Projecto ETREL: Inspección automática de defectos en tiempo real y en línea a partir de datos de múltiples fuentes y mediante el uso de máquinas de aprendizaje: contribución a la industria 4.0

UNIVERSIDAD DE VALLADOLID ESCUELA DE INGENIERIAS INDUSTRIALES G ado en Ingenie ía en Diseño Indus ial y Desa ollo de P oduc o P ojec o ETREL: Inspección au omá ica de de ec os en iempo eal y en línea a pa i de da os de múl iples uen es y median e el uso de máquinas de ap endizaje: con ibución a la indus ia 4.0 Au o : P ie o Ga cía, Isabel Responsable de In e cambio en la U a: Espe anza Ala cia Es é ez Uni e sidad de des ino: Uni e si é de Technologie de Compiègne Valladolid, eb e o 2022 2 TFG REALIZADO EN PROGRAMA DE INTERCAMBIO TÍTULO: P oje ETREL: AuToma ics inspEc ion o de ec s in eal ime and online om mul i-sou ce da a and ia he use o lea ning machines: con ibu ion o indus y 4.0 ALUMNO: Isabel P ie o Ga cía FECHA: 28/01/2022 CENTRO: Labo a oi e Robe al, Cen e Pie e Guillauma I UNIVERSIDAD: Uni e si é de Technologie de Compiègne TUTOR: Benoî Eyna d RESUMEN: El p oyec o ETREL p e ende desa olla un en oque au oma izado y econ igu able pa a el con ol en línea de los p oduc os ab icados. El p oyec o p e ende combina soluciones de ap endizaje denominadas "in eligencia a i icial" (IA) y sis emas expe os denominados "in eg ación de da os de múl iples uen es p oceden es de adquisiciones" pa a consegui lo, en piezas p oducidas en g andes se ies a g an elocidad po AML Sys ems, el socio del p oyec o PALABRAS CLAVE: Inspección Visual, Mul i-modalidad, Con ol de Calidad, Da ase 3 UNIVERSITÉ DE TECHNOLOGIE DE COMPIÈGNE LABORATOIRE ROBERVAL P oje ETREL : AuToma ics inspEc ion o de ec s in eal ime and online om mul i- sou ce da a and ia he use o lea ning machines: con ibu ion o indus y 4.0 Au o : P ie o Ga cía, Isabel Le Tu eu esponsable de l’UTC: Benoî Eyna d 4 5 Index 1. P ésen a ion du p oje 2. Compila ion de jeux données 3. Module ESL 4. Robo KUKA 5. Concep ion du sys ème d’inspec ion mul imodal du module ESL 6. Inco po a ion du sys ème d’inspec ion à la pla e o me AMS 7. Anima ion Robo KUKA 8. Cons uc ion du sys ème d’inspec ion 9. Mise en se ice du module ESL 6 1. P esen a ion du p oje ETREL- auToma ics inspEc ion o de ec s in eal ime and online om mul i-sou ce da a and ia he use o lea ning machines: con ibu ion o indus y 4.0. Nom du p oje : ETREL : InspEc ion auToma ique de dé au s en emps Réel e en ligne à pa i de données mul i-sou ces e ia l’usage de machines app Enan es : con ibu ion à L’induS ie 4.0 En ep ise coo dina ice du p oje : Raison sociale : Del aCAD Ad esse de l’é ablissemen en Hau s-de-F ance : 795 ue des Longues Rayes, 60610 Lac oix Sain -Ouen Con ac cha gé du p oje : Nom : ROWSON P énom : Ha ey Tél : 06 63 94 22 46 Mél. : owson@del acad. Pa enai es AML Sys ems, ZAC de l'Epine e - 02500 Hi son Uni e si é Technologique de Compiègne, ue du D Schwei ze – 60200 Compiègne Objec i s du p oje Le p oje ETREL ise à dé eloppe une app oche au oma isée e econ igu able pou le con ôle en ligne de p odui s manu ac u és. Le p oje ise à combine solu ions app enan es di es « d’in elligence a i icielle » (IA) e sys èmes expe s di s « d’in ég a ion de données mul i-sou ces issues d’acquisi ions » pou éalise ceci, su des pièces p odui es en g ande sé ie à cadence apide pa AML Sys ems, pa enai e du p oje . Mo s cle s (5 au maximum) In elligence A i icielle, Inspec ion isuelle, mul i-modali é, Cadence éle ée, Cus omisa ion, Quali é Con enu du p oje e ésul a s a endus L’inspec ion e la dé ec ion des dé au s des p odui s su une chaîne de p oduc ion se éalise en emps éel e à des cadences ès éle ées. Ce e ac i i é ai pa ie in ég an e de la s a égie globale d’amélio a ion de la quali é des p odui s, elle pe me de limi e les e ou s clien s coû eux. Le p oje ETREL ise donc à dé eloppe une app oche au oma isée e econ igu able pou le con ôle en