Vedantes e juntas de motor

Um perfil de cordão que deriva um décimo de milímetro depois de a ferramenta de estampagem se gastar, uma falha de revestimento no canto de uma junta multicamada de aço, uma marca de lote OCR que ficou esborratada quando o rolo de impressão se desalinhou. Numa linha de juntas a alimentar um programa de Tier-1 automotivo, cada peça defeituosa que chega ao OEM custa-te duas vezes. A peça segue sob PPAP. Depois a fábrica do motor regista uma fuga na qualificação de arranque a frio, o pedido 8D aterra na tua caixa de qualidade, e a próxima revisão de alocação vai para o teu concorrente. Os inspetores manuais apanham os casos óbvios, mas a deriva de perfil de cordão que uma lente macro 4K capta na estação de inspeção é aquela que um olho humano cansado falha depois da terceira hora de turno. A inspeção de qualidade automatizada para vedantes e juntas de motor fecha essa lacuna, e não precisas de um sistema de visão de seis dígitos para o fazer.

A deteção de defeitos por IA para vedantes e juntas de motor usa uma câmara e um modelo de IA para observar cada peça à saída da prensa, da cabine de revestimento ou da estação de impressão, e para sinalizar peças não conformes antes de chegarem ao tabuleiro. Em vez de depender de um operador no painel ou de uma visão de máquina rígida baseada em regras, o modelo aprende a partir de imagens de peças conformes e não conformes na tua linha, e adapta-se à medida que o teu composto de borracha, o desgaste da ferramenta e o teu revestimento mudam.

Os vedantes e juntas de motor são particularmente desafiantes porque combinam vários materiais e geometrias complexas numa única peça. As juntas multicamadas de aço (MLS) integram cordões estampados, revestimentos, marcações de impressão e furos de tolerância apertada, frequentemente sobre um suporte de borracha overmoldada de cor preta que derrota algoritmos simples baseados em silhueta ou limiar. Os vedantes em elastómero são flexíveis, reagem de forma diferente à iluminação de baixo ângulo do que as peças rígidas estampadas, e exigem iluminação afinada ao composto de borracha. A inspeção conduzida por IA gere essas variações porque aprende a partir de imagens de produção real em vez de a partir de um conjunto fixo de regras.

O resultado é um ponto de controlo visual automatizado que complementa as estações de CMM e de teste de fugas em programas de inspeção PPAP, bloqueia peças não conformes de entrarem em lotes controlados, e constrói um registo contínuo de rastreabilidade baseado em imagem para auditorias IATF 16949.

O rig de hardware completo custa menos de 1 000 € e é composto por um iPhone Pro recondicionado, um anel de luz de baixo ângulo, um cabo USB-C e um braço de fixação sobre o ponto de inspeção. A integração PLC não é necessária para o primeiro deployment, o rig cabe numa mala de transporte e a linha continua a correr enquanto o montas.

O onboarding é em self-service. A tua equipa de linha monta o rig, abre a app Enao e começa a recolher imagens de referência na próxima mudança de peça. O dia 1 devolve 80 % de precisão sem qualquer etiquetagem prévia, e ao dia 14 o modelo corre acima do operador manual nas famílias de defeitos que viu, melhorando com cada peça sinalizada que a linha confirma ou rejeita.

Cada linha treina o seu próprio modelo a reconhecer o aspeto dos seus perfis de cordão, sistemas de revestimento, impressões e padrões de furo. Quando adicionas uma segunda linha na mesma família de produto, o segundo modelo parte da experiência do primeiro e o esforço marginal cai a pique. Quando introduzes uma nova variante de junta, re-treinas o modelo num único turno em vez de re-programar um conjunto de regras durante duas semanas.

As peças defeituosas deixam de sair da célula, o encaminhamento para sucata acontece no ponto de inspeção em vez de na auditoria de fim de linha, e os teus inspetores recuperam as horas de atenção de que precisam para as partes do trabalho que ainda exigem um olho humano, incluindo auditorias de fornecedor e documentação IATF.