零件檢測雙「A」齊下 黑皮崩齒難逃慧眼

09 / 03 . 2021
字級:

說到電動車,第一個在你腦中浮現的會是什麼?想必很多人第一個想到的會是馬斯克當家的特斯拉(Tesla)。會有這樣的聯想其實是其來有自,特斯拉在2021年第二季的交車量又創下了新紀錄達到20萬輛,在美國、歐洲、中國這三個地區中,每100輛車當中,就有一台是特斯拉。然而,這些為地球減少燃油車一半碳排放量的純電車,卻意外出現「缺點」──少了燃油引擎的聲浪,讓齒輪運轉時出現的噪音更為明顯,讓人有點「難以接受」。

齒輪運轉時的噪音主要來自於齒輪零組件的間隙過大,運轉時無法完全契合,經濟部技術處觀察電動車產業趨勢,發現這不單是噪音問題亦是行車安全隱憂,臺灣若要於電動車產業中佔有一席之地,如何降低組裝間隙、提高生產品質是首要關鍵。以往燃油車所使用的齒輪組也因不符電動車齒輪需求,而無法通過特斯拉設下的允收標準,純電車對於齒輪組的規格要求更為嚴格。

目前臺灣有許多公司已是電動車大廠的傳動零件供應商,例如已經經營40年的本土企業[1]就負責供應減速齒輪組。臺灣的零件自然是品質保證,但隨著國際電動車市場需求持續增加,本土卻發生看得到訂單、吃不到的窘境,最主要的原因,正是因為這其中的齒輪。

由於特斯拉的齒輪箱裡用的是螺旋切齒齒輪,它不像一般常見的齒輪,兩齒之間的縫隙是直線;螺旋切齒齒輪間是斜的,而且齒度很密,增加了檢測跟組裝的困難。因為斜線的縫隙間容易有陰影,必須要人工目視確認,才知道齒輪上黑黑的地方到底是陰影,還是因為熱處理變異造成精加工預留不足而產生的「黑皮」。若無法有效檢測出這些黑皮、撞傷或崩齒等瑕疵,將無法通過特斯拉所設下的允收標準,導致退貨、失去訂單。

為了提升製造廠的檢測能力,經濟部技術處以科技專案支持「金屬成型設備與模具回饋優化技術」,其中針對高反光金屬工件開發AI表面瑕疵檢測模組,應用AOI(自動光學檢測)及AI人工智慧,雙A齊下,讓零件組裝、檢測智慧化,單顆齒輪檢測時間少一半,不僅檢測數量提升3倍、且可以24小時不打烊,同時減少零件選配組裝時間,用機器大幅降低人力負擔。

工研院機械與機電系統研究所副組長黃一萍說,AI表面瑕疵檢測模組是國內首創針對3D斜齒輪之黑皮、撞傷及崩齒瑕疵進行檢測之智慧檢測設備。由於齒輪複雜的3D螺旋切齒設計,導致傳統視覺檢測難以均勻打光,團隊因而根據專業目測員的檢驗方式,開發多視角仿生式光源佈局取像技術,利用動態調變光源技術,根據不同的齒輪與外觀,調整相機跟打光的角度,減少取圖時產生反光的問題,解決齒輪上黑皮、撞傷、瑕疵等不易發現的問題。

此模組還採用AI影像處理技術,增強黑皮、撞傷、瑕疵等影像的特徵、降低雜訊影響,並透過空間域擷取局部解析特徵,以獲得大範圍特徵,搭配時頻域分析後之特徵強化影像,再進行複合域CNN架構,建立齒輪瑕疵檢測模型,讓原本不好判別的缺陷能涇渭分明,還可以相對降低運算量、縮短訓練時間,讓檢測更智慧化。

此外,每批齒輪公差不一,在產線上需要仰賴人工檢測再進行選配,一旦無法匹配造成卡齒,只能拆掉重裝,又是一番功夫。在組裝部分,則導入製程可視化與適配最佳化分析,透過檢測時的公差分析,將間隙值相近的齒輪先做分類,對不同公差值的零件進行最佳化匹配,提供組裝公差分析與最佳化適配建議,以確保組裝的齒輪間匹配的間隙可以達到與設計值最接近的狀態,這樣一來,組裝時就可以減少不合的狀況,縮短組配時間與工件加工成本,優化組裝品質與一致性,減少廢品產生,提升產能與效益。

這項技術幫助本土企業解決了一個大煩惱,廠商也「好康到相報」推薦自己的上、下游廠商採用這套技術平台,一起提升效能搶國際大訂單。事實上,AI表面瑕疵檢測模組不只可以用在零件製造,像是木製品的紋路分析還有食品廠的餡料辨識,都逃不過雙A的「慧眼」,未來可望延伸到食衣住行中,讓各行各業效能百倍。

[1] 本土股份有限公司,主營齒輪外銷,主要供應歐美大廠齒輪及傳動元件。