ligne de p odui s manu ac u és. Ce enjeu es ad essé dans l’é a de l’a scien i ique soi pa des app oches app enan es ou ia des sys èmes expe s. Le posi ionnemen de ce p oje es double e ise à combine solu ions app enan es di es « d’in elligence a i icielle » e sys èmes expe s di s « d’in ég a ion de données mul i-sou ces issues d’acquisi ions ». La mise en place des echnologies d’IA e l’in ég a ion de données mul isou ces d’acquisi ion nécessi en de base les expé imen a ions e la compa aison des ésul a s su des é é ences. ETREL ise 3 ni eaux d’indica ions : (1) dé ec ion dé au s po en iels, (2) localisa ion du dé au e (3) ca ac é isa ion du dé au pa mesu e. De ai , les éseaux neu onaux mis en œu e pe me aien de end e in elligible l’iden i ica ion du dé au . L’app oche en isagée se a hyb ide en couplan à la ois des éseaux de neu ones 7 p o onds onc ionnan s ensemble e une app oche expe e génie indus iel qui e a de la localisa ion de dé au s jusqu’à la ca ac é isa ion. COUT TOTAL DU PROJET : 620 069 € AIDE DEMANDEE : 365 970 € Ce dossie de demande doi ê e dûmen empli e ad essé pa l’en ep ise coo dina ice aux se ices ins uc eu s, pa mail à : aapindus iedu u u @hau sde ance. e pa cou ie à l’a en ion de : Monsieu A naud RIQUIER Di ec ion de l’Inno a ion e de la Pe o mance Indus ielle Région Hau s-de-F ance ; 151, boule a d Hoo e ; 59555 – LILLE Cedex Une le e de demande édigée e signée pa chacun des pa enai es doi ê e join e au dossie . Desc ip ion du p oje 1. Enjeux indus iels e économiques • Déc i e la p obléma ique e les ésul a s a endus pou la ou les en ep ises pa enai es du p oje . • Quel impac économique, en i onnemen al e humain en cas de succès ? Con ex e L’inspec ion e la dé ec ion des dé au s des p odui s su une chaîne de p oduc ion se éalise en emps éel e à des cadences ès éle ées. Ce e ac i i é ai pa ie in ég an e de la s a égie globale d’amélio a ion de la quali é des p odui s, elle pe me de limi e les e ou s clien s coû eux. Il exis e déjà des o es su l’au oma isa ion des inspec ions. Elles son sou en spécialisées à une ypologie de dé au s, comme pa exemple le dénomb emen de composan s su un pos e, le con ôle de la localisa ion e du posi ionnemen de pièces, la compa aison de con ou s ou la dé ec ion de dé au s d’aspec s. Même si ces o es disponibles su le ma ché éponden au besoin p emie en ma iè e d’inspec ion, elles nécessi en bien sou en d’ê e ep og ammées e calib ées en cas d’é olu ion du p odui ou de la chaine de p oduc ion. Tous les p odui s même les plus s anda ds d’en e-deux son suscep ibles d’é olue (e.g. o mes, aspec s, onc ions) pou épond e aux besoins spéci iques de chaque clien . Pa exemple, le module ESL d’AML Sys ems (u ilisa eu inal e pa enai e du p oje ETREL) es aujou d’hui ab iqué à des cadences sous la seconde e es inspec é manuellemen pa un opé a eu . Ce module es p odui à des millions d’exemplai es pa an, a ec des di é ences au ni eau des couleu s, des insc ip ions e g a u es, e des onc ions selon les cons uc eu s au omobiles. Il y a donc au an d’inspec ion à ep og amme que de nou elles con igu a ions du p odui , ce qui es un ein au déploiemen de l’indus ie 4.0. Ainsi, pou es e concu en ielle, l’en ep ise doi se do e d’une inspec ion au oma ique qui s’adap e apidemen au changemen de con igu a ions du p odui e qui soi ès pe o man e su la chaîne de p oduc ion. Cela signi ie que dans ce con ex e de p odui s cus omisés, de nou eaux dé au s enco e inconnus peu en appa aî e, e doi en donc pou oi ê e dé ec és à moind e ais. Le p oje ETREL ise donc à dé eloppe une app oche au oma isée e econ igu able pou le con ôle en ligne de p odui s manu ac u és. 8 P ésen a ion de la mé hodologie u ilisée pou a eind e les objec i s du p oje . Les ès écen es a ancées en IA en mode non supe isé, e le couplage de ces mé hodes à des echniques de ision pa o dina eu pe me en d’en isage une éponse pe o man e à ces e ous