Juntas y retenes de motor
Detecta deformación de cordón, huecos de recubrimiento y errores de marcaje antes de que las piezas entren en el lote controlado por PPAP.
Inspección de calidad automatizada para juntas y retenes de motor, sobre un iPhone reacondicionado, junto a tus estaciones de metrología dimensional existentes.
Un perfil de cordón que se desvía una décima de milímetro cuando se desgasta el troquel de estampación, un hueco de recubrimiento en la esquina de una junta multicapa de acero, una marca de lote legible por OCR que sale borrosa cuando el rodillo de impresión se desalinea. En una línea de juntas que alimenta un programa de Tier-1 del automóvil, cada pieza defectuosa que llega al OEM te cuesta dos veces. La pieza se expide bajo PPAP. Después la planta de motores registra una fuga en la cualificación de arranque en frío, la solicitud 8D aterriza en el buzón de calidad, y la siguiente revisión de adjudicación va a tu competidor. Los inspectores manuales detectan los casos obvios, pero la deriva de perfil de cordón que una lente macro 4K capta en la estación de inspección es la que un ojo humano cansado pierde tras la tercera hora de un turno. La detección de defectos por IA para juntas y retenes de motor cierra esa brecha, y no necesita una plataforma de visión de seis cifras para hacerlo.
¿Qué es la inspección de calidad automatizada para juntas y retenes de motor?
La detección de defectos por IA para juntas y retenes de motor usa una cámara y un modelo de IA para vigilar cada pieza según sale de la prensa, de la cabina de recubrimiento o de la estación de marcaje, y para señalar las piezas no conformes antes de que lleguen a la bandeja. En lugar de un operario en el panel o de una visión rígida basada en reglas, el modelo aprende a partir de imágenes de piezas conformes y no conformes en tu línea, y se adapta cuando cambia el compuesto de caucho, el desgaste de troquel o el recubrimiento.
Las juntas y retenes de motor son particularmente difíciles porque combinan varios materiales y geometrías complejas en una sola pieza. Las juntas multicapa de acero (MLS) llevan cordones estampados, recubrimientos, marcaje impreso y agujeros con tolerancias estrechas, a menudo sobre un soporte sobremoldeado de caucho negro que rompe los algoritmos simples de silueta o umbral. Los retenes de elastómero son flexibles, reaccionan distinto a la luz de bajo ángulo que las piezas estampadas rígidas y exigen una iluminación afinada al compuesto de caucho. La inspección guiada por IA gestiona esas variaciones porque el modelo aprende a partir de imágenes reales de producción y no de un conjunto fijo de reglas.
El resultado es un punto de control visual automatizado que complementa las estaciones de CMM y de prueba de fugas en programas de inspección PPAP, bloquea las piezas no conformes antes de que entren en lotes controlados, y construye un registro de trazabilidad continuo basado en imagen para auditorías IATF 16949.
Defectos que detectamos en líneas de juntas y retenes de motor
Deformación de perfil de cordón
El cordón estampado o moldeado es la geometría funcional de cada junta y de cada retén. El desgaste de herramienta, la desalineación de troquel o los problemas de velocidad de avance pueden deformar la altura o el ancho del cordón a lo largo de tramos locales de la pieza. Estas desviaciones a menudo solo aparecen en la prueba de presión en frío o en campo si no se detectan a tiempo. El modelo de IA aprende el perfil nominal del cordón a partir de piezas de referencia y detecta la deriva geométrica local a lo largo del recorrido del cordón. Señala las piezas con secciones fuera de perfil antes de que entren en el lote controlado por PPAP, reduciendo el riesgo de fallos de fuga aguas abajo.
Huecos de cobertura de recubrimiento
Las juntas metálicas suelen recibir un recubrimiento de silicona o caucho que debe ser continuo a lo largo del cordón y de las superficies de sellado. Los huecos de pulverizado, las zonas de retroceso seco y los puntos finos pueden abrirse bajo el ciclado térmico y dejar pasar refrigerante o aceite. Analizando color, textura y brillo locales, el modelo identifica regiones de recubrimiento incompleto o inconsistente y desvía las piezas afectadas a inspección secundaria o reproceso en lugar de dejarlas expedirse.
Mellas en el borde de sellado
Las pequeñas mellas en el borde de sellado pueden surgir por daño de manipulación, troqueles de recorte mellados o transiciones de transportador desalineadas. Estos defectos son difíciles de ver bajo luz difusa sobre superficies pulidas o recubiertas. Con una luz en anillo de bajo ángulo las discontinuidades de borde se vuelven visibles. La IA detecta esas roturas locales a lo largo del borde de sellado y señala las piezas afectadas antes de que pasen al siguiente paso de proceso.
Errores de marcaje e impresión
Los códigos de lote, los números de pieza y las marcas de orientación se imprimen o se marcan por láser sobre cada junta para mantener la trazabilidad IATF 16949. Las impresiones borrosas, las marcas desalineadas y los tamaños de carácter fuera de especificación pueden romper la cadena de trazabilidad durante una auditoría. El modelo realiza OCR sobre cada impresión, valida formato y posición y señala cualquier marcaje que falle la verificación. Esto asegura que cada pieza de un lote lleva un identificador legible y conforme.
