Torutootmisliini kvaliteedikontrolli automatiseerimine kasutades masinnägemist ettevõtte X näitel

Abstract

Käesoleva lõputöö eesmärk oli töötada välja ettevõtte X uuele polüetüleenist (PE) mahutorude tootmisliinile masinnägemisel põhineva kvaliteedikontrolli automatiseerimise ettepanek ning hinnata selle rakendamise eeldusi ja oodatavat kasu. Töö käsitleb tootmismahtude suurendamise vajadust ning sellega seotud väljakutseid olukorras, kus uue tootmisliini lisandumisel tuleb tagada mitme liini opereerimine olemasoleva tööjõuga (k.a öövahetustes) ning kvaliteedikontroll tugineb suures osas operaatori visuaalsele hinnangule. Töö fookuses on traditsiooniliste ja AI-põhiste masinnägemislahenduste tutvustamine, et hinnata nende sobivust defektide varajaseks tuvastamiseks ja operaatori toetamiseks. Töö teoreetilises osas käsitleti automatiseerimise ja targa tööstuse põhimõtteid ning masinnägemissüsteemide toimimist ja rakendusvõimalusi tootmiskeskkonnas. Empiirilises osas kaardistati ettevõtte X hetkeolukord, tootmisprotsessi pudelikaelad, operaatorite ja kvaliteedikontrolli töökorraldus. Andmete kogumisel kasutati ettevõttesiseseid tootmisandmeid, tootmisprotsessi vaatlusi ning mittestruktureeritud intervjuusid operaatorite, tootmisjuhi ja tehnikajuhiga, et kirjeldada reaalseid töövõtteid, ajakulu, kvaliteediriske ja parendusvajadusi. Analüüsi tulemusel selgus, et operaatori töö sisaldab märkimisväärses mahus kõrvaltegevusi, mille tõttu võib jääda protsessi kvaliteedi kõrvalekallete märkamine ebapiisavaks ning defektid avalduvad hilisemas etapis. Tootmisandmete põhjal hinnati valitud toodete praagi suurusjärku ja sellega seotud materjalikulu, mis näitas, et praak põhjustab ettevõttele mõõdetavat majanduslikku kahju. Töökorralduse analüüs ja automatiseerimisstsenaariumite võrdlus tõid esile, et automatiseeritud lahendused võimaldavad sama tööjõuressursi juures suurendada tootmismahtu ning hoida kvaliteedikontrolli ühtlasemana. Masinnägemise lahenduste võrdluses järeldati, et tehisintellektil põhineval kvaliteedikontrollil on ettevõtte vaates oluline potentsiaal, kuna see võimaldab paremini käsitleda defektide varieeruvust ja vähendada sõltuvust üksnes visuaalsest kontrollist. Uuringus käsitletud testuuringu kokkuvõtliku tulemuse põhjal ulatus tehisintellektil põhineva YOLOv5 kaameralahenduse defektituvastuse täpsus 99,3%-ni ning lahendus osutus praktikas suhteliselt lihtsasti treenitavaks. Töö järeldusena on kvaliteedikontrolli automatiseerimine põhjendatud esimese sammuna tehase laiema automatiseerimise suunas, kuna see mõjutab otseselt praagiriski, kvaliteedi ühtlust ning operaatori töökoormust. Soovitustena teeb autor ettevõttele ettepaneku täpsustada sobivate lahenduste nõudeid ning küsida hinnapakkumisi, et viia läbi tasuvusanalüüs ja valida tootmisliinile sobiv kaameralahendus. Masinnägemise lahenduste võrdluse põhjal sobib ruuttoru pinnadefektide (nt augud ja kriimustused) varajaseks tuvastamiseks tehisintellektil põhinev YOLOv5 lahendus, mida on ekstrusiooniprotsessis edukalt rakendatud. Kerilauale on soovitatav paigaldada 3D Cognex In-Sight L38 kaamerasüsteem, mis võimaldab hinnata keevise kvaliteeti ja tuvastada geomeetrilisi kõrvalekaldeid. Lõplik valik sõltub hinnapakkumistest, liini juhtsüsteemiga integreerimisest ning testimisest tootmiskeskkonnas. Täielikuma automatiseerituse saavutamiseks tuleb lisaks kvaliteedikontrollile arendada ka tugiprotsesse, eelkõige ladustamise korraldust, tooraine etteandesüsteemi ning saagimislahenduse täpsust. Autor täitis enda lõputöö seatud eesmärgid. The aim of this thesis, Automation of Quality Control in a Pipe Production Line Using Machine Vision: The Case of Company X, was to develop a proposal for automating machine vision–based quality control for Company X’s new polyethylene (PE) high-volume pipe product production line and to assess the prerequisites for implementation and the expected benefits. The thesis addresses the need to increase production volumes and the associated challenges in a situation where, with the introduction of a new production line, the operation of multiple lines must be ensured with the existing workforce (including night shifts), and quality control relies largely on the operator’s visual judgement. The thesis focuses on presenting conventional and AI-based machine vision solutions in order to evaluate their suitability for early defect detection and operator support. The theoretical part of the thesis examined the principles of automation and smart manufacturing, as well as the operating logic and application potential of machine vision systems in a production environment. In the empirical part, the current situation in Company X was mapped, including production process bottlenecks and the organisation of operators’ work and quality control. Data were collected using internal production data, observations of the production process, and unstructured interviews with operators, the production manager, and the technical manager in order to describe actual work practices, time consumption, quality risks, and improvement needs. The analysis showed that the operator’s work involves a significant amount of ancillary tasks, which can result in insufficient timely detection of process quality deviations and cause defects to become apparent only at a later stage. Based on production data, the scale of scrap for selected products and the associated material consumption were estimated, indicating that scrap results in measurable economic losses for the company. The analysis of work organisation and the comparison of automation scenarios highlighted that automated solutions enable increased output with the same labour resources while keeping quality control more consistent. In the comparison of machine vision solutions, it was concluded that AI-based quality control has substantial potential from the company’s perspective, as it enables better handling of defect variability and reduces reliance solely on visual inspection. Based on the summarized results of the test study considered in this thesis, the defect detection accuracy of an AI-based YOLOv5 camera solution reached 99.3%, and the solution proved to be relatively easy to train in practice. The thesis concludes that automating quality control is justified as a first step towards broader factory automation, as it directly affects scrap risk, quality consistency, and the operator’s workload. As recommendations, the author proposes that the company further specify the requirements for suitable solutions and request quotations in order to conduct a cost–benefit and payback analysis and select a camera solution appropriate for the production line. Based on the comparison of machine vision solutions, an AI-based YOLOv5 solution successfully applied in extrusion processes is suitable for early detection of surface defects (e.g., holes and scratches) on square pipes. For the coiling table, it is recommended to install the 3D Cognex In-Sight L38 camera system, which enables assessment of weld quality and detection of geometric deviations. The final selection depends on quotations, integration with the line control system, and validation in the production environment. To achieve a higher degree of automation, supporting processes should be developed alongside quality control—most notably warehousing and storage arrangements, the raw-material feeding system, and the accuracy of the cutting solution. The author fulfilled the objectives set for the thesis.