scien i iques. Plus globalemen , la eche che en IA pe me d’élabo e des sys èmes capables d’app éhende des compo emen s complexes non p édé inies. Les éseaux de neu ones p o onds (Deep Lea ning) on la capaci é de pou oi s’adap e à de nou elles en ées non enco e ues, ce qui pe me pa exemple d’iden i ie des obje s dans des images, oi e de géné e au oma iquemen des images à pa i d’un jeu es ein de pa amè es. Le dé au de ces éseaux de neu ones p o onds es que pou l’ins an leu p ocessus n’es pas in elligible. Cependan , les pe o mances a ein es son elles qu’il es possible d’in ég e ces éseaux neu onaux à un pos e de mon age e de con ôle. Ils agi aien comme une assis ance à un opé a eu le con o an e l’aidan dans son inspec ion. Conc è emen , les indus iels p oduisen de ai plus de p odui s co ec s que de p odui s p ésen an un dé au . La base de données de p odui s a ec dé au s es donc pa na u e bien moins g ande en olume que ce que pou ai ê e la base de données de p odui s co ec s. Ainsi, la pos u e de eche che echnologique adop ée es d’é udie la p oduc ion de p odui s « bons » qui son en g and nomb e, e ceci au a e s de ep ésen a ions p éalablemen dé inies. Pa conséquen , la combinaison de éseaux de neu ones app enan les p odui s « bons » à un éseau de neu ones « géné a i » des ep ésen a ions di es co ec es pe me ai pa supe posi ion de l’image géné ée e de celle con ôlée de ou ni jusqu’à 3 ni eaux d’indica ions : (1) dé ec ion dé au s po en iels, (2) localisa ion du dé au e (3) ca ac é isa ion du dé au pa mesu e. De ai , les éseaux neu onaux mis en œu e pe me aien de end e in elligible l’iden i ica ion du dé au . L’app oche en isagée se a hyb ide en couplan à la ois des éseaux de neu ones p o onds onc ionnan s ensemble e une app oche expe e génie indus iel qui e a de la localisa ion de dé au s jusqu’à la ca ac é isa ion. Pou pe me e une la ge exploi a ion des sou ces d’in o ma ion mul iples issues des di é en s moyens d’acquisi ion (e.g. camé a apide, camé a de p o ondeu , scan lase ), une nou elle echnique de usion de données 3D se a p oposée. Elle pe me a de amene ou es les données 3D (e.g. nuage de poin s, maillages, modèles B-Rep) dans un espace commun 2.5D (e.g. ca e de p o ondeu ) dans lequel les app en issages e les iden i ica ions pou on a oi lieu [9][10]. Ce e echnique pe me a de ai e aussi bien les données issues d’acquisi ions éelles, que les données i uelles issues de con igu a ions simulées su le jumeau numé ique. Le p oje ETREL s’appuie a su une pla e o me expé imen ale nommée AMS (Agile Manu ac u ing Sys em) e si uée à l’UTC. Elle peu con oye , con ôle , assemble des p odui s de di é en es na u es : pièces usinées en ou nage, po s, lacons anspa en s e composan s méca oniques. La chaîne numé ique e le jumeau numé ique CAO de ce e pla e o me son maî isés e nous disposons des essou ces 3D na i es e de simula ions de l’ensemble P odui e P ocess. La pla e o me AMS e sa chaîne numé ique es un a an age impo an du p oje ca elle pe me a de p odui e la masse c i ique de données d’en ée nécessai es pou un bon app en issage des éseaux neu onaux. De plus, les données expé imen ales issues de la pla e o me se on consolidées pa des données i uelles géné ées à pa i du jumeau numé ique de la chaîne de p oduc ion. Su la pla e o me AMS, il se a implémen é des équipemen s de dé ec ions de di é en es inali és e cela à di é en es cadences. L’in é ê es de ou ni des POC (P oo O Concep ) indus iels ès conc e s pou lesquels l’ensemble de la déma che de mise en œu e e les sou ces se on mis à disposi ion su des pla e o mes d’échanges web e communau ai e. Le p oje es ainsi s uc u é en ois Wo k Packages. 