Основы цифровой обработки сигналов в автоматизированных системах контроля качества

Расширение контроля качества с помощью цифровой обработки сигналов

Цифровая обработка сигналов (DSP) стала краеугольным камнем современных автоматизированных систем контроля качества, позволяющих производителям проверять, измерять и проверять продукты с беспрецедентной точностью и скоростью. От автомобильных сборочных линий до фармацевтической упаковки DSP превращает необработанные данные датчиков в действенные идеи, которые обеспечивают стабильное качество, сокращают отходы и снижают эксплуатационные расходы. В этой статье рассматриваются фундаментальные принципы DSP, его основные компоненты, практические применения в различных отраслях промышленности и новые тенденции, которые обещают переопределить автоматизированную проверку. Независимо от того, являетесь ли вы инженером, проектирующим новую систему QC или менеджером, оценивающим модернизацию технологий, понимание DSP необходимо для сохранения конкурентоспособности в производственной среде, основанной на данных.

Понимание цифровой обработки сигналов

От аналога к цифровому: Фонд

В основе DSP лежит преобразование непрерывных аналоговых сигналов, таких как напряжение от микрофона, интенсивность света от датчика камеры или ускорение от пьезопреобразователя, в дискретные цифровые значения. Этот процесс, известный как аналого-цифровое преобразование (ADC), измеряет сигнал с конечной скоростью (частота выборки) и количественно оценивает его амплитуду в конечное число битов. Теорема выборки Nyquist-Shannon диктует, что частота выборки должна быть по крайней мере в два раза выше самой высокой частоты, присутствующей в сигнале, чтобы избежать псевдонимирования, искажения, которое вводит ложные низкочастотные компоненты. Системы контроля качества обычно используют антисглаживающие фильтры перед выборкой, чтобы гарантировать чистое цифровое представление.

Основные операции: фильтрация, трансформация и извлечение функций

После оцифровки сигналы обрабатываются с использованием математических алгоритмов, которые могут быть реализованы в режиме реального времени на FPGA, DSP-чипах или графических процессорах.

• Фильтрация: Цифровые фильтры (конечный импульсный отклик, FIR или бесконечный импульсный отклик, IIR) удаляют шум, изолируют конкретные полосы частот или компенсируют нелинейности датчиков. Например, фильтр с низким пропуском может устранить высокочастотный вибрационный шум от показания акселерометра при сохранении низкочастотной сигнатуры структурного дефекта.
• Трансформация: Трансформации, подобные Fast Fourier Transform (FFT), преобразуют сигналы временной области в представления частотной области, выявляя периодические паттерны, гармоники и резонансы, которые невидимы в исходных данных. Спектральный анализ жизненно важен для выявления износа подшипников в двигателях или обнаружения неоднородности материала.
• Вытяжка характеристик: Алгоритмы извлекают осмысленные дескрипторы — градиенты на краях изображений, пиковые амплитуды в спектрах вибрации, мель-частотные цепстральные коэффициенты в акустических сигналах — которые служат входами для классификаторов или правил принятия решений.

Основные компоненты систем контроля качества на основе DSP

Датчики и приобретение данных

Качество любой системы DSP начинается с цепочки датчиков. Промышленные приложения используют широкий спектр датчиков: CMOS или CCD камеры для визуального осмотра, лазерные датчики смещения для измерения размеров, микрофоны для акустического анализа, термопилы для теплового картирования и акселерометры для мониторинга вибрации. Аппаратное оборудование для сбора данных должно обрабатывать несколько каналов, синхронизировать выборку и доставлять потоки данных с низкой задержкой на процессор. Высокопроизводительные системы часто используют одновременную выборку при 1 МС / с или более, с 16-битным или 24-битным разрешением для захвата тонких вариаций.

Аналоговая цифровая конверсия (ADC)

Производительность ADC напрямую влияет на точность измерения. Ключевые параметры включают разрешение (количество битов), скорость отбора проб, динамический диапазон и отношение сигнал-шум (SNR). В контроле качества 12-битный ADC является общим для многих приложений, в то время как высокоточная метрология может требовать 16 или 24 бит. Пересбор проб и усреднение могут улучшить эффективное разрешение за счет снижения пропускной способности. Современные преобразователи сигма-дельта предлагают высокое разрешение и присущее сглаживание, что делает их популярными для низкочастотных измерений, таких как температура или напряжение.

