金属製造中的辊印和褶皱缺陷偵測
在金属轧制操作中，辊印和褶皱等表面缺陷可能严重影響產品品質和盈利能力。单個損壞的轧辊可能在問題被發現之前生產數千米有缺陷的材料。當目視檢測發現這些缺陷時，已經浪費了大量材料，損壞的轧辊可能已經在整個轧機中造成了次生問題。
AI驅動的視覺檢測正在彻底改變金属製造商檢測和預防辊印和褶皱的方式，在問題發展成重大品質和成本問題之前即時捕獲缺陷。
AI視覺系統在金属轧制操作期間即時檢測辊印和褶皱。
瞭解辊印和褶皱
辊印和褶皱是金属成形過程中發生的不同類型缺陷。瞭解它們的特徵和根本原因對於有效檢測和預防至關重要：
辊印（壓印缺陷）
定義：由轧機辊筒上的不規則性引起的金属表面周期性圖案或凹痕。
外观：與辊筒圆周對應的重複線條、脊或凹陷。可以是纵向的（平行於轧制方向）或横向的（垂直於轧制方向）。
根本原因：
- • 損壞或磨損的辊筒表面（碎片、沟槽、磨損圖案）
- • 嵌入辊筒表面的異物
- • 熱膨胀造成辊筒直径不均匀
- • 轴承错位導致辊筒振動
- • 润滑不當導致金属轉移
影響：影響表面光洁度品質，严重時降低材料強度，導致A級表面應用拒收，并指示辊筒維護需求。
褶皱（屈曲缺陷）
定義：由超過材料抗屈曲能力的壓應力引起的金属表面波状變形或折疊。
外观：不規則的褶皱、波浪或屈曲區域。通常出現在邊緣附近（邊緣褶皱）或帶材中心（中心褶皱）。
根本原因：
- • 厚度分布不均匀（凸度/弯曲問題）
- • 宽度控制中邊緣減薄過度
- • 帶材宽度上的温度梯度
- • 張力控制問題（後張力不足）
- • 材料效能變化（屈服強度差異）
- • 单道次壓下量過大
影響：使材料對大多數應用不可用，導致下游加工問題（塗層、冲壓），表明需要立即纠正的根本性轧制工藝問題。
延遲檢測的代價
辊印和褶皱说明了小問題如何快速升級為重大财務損失：
真實場景
一家以500米/分钟運行的鋼鐵厂，如果有損壞的轧辊，僅一小時就可能生產30公里的缺陷材料。如果缺陷只在每2小時的品質抽樣時才被發現，轧機已經生產了價值$150,000-$300,000的60公里廢料，具體取决於材料等級。
此外，損壞的轧辊可能已對其他轧辊造成次生損壞、轴承振動損壞或需要額外轧機停機重新校準的尺寸變化。
单次未檢測到的辊印事件的總影響可能超過$500,000，包括廢料、停機和維護成本。
AI視覺：即時辊印和褶皱檢測
Overview.ai OV80i視覺系統將深度學習AI直接帶到轧制線，實現生產速度下的100%连續檢測：
自適應模式識別
與寻找特定阈值的基於規則的系統不同，AI模型学习可接受表面變化與真正缺陷之間的差異：
- 材料特定学习：在您特定的鋼材等級、铝合金或其他金属上訓練的模型瞭解正常表面特徵
- 缺陷演變跟踪：在辊印變得严重之前檢測其發展的最早迹象
- 模式分析：識別指示轧辊問題的周期性缺陷與其他原因的随機缺陷
- 多尺度檢測：在单次檢測中同時捕獲大褶皱和細微辊印
全宽度连續檢測
OV80i可設定多台相機以實現帶材的完整覆蓋：
ROI：成本節约和品質改進
實施AI視覺檢測的鋼鐵和铝厂通常在3-6個月內實現ROI：
直接成本削減
- • 廢料減少：缺陷相關廢料減少70-90%
- • 防止降級：在材料降級為低價值產品之前捕獲缺陷
- • 消除返工：即時檢測防止下游返工需求
- • 客戶退货：品質相關退货和索赔減少95%
營運改進
- • 預測性維護：早期檢測轧辊損壞防止灾難性故障
- • 減少停機：更少的紧急停機和更快的問題诊斷
- • 劳動力重新分配：品質檢查員專注於問題解决而非例行檢查
- • 工藝最佳化：資料驅動的參數調整改善整體品質