9 2. Enjeux scien i iques • Quels son les e ous echnologiques ou o ganisa ionnels que le p oje en end le e ? • Quelles connaissances nou elles en a end -on ? • Quelles e ombées pou les labo a oi es pa enai es ? Comme p ésen é p écédemmen , le p oje ETREL ise à dé eloppe une app oche au oma isée e econ igu able pou le con ôle en ligne de p odui s manu ac u és. Ce enjeu es ad essé dans l’é a de l’a scien i ique soi pa des app oches app enan es ou ia des sys èmes expe s. Le posi ionnen de ce p oje es double e ise à combine solu ions app enan es di es « d’in elligence a i icielle » (IA) [1,2] e sys èmes expe s di s « d’in ég a ion de données mul isou ces issues d’acquisi ions » [3,4]. La mise en place des echnologies d’IA e l’in ég a ion de données mul i-sou ces d’acquisi ion nécessi en de base les expé imen a ions e la compa aison des ésul a s su des é é ences. Pou l’IA, ces é é ences son des « da ase s » u iles à la ois pou la alida ion des en ainemen s que pou la alida ion des ésul a s. Un da ase DAGM a é é c éé en 2007 (h ps:// esou ces.mpiin .mpg.de/con e- ence/dagm/2007/p izes.h ml) pou es e des algo i hmes app enan s supe isés pou des su aces manu ac u ées. De nomb euses publica ions y on é é ence mais peu su les app oches non supe isées comme il es en isagé dans ce p oje [5]. Pou l’in ég a ion des données d’acquisi ion mul i-sou ces, la no ion de é é en iel commun pe me de amene à la même dimension e donc de acili e le ai emen e l’analyse expe e. Le p emie e ou de la mise en place de l’IA en con ex e manu ac u ie es le ne oyage e la p épa a ion des données d’acquisi ion [6]. Elles ne son pas homogènes e l’ensemble des signaux d’acquisi ions doi en ê e ai és a in que les données puissen ê e p ê es pou l’en ainemen . De plus, la quan i é de données pou assu e l’en ainemen es impo an e. Un deuxième e ou es donc de pou oi « app end e » su une quan i é minimale de données pou ob eni des emps d’app en issage cou s e de bonnes 5 / 11 pe o man es en ma iè e de aux de éponse. Quelques é é ences commencen à s’in é esse à app end e en considé an les p odui s « bons » [7]. Ce se a le cas dans ce p oje en y ajou an l’in ég a ion de données d’acquisi ion mul i-sou ces. Les images, idéos, scans 3D se on les ois ypes de données mul i-sou ces considé ées e in ég ées simul anémen a in de end e pe o man e in elligible les ésul a s ob enus. Les e ous scien i iques de ce p oje son : (1) Commen ne oye les données d’acquisi ion mul i-sou ces (images, idéos, scanning) pou les end e app enan es ?; (2) Commen in ég e les données d’acquisi ion e p opose des dé ec ions au oma iques in elligibles ? Dans ETREL, l’objec i n’es pas de dé eloppe de nou eaux algo i hmes de ision pa o dina eu ou d’IA. Il s’agi de capi alise su les solu ions exis an es de l’é a de l’a pe me an de épond e au besoin d’iden i ica ion de dé au s en ligne, e de les adap e su une pla e o me adap ée à l’indus ie. La déma che mise en œu e e les ésul a s se on mis à disposi ion en Open Sou ce. La eche che qui se a menée dans ce p oje es donc axée su le Génie Indus iel. L’un des ca ac è es no a eu s du p oje éside dans l’adap a ion mé hodologique e echnologique des app oches usuelles de ision pa o dina eu e de Machine Lea ning au con ex e de l’indus ie manu ac u iè e. Un p emie élémen es d’in ég e le ai qu’il exis e de g os olumes de pièces co ec es e peu de pièces inco ec es. De plus, l’espace des possibili és de pièces inco ec es es in ini e imp édic ible (une pièce peu oujou s ê e inco ec e d’une nou elle açon). Ainsi le onc ionnemen des algo i hmes doi ê e « in e sé », il s’agi de a aille pa exclusion (des pièces co ec es) pou iden i ie les pièces inco ec es. Un second élémen es la capaci é de géné e des bases de cas ia l’exis ence du jumeau numé ique de la chaine de p oduc ion (qui 16 • Kolek o (2019-2021): Jeu de données de dé ec ion de dé au s de su ace a ec plus de 3000 images con enan plusieu s ypes de dé au s, ob enues en abo dan un p oblème indus iel éel. Le jeu de données es composé de 356 images a ec des dé au s isibles, 2979 images sans aucun dé au , des images d'en i on 230 x 630 pixels, jeu