي تواند به عنوان يك سامانة برخط ضدخطا براي ايستگاه همبندي تلمبة روغن در خط توليد موتور استفاده شود.

This paper presents a method for online detection of the assembly error of engine oil pump using machine vision approach with the aim of application in the engine production line. For this purpose, photography tests were firstly performed on the body of EF7 and EF7+ engines with their own oil pumps in two correct and incorrect assembly states. In this way, while the engine body was located in the oil pump assembly station, a signal from the production line automation was received and imaging operation was automatically performed by an 8-megapixel camera attached to the processor. The captured images were then processed by Raspberry pi and the Python programming language. Image processing was carried out based on the apparent characteristics of the engine body and oil pump using color image processing method. Due to the existence of two different engines and oil pumps, four different classes were created that in two classes, the assembly was done correctly and in two other classes, it was done incorrectly. The results of the analysis showed that the presented method was able to detect and differentiate the correct and incorrect oil pump assembly with 100% accuracy. Also, the results of implementing the machine vision system on the production line showed that the whole set of the detection process from the imaging stage to the execution of the decision by the actuator took only 2 seconds. Therefore, it can be concluded that this method can be used as an online Poka-Yoke system for the oil pump assembly station in the engine production line.