Фильтрация и снижение шума

Сырье датчиков неизменно загрязняется шумом от электромагнитных помех, механических колебаний, сенсорного самошумов и ошибок квантования. DSP предоставляет набор инструментов для фильтрации стратегий:

• Скользящие средние фильтры сглаживают случайный шум, но могут размыть острые края.
• Медиафильтры отлично справляются с устранением импульсного шума (например, от статических разрядов) при сохранении краев.
• Пункт-пропускные фильтры изолируют конкретные диапазоны частот, представляющие интерес, такие как резонансный пик компонента, подвергающегося тесту на кран.
• Адаптивные фильтры корректируют коэффициенты в режиме реального времени для отмены шума, который изменяется в зависимости от условий работы, таких как фоновый гул в системе контроля звука.

Правильная конструкция фильтра имеет решающее значение: чрезмерная фильтрация может удалить подлинные сигнатуры дефектов, в то время как недостаточная фильтрация оставляет шум, который вызывает ложные тревоги.

Особенности техники экстракции

Извлечение признаков снижает размерность сигнала и выделяет информацию, наиболее релевантную для качественных решений. В системах на основе изображений общие черты включают:

• Очки и контуры (с использованием операторов Собел, Канни или Лаплациана).
• Дескрипторы текстуры (GLCM, фильтры Габора).
• Статистические моменты (средний, дисперсия, перекос) интенсивности пикселей.

Для одномерных сигналов (вибрация, звук, ток) особенности включают пиковые величины, значения RMS, гребной коэффициент, куртоз и спектральные центроиды.В последние годы стали популярными представления о временной частоте, такие как кратковременное преобразование Фурье и вейвлет-преобразования для захвата переходных событий, таких как щелчок трещинной части.

Алгоритмы принятия решений: от порогов к машинному обучению

После извлечения признаков правило принятия решения определяет, проходит продукт или выходит из строя. Простые системы используют фиксированные пороги (например, «отклонить, если пик вибрации превышает 0,5 г»), в то время как более сложные системы используют пределы статистического управления процессом (SPC). Все чаще классификаторы машинного обучения — машины поддержки векторов, случайные леса или сверточные нейронные сети — обучаются на меченных векторах признаков, чтобы отличать хорошие части от дефектов с высокой точностью. предварительная обработка DSP остается необходимой даже в трубопроводах глубокого обучения для нормализации данных и удаления артефактов.

Ключевые приложения в разных отраслях

Визуальная инспекция и машинное зрение

Машинное зрение является наиболее распространенным применением DSP в контроле качества. Камеры захватывают изображения продуктов с высокой пропускной способностью, а алгоритмы DSP выполняют такие задачи, как:

• Обнаружение дефектов поверхностей: Идентификация царапин, вмятин, ям или обесцвечивания на автомобильных панелях, электронных досках или упаковке пищевых продуктов.
• Наличие и ориентация объекта: Проверка правильности размещения и ориентации компонентов перед сборкой.
• Баркод и OCR считыванием: Декодирование печатных кодов на скорости строки.
• Анализ цвета: Обеспечение соответствия печатных этикеток исходному цветовому профилю в пределах допуска.

Современные системы зрения часто используют камеры сканирования области или линии с разрешением от 2 до 50 мегапикселей. Обработка на основе FPGA позволяет фильтровать в реальном времени и извлекать функции на тысячах деталей в минуту. Например, типичная система проверки электроники использует комбинацию фильтрации с высоким пропуском для подчеркивания краев припоя, анализа капель для определения местоположения компонентов и сопоставления шаблонов для проверки правильной сборки.

Точное измерение

Датчики лазерной триангуляции и интерферометры измеряют расстояние, толщину и профиль с точностью до микрона. DSP обрабатывает отраженную лазерную линию для извлечения пиковых положений, правильного для различной поверхностной отражательной способности и среднего многократного сканирования для снижения шума. В цилиндрическом шлифовальном приложении алгоритмы DSP вычисляют диаметр вращающегося вала в режиме реального времени, позволяя обратную связь с шлифовальным колесом для управления замкнутым контуром. Подобные методы используются для оценки концентричности подшипников, плоскости стеклянных панелей и округлости экструдированных труб.