d'en aînemen a ec 246 images posi i es e 2085 images néga i es, un jeu de es a ec 110 images posi i es e 894 images néga i es, plusieu s ypes de dé au s di é en s ( ayu es, aches mineu es, impe ec ions de su ace, e c. Kolek o SDD: Gi Hub - skokec/segdec-ne -jim2019: Su ace De ec De ec ion wi h Segmen a ion-Decision Ne wo k on Kolek o SDD Kolek o SDD2: Gi Hub - icoslab/mixed-segdec-ne -comind2021: O icial PyTo ch implemen a ion o "Mixed supe ision o su ace-de ec de ec ion: om weakly o ully supe ised lea ning" • Tianchi Aluminium P o ile Su ace De ec (2018) Dans le jeu de données du concou s, il y a 10 000 données d'images de su eillance de p o ilés en aluminium p ésen an des dé au s dans la p oduc ion éelle, e chaque image con ien un ou plusieu s dé au s. L'image échan illon pou l'app en issage au oma ique iden i ie a clai emen le ype de dé au con enu dans l'image. h ps:// ianchi.aliyun.com/compe i ion/en ance/231682/in o ma ion 17 • NeuSu ace De ec Da abase (2013): Base de données pou la classi ica ion de 6 ypes de dé au s de su ace pa Kechen Song e Yunhui Yan. Six ypes de dé au s de su ace ypiques de la bande d'acie laminée à chaud son collec és, à sa oi , la calamine (RS), les aches (Pa), le c aquelage (C ), la su ace piquée (PS), l'inclusion (In) e les ayu es (Sc). La base de données comp end 1 800 images en ni eaux de g is : 300 ( épa ies en 240 images pou la o ma ion e 60 images pou le es ) échan illons de chacun des six ypes de dé au s de su ace ypiques sui an s. NEU Su ace De ec Da abase | Kaggle • DAGM (2007) Un ensemble de données syn hé iques pou la dé ec ion de dé au s su des su aces ex u ées. Il a é é c éé à l'o igine pou un concou s lo s du symposium 2007 de la DAGM (Deu sche A bei sgemeinscha ü Mus e e kennun). Les six p emie s jeux de données su dix, appelés jeux de données de dé eloppemen , son censés ê e u ilisés pou le dé eloppemen d'algo i hmes. Les qua e jeux de données es an s, appelés jeux de données de compé i ion, peu en ê e u ilisés pou é alue les pe o mances des algo i hmes... 18 • ELPV Da ase (2018-2019) Le da ase con ien 2 624 échan illons d'images en ni eaux de g is 8 bi s de 300x300 pixels de cellules solai es onc ionnelles e dé ec ueuses a ec di é en s deg és de dég ada ion, ex ai es de 44 modules solai es di é en s. Gi Hub - zae-baye n/elp -da ase : A da ase o unc ional and de ec i e sola cells ex ac ed om EL images o sola modules • CRACK Fo es Da ase (2017): Base de données d'images de issu es ou iè es anno ées qui peu en e lé e l'é a de la su ace des ou es u baines. h ps://gi hub.com/cuilimeng/C ackFo es -da ase h ps://pan.baidu.com/s/1108j5QbD 7T3XQ DxAzVpg (passwo d：jajn) 19 • Deep PCB Da ase con enan 1 500 pai es d'images, chacune é an cons i uée d'une image modèle sans dé au e d'une image es ée alignée a ec des anno a ions comp enan les posi ions des 6 ypes de dé au s de PCB les plus cou an s : ou e , cou -ci cui , mousebi e, épe on, ou d'épingle e cui e pa asi e. Gi Hub - angsanli5201/DeepPCB: A PCB de ec da ase . • LMT Hap ic Tex u e Da abe LMT Hap ic Tex u e Da abase ( um.de) 20 • AITEX ab ic de ec s da ase (2020): Ce jeu de données se compose de 245 images de 4096x256 pixels a ec sep s uc u es de issu di é en es. L'ensemble de données comp end 140 images non dé ec ueuses, 20 de chaque ype de issu. En ou e, il y a 105 images de di é en s ypes de dé au s de issu (12 ypes) cou an s dans l'indus ie ex ile. 