Desviación de posición de agujero
Los agujeros de tornillería y de localización en juntas MLS deben cumplir tolerancias posicionales estrechas. La óptica telecéntrica proporciona mediciones de alta precisión, mientras que la IA añade una capa de plausibilidad visual. El sistema verifica que las posiciones de agujero son coherentes con el patrón aprendido y señala las piezas con desplazamientos groseros antes de que lleguen a las estaciones dedicadas de metrología, reduciendo el tiempo de CMM gastado en no conformidades obvias.
Rebabas de material en sobremoldeo de caucho
El sobremoldeo de caucho puede dejar rebabas residuales en la línea de partición de la herramienta. Las rebabas que escapan al desbarbado aparecen como una película fina o una aleta a lo largo del borde de la pieza. La IA reconoce la firma de la rebaba contra el contorno de la pieza, clasifica la severidad y desvía las piezas a reproceso manual o a chatarra según tu criterio de rebaba.
La iluminación que hace que esto funcione en una línea de juntas y retenes es una combinación de luz en anillo de bajo ángulo para los defectos del borde de sellado y la geometría del cordón, una luz de domo difusa para la cobertura de recubrimiento y la textura superficial, y una retroiluminación telecéntrica donde se mide la posición de agujero. Un iPhone Pro con lentes macro y gran angular gestiona la taxonomía multidefecto desde una sola estación de inspección. En líneas Tier-1 del automóvil sincronizamos el rig con el encoder del transportador. Especificamos la óptica contigo durante el onboarding.
Cómo corre Enao en una línea de juntas y retenes
El equipo de hardware completo cuesta menos de 1.000 € y se compone de un iPhone Pro reacondicionado, una luz en anillo de bajo ángulo, un cable USB-C y un brazo de soporte sobre el punto de inspección. No hace falta integración PLC para el primer despliegue, el rig cabe en una maleta de transporte y la línea sigue corriendo mientras lo montas.
El onboarding es en autoservicio. Tu equipo de planta monta el rig, abre la app Enao y empieza a recoger imágenes de referencia en el siguiente cambio de pieza. El día 1 devuelve un 80 % de precisión sin etiquetado previo, y al día 14 el modelo corre por encima del inspector manual en las familias de defectos que ha visto, mejorando con cada pieza señalada que la línea confirma o rechaza.
Cada línea entrena su propio modelo para reconocer cómo son sus perfiles de cordón, sus sistemas de recubrimiento, sus marcajes y sus patrones de agujero. Cuando añades una segunda línea de la misma familia de producto, el segundo modelo parte de la experiencia del primero y el esfuerzo marginal cae a plomo. Cuando introduces una nueva variante de junta, re-entrenas al modelo en un solo turno en lugar de reprogramar un conjunto de reglas durante dos semanas.
Las piezas malas dejan de salir de la celda, el desvío de chatarra ocurre en el punto de inspección y no en la auditoría de fin de línea, y tus inspectores recuperan las horas de atención que necesitan para las partes del trabajo que aún piden a un humano, incluidas auditorías de proveedor y documentación IATF.
Cómo se compara Enao con la inspección manual y la visión tradicional
Para los productores de juntas y retenes de motor la comparación se afina en cinco dimensiones.
Tiempo de puesta en marcha en una línea de juntas y retenes. — La inspección visual manual pierde la deformación sutil de cordón. La visión tradicional basada en máquina (Solomon-3D, Overview.ai, Cognex, Maddox.ai) requiere de tres a nueve meses de integración y un presupuesto de seis cifras. Enao se despliega en una semana por tu propio equipo sobre un iPhone reacondicionado, día 1 al 80 % de precisión, subiendo a medida que tus operarios etiquetan.
Coste de hardware por línea. — Inspección visual manual: ninguno al inicio, coste de mano de obra recurrente. Visión tradicional basada en máquina: de 50.000 € a 300.000 € por línea para cámaras industriales, óptica telecéntrica, iluminación estructurada e integración. Enao: por debajo de 1.000 € por línea con un iPhone Pro reacondicionado, lámpara y soporte.
Gestión de nuevas variantes de junta. — Inspección visual manual: reformar a los inspectores para cada nueva variante. Visión tradicional basada en máquina: reescribir el conjunto de reglas por variante, a menudo subcontratado al integrador. Enao: re-entrenar al modelo con nuevas variantes en un solo turno, sin tocar código.
Precisión de detección en defectos de cordón y recubrimiento. — Inspección visual manual: alta al inicio del turno, cae de forma medible tras tres horas. Visión tradicional basada en máquina: fuerte en mediciones geométricas, débil en deriva sutil de cobertura de recubrimiento y de perfil de cordón. Enao: aprende firmas de recubrimiento y de cordón a partir de imágenes de referencia y mantiene la precisión a lo largo de turnos.
Quién lo opera. — Inspección visual manual: inspector formado. Visión tradicional basada en máquina: integrador de sistemas o ingeniero de visión especializado. Enao: tu equipo de planta, sin especialista externo.
Las carteras de juntas cambian con cada programa de motor, y el coste de un lote PPAP devuelto o de una no conformidad de campo se sitúa muy por encima del coste de un rig de inspección sobre iPhone. Enao está construido para ese hueco.
