صنعت ساخت، سنگ بنای تولید برای قرن ها، به مدت طولانی به صنایع دستی ماهر و بازرسی دستی وابسته است تا کیفیت اجزای فلزی را تضمین کند، در حالی که روش های سنتی قطعات قابل اعتماد برای همه چیز از سنگ های خودرو به تجهیزات فرود هوافضا تولید می کنند، تقاضای رو به رشد برای دقت، بهره وری و تولید صفر، صنعت را به سمت یک عصر جدید هوش مصنوعی (AI) سوق می دهد تا به عنوان یک تکنیک کنترل دقیق و تجزیه و تحلیل روند کنترل دقیق، و تحلیل کیفیت واقعی تولید کنندگان را فراهم کند.

تکامل کنترل کیفیت

روش های سنتی و محدودیت های آنها

برای بسیاری از تاریخ آن، کنترل کیفیت در ساخت و ساز متکی بر بازرسی بصری، بررسی های بعدی با کالیبر و سنج، و آزمایش مخرب قطعات نمونه. بازرسان ماهر می توانند ترک های سطحی، قفسه ها و پیچ ها را شناسایی کنند، اما روند ذهنی، کند و به طور ذاتی محدود از خستگی و توجه انسان است.

ظهور سیستم های بازرسی دیجیتال

موج اول تحول دیجیتال ابزارهای بازرسی خودکار مانند ماشین های اندازه گیری مختصات (CMMs)، تست اولتراسونیک و سنسورهای فعلی eddy را بهبود بخشید و سوابق دیجیتال را ارائه داد، اما آنها هنوز هم نیاز به تفسیر اپراتور و نگهداری نوار نقاله دوره ای دارند، اخیرا اینترنت اشیا (IoT) جمع آوری داده های زمان واقعی را از سنسورهای جاسازی شده در فشار، کوره ها، و با این حال تعریف جریان های عظیم هوش مصنوعی است که اغلب به منظور ایجاد اطلاعات تحلیلی ارائه شده است.

چگونه AI افزایش می یابد برای کنترل کیفیت

نظارت بر زمان واقعی با کامپیوتر بینایی

سیستم های دید کامپیوتری مبتنی بر هوش مصنوعی از دوربین های با وضوح بالا و الگوریتم های یادگیری عمیق استفاده می کنند تا قطعات جعلی را بررسی کنند، زیرا آنها از مرگ خارج می شوند.این سیستم ها می توانند در هزاران تصویر از قطعات قابل قبول و معیوب آموزش ببینند، یادگیری برای تشخیص ظریف مانند میکرو دیسک ها، منافذ سطح، و 99٪ مرگ را بر خلاف ماشین بینایی مبتنی بر قانون، AI سازگار با تغییرات نور هوش مصنوعی، بخش های مطالعه و جلوگیری از عملکرد ضعیف، به سرعت بخش های تجزیه و سرعت بخشیدن به قطعات تجزیه و کاهش سرعت بخش های تجزیه و هشدار از حرکت دادن قطعات تصویر از حرکت می دهد.

پیش بینی تجزیه و تحلیل برای جلوگیری از نقص

فراتر از تشخیص نقص ها پس از وقوع، AI کنترل کیفیت پیش بینی شده را با تجزیه و تحلیل داده های سنسور از خود فرآیند ساخت، پروفایل های دما، سرعت تراموا، منحنی های تالکاژ، و میزان روانکاری همه بر یکپارچگی بخش نهایی تاثیر می گذارد. مدل های یادگیری ماشین می توانند این فرآیند را با داده های کیفیت پایین جریان مرتبط کنند تا شرایطی را شناسایی کنند که احتمالاً نقص تولید می کنند، به عنوان مثال، یک درجه حرارت کاهش در لایحه با سرعت پردازش معکوس ممکن است پیش بینی مجدد سیستم عامل را کاهش دهد.

آموزش ماشین برای بهینه سازی فرآیند

AI محدود به بازرسی و پیش بینی نیست؛ همچنین می تواند خود فرآیند ساخت را بهینه سازی کند. یادگیری و الگوریتم های بهینه سازی می تواند طرح های مرگ، اشکال پیش فرم و توالی های چکش را پیشنهاد دهد که نقص ها را به حداقل می رساند در حالی که به حداکثر رساندن استفاده از مواد اولیه در تجزیه و تحلیل داده های تولید تاریخی و شبیه سازی نتایج، AI می تواند پنجره هایی را شناسایی کند که به طور مداوم قطعات با کیفیت بالا را به حداقل می رسانند، به ویژه توانایی های پیچیده ای که در آن ها پیشنهاد می دهند، کاهش می دهند.

مزایای کلیدی ادغام AI

  • دقت تشخیص دقیق: AI به طور مداوم بیش از 99٪ دقت در شناسایی سطح و نقص های داخلی، بسیار بیشتر از بازرسان انسانی که به طور معمول در 80-90٪ دقیق تحت شرایط ایده آل عمل می کنند.
  • زمان چرخه بازرسی کاهش یافته: سیستم های بینایی کامپیوتر می توانند بخشی را در میلی ثانیه ارزیابی کنند، که امکان بازرسی 100٪ در خط بدون کاهش تولید را فراهم می کند.
  • هزینه های برش و rework: تشخیص زود هنگام نقص و پیش بینی فرآیند تنظیم می تواند نرخ های ضایعات را 30 تا 50٪ در بسیاری از برنامه های ساخت و ساز، به طور مستقیم بهبود سودآوری و پایداری کاهش دهد.
  • کیفیت بخش مربوطه در سراسر Batches: مدل های AI دارای آستانه تشخیص یکسان در روز و شب هستند، اطمینان حاصل کنید که هر بخش با همان استاندارد بدون توجه به تغییر یا تقسیم اپراتور مطابقت دارد.
  • بهبود مستمر داده-Driven: [FLT 1] هر بازرسی و مجموعه داده های فرآیند تبدیل به یک منبع آموزشی برای مدل های آینده AI، ایجاد یک چرخه فضیلت از افزایش کیفیت و بهره وری.