百度网盘 请输入提取码 (baidu.com) (passwo d: b9uy) • Tianchi Fab ic De ec Da ase (2020) Ce da ase cou e ous les ypes de dé au s impo an s des issus dans l'indus ie ex ile, e chaque image con ien un ou plusieu s dé au s. Les données comp ennen deux ypes de issus : les issus unis e les issus à mo i s. Pa mi elles, en i on 8000 pièces de données de issus unis son u ilisées pou les ma chs p éliminai es, e en i on 12000 pièces de données de issus à mo i s son u ilisées pou les demi- inales. h ps://pan.baidu.com/s/1LMbujx 5iB3SwjFGYHspA (passwo d: ga 2) • Tex u es Classi ica ion Da ase (2020) Jeu de données de ex u e de su ace (8674 images), qui con ien 64 classes p o enan de 3 jeux de données publics. Les images son uni o mémen edimensionnées en 331 x 331. No ammen , 11 classes (3194 images) de la base de données de su ace KTH (y comp is KTH-TIPS e KTH-TIPS2), 28 classes (4480 pa chs sans o a ion) de la base de données Kybe ge, e 25 classes (1000 images) de la base de données UIUC. Le jeu de données es di isé en deux de maniè e aléa oi e, l'un pou l'en aînemen e l'au e pou la alida ion. Gi Hub - abin24/Tex u es-Da ase : This is a da ase o ou pape "A compac con olu ional neu al ne wo k o su ace de ec inspec ion" 21 o Kylbe g Tex u e Da ase 8 ex u e classes. 160 unique ex u e pa ches pe class. (Al e na i e da ase wi h 12 o a ions pe each o iginal pa ch, 160*12=1920 ex u e pa ches pe class). Tex u e pa ch size: 576×576 pixels. Kylbe g Tex u e Da ase . 1.0 – Kylbe g.o g o KTH Su ace Da ase o UIUC SON • ToyADMOS (2019): Da ase su les sons de onc ionnemen des machines (2019) (2 ypes de machines indus ielles) ensemble de données su les sons de onc ionnemen des machines comp enan en i on 540 heu es de sons no maux de onc ionnemen de machines e plus de 12 000 échan illons de sons ano maux. Inspec ion du p odui ( oi u e-joue ), diagnos ic de dé aillance pou une machine ixe (con oyeu -joue ), e diagnos ic de dé aillance pou une machine en mou emen ( ain-joue ). Gi Hub - YumaKoizumi/ToyADMOS-da ase : Da ase and i s sample codes o anomaly de ec ion in sound. • MIMII (2019): Jeux de données sono es pou l'in es iga ion e l'inspec ion de machines indus ielles dé ec ueuses. Il con ien les sons géné és pa qua e ypes de machines indus ielles, à sa oi les annes, les pompes, les en ila eu s e les glissiè es. Chaque ype de machine comp end sep modèles de p odui s indi iduels*1, e les données de chaque modèle con iennen des sons no maux (de 5 000 à 10 000 secondes) e des sons ano maux (en i on 1 000 secondes). MIMII Da ase : Sound Da ase o Mal unc ioning Indus ial Machine In es iga ion and Inspec ion | Zenodo • DCASE 2020 Task 2 Da ase Dé ec ion non supe isée de sons ano maux pou la su eillance de l'é a des machines. L'ensemble de données u ilisé es une combinaison des deux p écéden s. 22 MODÈLÈ 3D • AAU Sewe De ec Poin Cloud Da ase (2021): Classi ica ion des dé au s des canalisa ions d'égou s à pa i de poin s de nuages u ilisan des données éelles e syn hé iques P emie jeu de données publiquemen disponible de données 3D de canalisa ions d'égou s e de dé au s. La majo i é du jeu de données es cons i uée de données syn hé iques, andis que les nuages de poin s de canalisa ions éelles on é é en egis és dans un en i onnemen de labo a oi e à l'Uni e si é d'Aalbo g, au Danema k. AAU Sewe De ec Poin Cloud Da ase | Kaggle • Thin-walled de o mable objec s da ase (2017) Il s'agi d'un ensemble de données de modèles d'obje s à pa ois minces a ec des ep ésen a ions olumé iques, qui es géné é à pa i de 13 obje s éels. Deux sous- ensembles son p ésen és : objec sModelDemo (30 ichie s obj) e Objec ModelsVa ian s (2214 ichie s obj). Gi Hub - ma inajingyixu/ hin-walled-objec s-da ase MULTIMODAL Tou au long de la eche che, de nomb eux a icles on é é ou és qui men ionnen des ensembles de données u iles e in é essan s pou l'a ancemen du p oje . Malheu eusemen , ils ne son pas dans le domaine public. Pa exemple : Gün he , J., Pila ski, P. M., Hel ich, G., Shen, H., & Diepold, K. (2016). In elligen lase welding h ough ep esen a ion, p edic ion, and con ol lea ning: An a chi ec u e wi h deep neu al ne wo ks and ein o cemen lea ning. Mecha onics, 34, 1-11. DOI 10.1016/j.ci p.2016.04.072 Jo anče ić, I., Pham, H. H., O eu, J. J., Gilblas, R., Ha en , J., Mau ice, X., & B è hes, L. (2017). 