Вибрация и акустический анализ

Мониторинг вибрации является проверенным методом обнаружения механических дефектов, таких как несоответствие, дисбаланс, неисправности подшипников и износ оборудования. Методы DSP, применяемые в этой области, включают:

• Анализ контура: Демодулирование высокочастотных несущих сигналов для выявления низкочастотных воздействий (например, от лопаточного подшипника).
• Анализ порядка: Отслеживание вибрационных компонентов при кратных скоростях вращения вала для отделения синхронных от несинхронных сигналов.
• Акустическое излучение: Прослушивание высокочастотных волн напряжения, генерируемых ростом трещин или выходом материала.

В автомобильном производстве автоматизированные акустические испытательные станции слушают звук коробки передач по мере ее работы; DSP вычисляет спектральную подпись и сравнивает ее с известным «хорошим» рисунком. Отклонения указывают на ненормальную сетку или чрезмерный клиренс.

Спектральный анализ для проверки материалов

Спектроскопия ближнего инфракрасного диапазона (NIR), рамановская спектроскопия и гиперспектральная визуализация полагаются на DSP для анализа спектрального содержания света, отраженного или передаваемого материалом. Путем идентификации пиков поглощения на характерных длинах волн эти системы проверяют химический состав, содержание влаги или загрязнение. Например, фармацевтическая система инспекции таблеток использует DSP для вычисления второго производного спектра NIR и сравнения его с библиотекой приемлемых составов - отбрасывая таблетки с неправильной концентрацией активного ингредиента.

Термическая обработка сигналов

Инфракрасные камеры и термопарные массивы генерируют тепловые изображения или данные о температуре временных рядов. Фильтрация DSP удаляет дрейф температуры окружающей среды, а извлечение признаков обнаруживает горячие точки, которые указывают на плохие электрические соединения, недостаточное охлаждение или расслоение в композитных материалах. В активной термографии применяется преходящий тепловой импульс, и DSP анализирует кривую охлаждения для обнаружения подповерхностных дефектов, таких как пустоты или дебонды.

Преимущества перед традиционными методами проверки

Переход от ручного визуального контроля или простых датчиков go/no-go к автоматизированным системам на основе DSP обеспечивает измеримые преимущества:

• Повышенная точность и повторяемость: Алгоритмы DSP последовательно применяют одни и те же критерии в миллионах частей. Ручная проверка страдает от усталости оператора и субъективного суждения, тогда как хорошо откалиброванная система DSP может обнаруживать дефекты размером всего несколько микрометров или несколько децибел практически без дрейфа.
• Скорость в реальном времени: Выделенное оборудование DSP (FPGA, многоядерные DSP) может обрабатывать тысячи сенсорных каналов одновременно, что позволяет проводить 100%-ный встроенный контроль даже на высоких скоростях (например, 1000 бутылок в минуту).
• Многомерный анализ:] Одна система DSP может объединять данные от нескольких датчиков — зрения, вибрации, температуры — и сплавлять их, чтобы принять более надежное решение. Например, двигательная установка может пройти визуальный осмотр, но не пройти вибрационное тестирование; комбинированная система DSP может пометить устройство для переделки.
• Эффективность затрат: Хотя первоначальные инвестиции в датчики и оборудование для обработки нетривиальны, сокращение лома, снижение затрат на переработку и снижение возврата клиентов быстро компенсируют расходы. Исследование Deloitte по управлению качеством отмечает, что производители с передовым автоматизированным контролем сообщают о до 40% более низких соотношениях затрат на качество.
• Отслеживаемость данных: Каждое измерение регистрируется в цифровом виде, что позволяет анализировать первопричины, отслеживать тенденции и соблюдать нормативные стандарты (ISO 9001, FDA 21 CFR Part 11).

Новые тенденции в DSP для контроля качества

Усовершенствованный DSP

Машинное обучение все больше интегрируется с традиционными DSP-проводниками. Вместо того, чтобы полагаться на ручные пороговые правила, сверточные нейронные сети (CNN) могут изучать оптимальные фильтры и экстракторы признаков непосредственно из данных обучения. Это особенно эффективно для таких задач, как классификация поверхностных дефектов, где традиционные подходы, основанные на правилах, борются с вариациями освещения, текстуры и морфологии дефектов. Однако чистое глубокое обучение может быть голодным и непрозрачным. Гибридные системы, которые сочетают предварительную обработку на основе DSP (например, денозирование вейвлетов, фильтрация Габора) с классификацией CNN часто достигают более высокой точности с меньшим количеством данных обучения. Обзор DSP MathWorks показывает, как банки фильтров и спектральный анализ могут поступать в нейронные сети для обнаружения ошибок в вращающихся машинах.