مطالعه موردی از یک تامین کننده بزرگ تولید خودرو، که در ]ScienceDaily اشاره شده است، پس از اجرای کنترل کیفیت مبتنی بر AI بر خط اتصال میله، 25 درصد کاهش بازده مشتری را نشان داد.

چالش های اجرایی و ملاحظات

کیفیت داده ها و ادغام

مدل های AI تنها به اندازه داده هایی که در آن آموزش دیده اند، خوب هستند.عملیات های تنظیم کننده باید در مجموعه داده های تمیز و برچسب گذاری شده سرمایه گذاری کنند که شامل نمونه هایی از انواع نقص و تغییرات طبیعی است. جمع آوری این داده ها اغلب نیازمند سنسورهای مقاوم و یکپارچه سازی سیستم های مختلف (کنترل های فشار، ایستگاه های بازرسی، ERP) است.

آموزش نیروی کار و مدیریت تغییر

معرفی AI به طبقه ی ساختگی نقش اپراتورهای ماهر و بازرسان را تغییر می دهد، به جای جایگزینی کارگران، AI توانایی های خود را افزایش می دهد، اما کارکنان نیازمند آموزش مجدد هستند تا به توصیه های سیستم اعتماد کنند و درک کنند که شرکت ها باید در برنامه های آموزشی سرمایه گذاری کنند که توضیح دهند چگونه AI در شرایط عملی کار می کند و بر ارزش نظارت انسان تاکید می کنند.

هزینه و بازگشت سرمایه گذاری

سرمایه گذاری پیش رو در سخت افزار AI (دوربین ها، سنسورها، محاسبات) و نرم افزار (پل ها، توسعه مدل) می تواند قابل توجه باشد، به ویژه برای هارد های کوچک و متوسط، ROI از کاهش ضایعات، بهبود قیمت گارانتی پایین تر، و افزایش رضایت مشتری اغلب هزینه های موجود در 12 تا 18 ماه را توجیه می کند. بسیاری از فروشندگان تجهیزات در حال حاضر سنسورهای آماده AI و دستگاه های دسترسی به عنوان گزینه های استاندارد دسترسی به عنوان یک عامل موثر برای صرفه جویی در خدمات عامل واقعی و نه تنها نیاز به صرفه جویی در خدمات عامل صرفه جویی در خدمات عامل اصلی.

آینده: هوش مصنوعی و استاندارد هوشمند

ادغام با IoT و دوقلوهای دیجیتال

مرز بعدی، شکل کاملا هوشمند متصل است، جایی که کنترل کیفیت AI بخشی از یک دوقلو دیجیتال از کل سیستم تولید است. دوقلوهای دیجیتال فرآیند ساخت را در زمان واقعی شبیه سازی می کنند، شامل داده های سنسور زنده، پیش بینی های AI و اپراتورهای تاریخی می توانند به عنوان ماژول های کیفیت دیجیتال برای بهینه سازی دما یا روانکاری بدون خطر تولید، اجرا کنند.

ویژگی های پیشرفته Material Characterization

AI همچنین فراتر از بازرسی سطح برای ارزیابی خواص مواد داخلی فیبری است.داده های آرایه همراه با یادگیری عمیق می تواند جریان دانه را نقشه برداری کند، ورودی ها را تشخیص دهد و اثربخشی درمان گرما را در زمان واقعی ارزیابی کند.این یک جایگزین غیر مخرب برای آزمایش مکانیکی مبتنی بر نمونه ارائه می دهد که هر بخش را قادر می سازد تا برای یکپارچگی فلزی تأیید شود.

سیستم های کنترل کیفیت خودکار

به دنبال آینده، AI کنترل کیفیت حلقه بسته را که در آن مطبوعات تشکیل شده پارامترهای خود را به طور خودکار بر اساس بازخورد از سیستم بازرسی تنظیم می کند، به عنوان مثال، اگر یک سیستم بینایی یک انحراف جزئی را در هندسه جزئی تشخیص دهد، کنترل کننده AI می تواند حرکت مطبوعات را تغییر دهد یا دمای مرگ را برای بخش بعدی بدون دخالت انسان تغییر دهد.

نتیجه گیری

ادغام هوش مصنوعی در ایجاد کنترل کیفیت دیگر یک مفهوم آینده نگر نیست؛ یک استراتژی عملی است که بهبود قابل اندازه گیری در دقت، کارایی و صرفه جویی در هزینه را ارائه می دهد.از دید کامپیوتری زمان واقعی که نقص در اواسط زمان را برای پیش بینی مدل هایی که از ایجاد مشکلات جلوگیری می کنند، AI به تولیدکنندگان قدرت می دهد تا با افزایش تقاضاهای کیفیت در حالی که کاهش زباله ها نیاز به سرمایه گذاری متفکرانه در زیرساخت های داده ها دارند، بهترین پاداش های تجاری، و موارد قابل توجه را هدایت کنند.