3D poin cloud analysis o de ec ion and cha ac e iza ion o de ec s on ai plane ex e io su ace. Jou nal o Nondes uc i e E alua ion, 36(4), 1-17. DOI 10.1007/s10921-017-0453-1 23 DES AUTRES • Indus ial Quali y Con ol o Packages (2020): Dé ec e les paque s endommagés dans un scéna io d'inspec ion de quali é en ligne. Les images on é é c éées syn hé iquemen à l'aide de Blende . Le code pou p odui e ces images es en lib e accès. h ps://gi hub.com/ch is ian- o hemus/p ocedu al-3d-image-gene a ion • Il exis e égalemen de nomb euses bases de données u iles pou la dé ec ion d'obje s en géné al, mais non spéci iques au domaine indus iel e au con ôle des dé au s : CV Da ase s on he web (c pape s.com) 24 Compila ion de Da ase s : 25 32 4. Robo KUKA Le obo a ec lequel nous allons a aille es le KUKA KR 6 R700-2, qui es déjà ins allé su la pla e o me AMS de l'UTC. 33 Le obo a é é équipé d'une pince qui lui pe me de saisi e de elâche des obje s. Ce e pince a é é ob enue à pa i de la pla e o me Windchill, e a é é modi iée dans 3DExpe ience a in qu'elle puisse ê e ou e e e e mée. Un nou eau p odui a é é c éé, dans lequel les deux ex émi és de la pince on é é insé ées a ec le suppo . Il a é é in ég é dans le obo KUKA. AMS_pince_2 La p océdu e es la sui an e : un con ôle de quali é es e ec ué su chaque module ESL, les in o ma ions son ai ées e on sai s'il y a un dé au ou non. AMS_pince_kuka Ex _AMS_pince_kuka 2ex _AMS_pince_kuka 34 Dans l'é ape sui an e, la disposi ion des pinces su le obo es u ile. Si le module es dé ec ueux, saisissez-le a ec la pince e déplacez-le e s le ése oi No OK ; si le module n'es pas dé ec ueux, placez-le dans le ése oi OK. 35 Connexions Mécaniques G âce aux in o ma ions ou nies pa le dis ibu eu du obo , nous pou ons connaî e l'ampli ude des mou emen s du obo e les inco po e au obo a in de simule ul é ieu emen son onc ionnemen . Dans l'applica ion Mechanical Sys em Design, nous allons ajou e les connexions mécaniques en e les di é en es pa ies qui composen le obo . Il exis e au o al 6 liaisons mécaniques pi o an es de é olu ion (A1, A2, A3, A4, A5 e A6). Pou chaque connexion, il au choisi deux axes coinciden es, deux aces de con ac e l'angle d'ou e u e indiqué pou chaque connexion. 36 Connexion A1 : é olu ion • L’ampli ude de l’angle : +-170º • Angle ini ial : 270º • Limi e in é ieu e : 270-170=100º • Limi e supé ieu e : 270+170=440º Connexion A2 : é olu ion • L’ampli ude de l’angle : -190º/45º • Angle ini ial : 90º • Limi e in é ieu e : 45-90=-45º • Limi e supé ieu e : 190º 37 Conexión A3: e olución • Ampli ude de langle : -120º/156º • Angle ini ial : 90º • Limi e in é ieu e : 180-156=24º • Limi e supé ieu e : 180+120=300º Connexion A4: é olu ion • Ampli ude de l’angle : +-185º • Angle ini ial : 0º • Limi e in é ieu e : -185º • Limi e supé ieu e : 185º 38 Connexion A5: é olu ion • Ampli ude de l’angle : +-120º • Angle ini ial : 90º • Limi e in é ieu e : -120+90=30º • Limi e supé ieu e : 120+90=210º Connexion A6: é olu ion • Ampli ude de l’angle : +-350º • Angle ini ial : 0º • Limi e in é ieu e : -350º • Limi e supé ieu e : 350º 39 5. Concep ion du sys ème d’inspec ion mul imodal du module ESL Module ESL Réalisée a ec le g oup de a ail de AM29 ; Hugo Quean , Clémence Vincen , An oine Blo , Li io Delmaes o, Malo Le ancois. Objec i s Nous a ons pou mission de c ée un banc d’essais su la pla e o me Agile Manu ac u ing Sys em de l’UTC a in d’assu e le con ôle du module ESL, capable de con ôle la quali é isuelle e ib a oi e. Pla e o me AMS 40 Le plan à sui e pou ce e sec ion es le sui an : 1. Lis e des exigences de concep ion. 2. Dimensionnemen e concep ion du sys ème e Ins uc ions de mon age 3. Le budge 4. In ég a ion de la concep ion du module ESL à la pla e o me AMS 1. Lis e des exigences de concep ion : Choix des composan s (camé as, mic o, pièces mécaniques di e ses…) conce nan l’ensemble su la pla e o me e l’ensemble du module. • Obse a ion e écou e de l’ensemble su la