零件檢測雙「A」齊下 黑皮崩齒難逃慧眼 2021/08/31

齒輪運轉時的噪音主要來自於齒輪零組件的間隙過大，運轉時無法完全契合，經濟部技術處觀察電動車產業趨勢，發現這不單是噪音問題亦是行車安全隱憂，臺灣若要於電動車產業中佔有一席之地，如何降低組裝間隙、提高生產品質是首要關鍵。以往燃油車所使用的齒輪組也因不符電動車齒輪需求，而無法通過特斯拉設下的允收標準，純電車對於齒輪組的規格要求更為嚴格。

目前臺灣有許多公司已是電動車大廠的傳動零件供應商，例如已經經營40年的本土企業[1]就負責供應減速齒輪組。臺灣的零件自然是品質保證，但隨著國際電動車市場需求持續增加，本土卻發生看得到訂單、吃不到的窘境，最主要的原因，正是因為這其中的齒輪。

由於特斯拉的齒輪箱裡用的是螺旋切齒齒輪，它不像一般常見的齒輪，兩齒之間的縫隙是直線；螺旋切齒齒輪間是斜的，而且齒度很密，增加了檢測跟組裝的困難。因為斜線的縫隙間容易有陰影，必須要人工目視確認，才知道齒輪上黑黑的地方到底是陰影，還是因為熱處理變異造成精加工預留不足而產生的「黑皮」。若無法有效檢測出這些黑皮、撞傷或崩齒等瑕疵，將無法通過特斯拉所設下的允收標準，導致退貨、失去訂單。

為了提升製造廠的檢測能力，經濟部技術處以科技專案支持「金屬成型設備與模具回饋優化技術」，其中針對高反光金屬工件，開發AI表面瑕疵檢測模組，應用AOI（自動光學檢測）及AI人工智慧，雙A齊下，讓零件組裝、檢測智慧化，單顆齒輪檢測時間少一半，不僅檢測數量提升3倍、且可以24小時不打烊，同時減少零件選配組裝時間，用機器大幅降低人力負擔。

工研院機械與機電系統研究所副組長黃一萍說，AI表面瑕疵檢測模組是國內首創針對3D斜齒輪之黑皮、撞傷及崩齒瑕疵進行檢測之智慧檢測設備。由於齒輪複雜的3D螺旋切齒設計，導致傳統視覺檢測難以均勻打光，團隊因而根據專業目測員的檢驗方式，開發多視角仿生式光源佈局取像技術，利用動態調變光源技術，根據不同的齒輪與外觀，調整相機跟打光的角度，減少取圖時產生反光的問題，解決齒輪上黑皮、撞傷、瑕疵等不易發現的問題。

此模組還採用AI影像處理技術，增強黑皮、撞傷、瑕疵等影像的特徵、降低雜訊影響，並透過空間域擷取局部解析特徵，以獲得大範圍特徵，搭配時頻域分析後之特徵強化影像，再進行複合域CNN架構，建立齒輪瑕疵檢測模型，讓原本不好判別的缺陷能涇渭分明，還可以相對降低運算量、縮短訓練時間，讓檢測更智慧化。

此外，每批齒輪公差不一，在產線上需要仰賴人工檢測再進行選配，一旦無法匹配造成卡齒，只能拆掉重裝，又是一番功夫。在組裝部分，則導入製程可視化與適配最佳化分析，透過檢測時的公差分析，將間隙值相近的齒輪先做分類，對不同公差值的零件進行最佳化匹配，提供組裝公差分析與最佳化適配建議，以確保組裝的齒輪間匹配的間隙可以達到與設計值最接近的狀態，這樣一來，組裝時就可以減少不合的狀況，縮短組配時間與工件加工成本，優化組裝品質與一致性，減少廢品產生，提升產能與效益。

這項技術幫助本土企業解決了一個大煩惱，廠商也「好康到相報」推薦自己的上、下游廠商採用這套技術平台，一起提升效能搶國際大訂單。事實上，AI表面瑕疵檢測模組不只可以用在零件製造，像是木製品的紋路分析還有食品廠的餡料辨識，都逃不過雙A的「慧眼」，未來可望延伸到食衣住行中，讓各行各業效能百倍。

[1] 本土股份有限公司，主營齒輪外銷，主要供應歐美大廠齒輪及傳動元件。

【延伸閱讀】

• 電動車二速傳動箱國產化　提升效率整車續航力更持久
• 以人工智慧為基礎之金屬加工製品檢測應用

資訊來源：https://official.meetbao.net/2021/09/03/%E9%9B%B6%E4%BB%B6%E6%AA%A2%E6%B8%AC%E9%9B%99%E3%80%8Ca%E3%80%8D%E9%BD%8A%E4%B8%8B-%E9%BB%91%E7%9A%AE%E5%B4%A9%E9%BD%92%E9%9B%A3%E9%80%83%E6%85%A7%E7%9C%BC/