УДК 658.562:004.896:621.86
DOI: 10.36871/ek.up.p.r.2025.12.18.022

Авторы

Т. Т. Апкарова,
З. А. Алгираева,
Грозненский государственный нефтяной технический университет имени академика М. Д. Миллионщикова, Грозный, Россия

Аннотация

Развитие цифровых производственных экосистем актуализирует проблему автоматизированного контроля качества для номенклатурно-изменчивых продуктовых линеек, характерных для мелкосерийных и заказных производств. Целью исследования является разработка методологии внедрения адаптивных аппаратно-программных комплексов (АПК) распознавания дефектов, способных к реконфигурации при смене контролируемой детали без полного перепроектирования системы. В работе проанализированы ограничения классических систем машинного зрения, обусловленные жесткостью настройки и требованием к обширным однородным обучающим выборкам, неприменимым в условиях высокой вариативности производственного цикла. Предложена архитектура гибридного АПК, интегрирующего модуль высокоточного оптического сканирования с изменяемой геометрией, вычислительный блок на базе графических процессоров и программную платформу, сочетающую предобученные нейросетевые модели для выделения областей интереса и малоразмерные обученные на лету классификаторы для специфичных дефектов. Ключевым элементом методологии является формализованный процесс адаптации, включающий этапы семантической сегментации эталонной 3D-модели новой детали, генерации синтетических дефектов с учетом физики их возникновения и активного дообучения системы на ограниченной выборке реальных артефактов. Практическая апробация проведена на производственной площадке, выпускающей прецизионные компоненты для аэрокосмической отрасли. Внедрение предложенного комплекса позволило сократить время переналадки системы контроля в среднем на 73%, повысить полноту выявления дефектов (recall) до 0.94 при точности (precision) 0.89 для десяти различных типов деталей. Достигнуто снижение доли ложных отбраковок на 40% по сравнению с рутинным визуальным контролем. Результаты свидетельствуют о высокой эффективности предложенного подхода для задач обеспечения качества в контексте экономически обоснованной гибкой автоматизации. Достигнуто снижение доли ложных отбраковок на 40% по сравнению с рутинным визуальным контролем. Экономический анализ показывает, что ключевым преимуществом методологии является перевод высоких переменных затрат на перенастройку в постоянные управляемые расходы, что кардинально меняет экономику автоматизации контроля для номенклатурно-изменчивых линий. Результаты свидетельствуют о высокой эффективности предложенного подхода для задач обеспечения качества в контексте экономически обоснованной гибкой автоматизации.

Ключевые слова

мелкосерийное производство, автоматизированный контроль качества, распознавание дефектов, гибридный аппаратно-программный комплекс, адаптивные системы машинного зрения, синтетические данные, активное обучение, промышленный искусственный интеллект

Список литературы

  1. Wang T., ChenY., Qiao M., Snoussi H. A fast and robust convolutional neural network-based defect detection model in product quality control // The International Journal of Advanced Manufacturing Technology. 2018. Vol. 94, no. 9. P. 3465–3471. https://doi.org/10.1007/s00170–017–0882–0
  2. Ferguson M., Ak R., Lee Y. — T. , Law K. H. Automatic localization of casting defects with convolutional neural networks // In: 2017 IEEE International Conference on Big Data (Big Data). Boston, MA, USA. 2017. P. 1726–1735. https://doi.org/10.1109/ BigData.2017.8258110
  3. Tabernik D., Šela S., Skvarč J . , Skočaj D. Segmentation-based deep-learning approach for surface-defect detection // Journal of Intelligent Manufacturing. 2020. Vol. 31. P. 759–776. https://doi.org/10.1007/s10845–019– 01476‑x
  4. Goodfellow I., Pouget-Abadie J., Mirza M., et al. Generative adversarial nets // Advances in Neural Information Processing Systems. 2014. Vol. 27. P. 2672–2680.
  5. Kolesnikov A. D., Vetrova M. S., Petrov I. K. Синтез обучающих данных для систем технического зрения на основе физического моделирования дефектообразования // Автоматизация и современные технологии. 2023. № 5. С. 22– 28.
  6. ГОСТ Р ИСО 5725–1–2022 Точность (правильность и прецизионность) методов и результатов измерений. Часть 1. Основные положения и определения. М.: Стандартинформ, 2022. 32 с.
  7. Settles B. Active learning literature survey // Computer Sciences Technical Report 1648. University of Wisconsin–Madison. 2009.
  8. Мышкин Н. К. Технологическая подготовка гибких автоматизированных производств: монография. М.: Машиностроение, 2020. 456 с.