pla e o me AMS o Ajou d’un sys ème à l’AMS sans le modi ie . o L’espace disponible es limi é o La ixa ion du sys ème d’inspec ion doi s’adap e à la cellule obo ique. o Le obo Kuka doi pou oi na igue aisémen pou b anche e déb anche le module ESL su le socle d’alimen a ion. • Obse a ion e écou e de l’ensemble du module ESL o L’inspec ion doi ê e éalisée su ou es les ues du module, à l’excep ion de la ue du bas, occul ée pa le socle d’alimen a ion o Limi a ion de di é ences de luminosi é. o Le posi ionnemen d’un mic ophone p oche de la pièce pou mesu e les ib a ions. 41 2. Dimensionnemen e concep ion du sys ème 2.1 Mic ophone • U ilisa ion d’un mic ophone posi ionné à p oximi é du module pou ou e les singula i és dans les ib a ions e les sons pendan son onc ionnemen . • Compa aison de plusieu s mic ophones du ma ché e sélec ion de l’un d’eux. Mic ophone sélec ionné : RS COMPONENT Mic ophone à col de cygne • Unidi ec ionnelle • F équence: 10 Hz à 16 000 Hz • Lége e lexible • Connec eu XLR 3 b oches 2.2 Camé a P ises de ues des aces du module • U ilisa ion de 5 camé as (1 pa cô é e une pou le dessus). • Compa aison de plusieu s camé as indus ielles du ma ché e sélec ion de l’une d’elle. Camé a sélec ionnée : Vision indus ielle 2D Inspec o VSPI-4F2111 • Flash Led in ég é • U ilisa ion indus ielle en inspec ion quali é • Résolu ion : 640 x 480 px • Dis ance a ail : 50 à 200 mm • U ilisa ion de la len ille : ocale 6mm 48 2.7 Assemblage inal Assemblage CAO A b e CREO CAO dans l’ASM E-Bom sous WindChill B 49 3. Budge ini ial 4. In ég a ion de la concep ion du module ESL à la pla e o me AMS e mon age In ég a ion E-BoM à M-BoM à l’AMS E-Bom M-Bom Ins uc ions de mon age : El modelado se ha ealizado con el so wa e CREO • E ape de mon age 1 : S uc u e de base + Plaque opaque x 4 x 8 x 8 50 • E ape de mon age 2 : Fe me u e de la s uc u e de base + mon an camé a 5 x 2 x 3 • E ape de mon age 3 : Mon age des 5 camé as x 5 ensemble: isse ie + suppo + camé a • E ape de mon age 4 : Fixa ion de l'assemblage à la able x 2 x 9 51 P odui inal 52 6. In ég a ion du sys ème d’inspec ion à la pla e o me AMS Les p odui s on é é c éés dans le logiciel de modélisa ion 3D CREO e pa agés su une pla e o me de ges ion du cycle de ie des p odui s appelée Windchill. C'es à pa i de là que le a ail a commencé a ec l'ou il 3D Expe ience, un en i onnemen collabo a i qui pe me d'inno e de maniè e en iè emen nou elle e de c ée des p odui s e des se ices à l'aide d'expé iences i uelles. Il ou ni une ue en emps éel de l'ac i i é e de l'écosys ème de l'en ep ise, en connec an les pe sonnes, les idées e les données. Ce e pla e o me, dé eloppée pa Dassaul Sys ems, nous a pe mis de collabo e , de modi ie e d'in e agi au sein de p oje s déjà en cou s. Le pos e de con ôle a é é ans é é de Windchill à 3D Expe ience. Une ois élécha gée su 3DExp, elle a é é inco po ée dans le jumeau numé ique de la pla e o me AMS. Nous a ons encon é le p oblème que cela é ai déjà mal o ien é aupa a an , donc le ichie AMS_CAD_REF a é é c éé, où un plan bien o ien é a é é c éé e a inco po é ou e la ligne de p oduc ion e la s a ion de con ôle à l'in é ieu de la cellule obo ique. Le modèle 3D du module ESL a égalemen é é in ég é au sys ème de con ôle, exac emen à l'end oi où il se ai posi ionné dans la éali é pou ê e inspec é de ous les cô és. Pla e o me AMS sans le sys ème d’inspec ion Pla e o me AMS a ec le sys ème d’inspec ion 53 Pla e o me AMS Cellule Robo ique 54 55 7. Cons uc ion du sys ème d’inspec ion Nous a ons con ac é MiniTec pou qu'elle nous ou nisse ous les ma é iaux nécessai es. Budge 56 57 8. Anima ion Robo KUKA Nous a ons c éé une simula ion du obo KUKA dans Mechanical Sys em Expe ience mon an le p ocessus depuis la p ise du module jusqu'à sa dépose dans le panie OK. Les cap u es d'éc an e un en egis emen de l'éc an élécha gé su YouTube son mon és. h ps://you u.be/9 dIu2D55Uc