ظهور هوش مصنوعی و یادگیری ماشین در بازرسی جوشکاری

بازرسی جوشکاری یک ستون حیاتی از تضمین کیفیت در تولید، ساخت و ساز و زیرساخت است. روش های سنتی به شدت بر بازرسی بصری انسان، تست اولتراسونیک، رادیوگرافی و دیگر تکنیک های تست غیر مخرب (NDT) متکی است، در حالی که موثر است، این فرآیندهای دستی زمان گیر، موضوع خستگی اپراتور، و محدود در توانایی خود برای تشخیص ضعف های ظریف یا داخلی در سرعت بالا هوش مصنوعی (یادگیری) و دقت دقیق پردازش داده های واقعی (نسخه ی هوشمند) هستند.

الگوریتم های AI و ML بر روی مجموعه داده های بزرگ تصاویر جوش، خواندن سنسور و پارامترهای فرآیند آموزش دیده اند، آنها یاد می گیرند الگوهایی را که با انواع نقص خاص مطابقت دارند - شکاف ها، کمبود همجوشی، کاهش و پراکنده شدن - اغلب با سرعت و دقت بیش از توانایی های انسانی، با ادغام این الگوریتم ها به طور مستقیم به سیستم های بازرسی، تولید کنندگان می توانند نقص های لحظه ای را شناسایی کنند که باعث می شوند سرعت و تجزیه و تحلیل های ساده را کاهش دهند.

برنامه های کلیدی AI و ML در بازرسی جوشکاری

تشخیص و طبقه بندی خودکار

قابل مشاهده ترین کاربرد AI در بازرسی جوشکاری، بازرسی بصری خودکار است.مدل های بینایی کامپیوتر، اغلب بر اساس شبکه های عصبی یکپارچه (CNNs)، تجزیه و تحلیل فیدهای دوربین زمان واقعی یا تصاویر پس از حوله برای پیدا کردن و طبقه بندی نقص های اتصال دریایی، این سیستم ها را می توان در سلول های جوشکاری خودکار، که در آن آنها بازخورد مداوم بدون وقفه تولید ارائه می دهند، به عنوان مثال، یک مدل آموزش دیده شده در هزاران تصویر جوشکاری و یا سرعت استفاده شده در مناطق اتصال دهنده ی لوله کشی شده با استفاده از آن می تواند به طور چشمگیری از عناصر اتصال دهنده ی اتصال دهنده ی لوله های مخرب را در مناطق اتصال دهنده ی اتصال دهنده ی لوله های اتصال دهنده ی اتصال دهنده ی لوله های مخرب را تسریع کند.

نگهداری پیش بینی شده برای تجهیزات جوشکاری

تجهیزات جوشکاری مانند منابع قدرت، فیدر سیم و بازوی رباتیک در معرض سایش و حرکت هستند. مدل های ML می توانند داده های سنسور (در حال حاضر، ولتاژ، سرعت تغذیه سیم، دما) را تجزیه و تحلیل علائم هشدار اولیه از تخریب قطعات را تجزیه و تحلیل تجهیزات قبل از اینکه آنها باعث خرابی یا تاثیر کیفیت جوش شوند، تولید کنندگان می توانند به طور فعال تعمیر و نگهداری برنامه ریزی کنند.این کاهش خاموش شدن بدون برنامه ریزی و گسترش تجزیه و تحلیل سریع ماشین آلات سرمایه گذاری در هنگام تشخیص زمان، اغلب با استفاده از زمان دقیق.

بهینه سازی فرآیند و کنترل پارامتر

الگوریتم های AI می توانند پارامترهای جوشکاری را بهینه سازی کنند – مانند سرعت سفر، ورودی گرما، محافظت از جریان گاز و زاویه الکترود – برای هر هندسه مفصل منحصر به فرد و ترکیب مواد.یادگیری تقویت کننده و تکنیک های بهینه سازی بیزی اجازه می دهد سیستم ها در زمان واقعی سازگار شوند، پاسخ به تغییرات در ضخامت صفحه، شرایط سطح، یا ترکیب فلزی پرکننده. نتیجه کاهش قابل توجهی در تنوع جوش و اولین عملکرد پیچیده، حتی سازگاری بالا در کنترل صحیح و سازگار با عملکرد، می تواند باشد.

آموزش و ارزیابی مهارت با شبیه سازی های مجازی

شبیه ساز های مبتنی بر AI در حال تبدیل چگونگی جوش و بازرسان آموزش دیده اند واقعیت مجازی (VR) و محیط واقعیت افزوده (AR)، همراه با ارزیابی عملکرد مبتنی بر ML، اجازه می دهد تا کارآموزان بدون مصرف مواد غذایی یا ایمنی استاندارد شده، تجزیه و تحلیل تصاویر، حرکت دست، زاویه مشعل، سرعت سفر، و قوس، ارائه بازخورد عینی در تکنیک موجود برای بازرس AI، ارائه می دهد، و ارائه تصاویر ثابت شده در تست های انسانی، و اطمینان از اینکه تصاویر ثابت کننده آنها را در پردازش می کند.

ادغام با تست غیر آموزنده (NDT) داده ها

فراتر از بازرسی بصری، AI در حال اجرا به تست اولتراسونیک (UT)، مرحله اتصال آرایه (PAUT)، و رادیوگرافی دیجیتال (DR) می تواند سیگنال های پیچیده A-scan یا تصاویر رادیوگرافیک را تفسیر کند، شناسایی نقص هایی که ممکن است با سر و صدا یا اکوال هندسی پوشانده شود.در بازرسی سونوگرافی، مدل های یادگیری عمیق می توانند به طور خودکار نوع نقص، اندازه و جهت گیری از ساختارهای خط لوله کشی زمان (F) را بررسی کنند که قابلیت های فشار نرم افزار با ارزش است.

مزایای AI و ML در بازرسی جوشکاری

پذیرش AI و ML بهبود ملموس را به کنترل کیفیت می رساند.[۱۰] [FLT:] دقت تشخیص بهینه شده اغلب مزیت ذکر شده است. Algorithms می تواند آموزش داده شود تا امضاهای نقص را تشخیص دهد که برای چشم غیر مسلح نامرئی هستند یا در سرعت های فراتر از زمان های واکنش انسان رخ می دهد. [F:3]

چالش های اتخاذ گسترده

علی رغم وعده های خود، ادغام AI در بازرسی جوشکاری بدون موانع است.[۱] سرمایه گذاری اولیه ASME یک مانع برای شرکت های کوچک و متوسط است.[۱۰] هزینه ها شامل سخت افزار محاسباتی قدرتمند، دوربین های با وضوح بالا و سنسورهای، ذخیره سازی داده ها و مجوز نرم افزار است. [۳]

پیاده سازی نقشه راه برای تولید کنندگان

برای پذیرش موفقیت آمیز AI و ML در بازرسی جوشکاری، یک رویکرد مرحله ای توصیه می شود (FLT:0) پروژه آزمایشی با تمرکز بر یک نوع جوش منفرد، تکراری با بروز نقص بالا، استفاده از نرم افزار بازرسی چشم انداز و یا شریک با یک فروشنده متخصص [F:2] جمع آوری [F:3] باید تصاویر عملیاتی را آزمایش کند و سپس با استفاده از آنها را از داده های حساس و گزارش های گواهی شده است.

آینده بازرسی جوشکاری

با نگاهی به جلو، همگرایی AI با دیگر تکنولوژی های صنعت 4.0 شتاب خواهد داد. [۳] دوقلوهای دیجیتال - شبیه سازی های روزانه سلول های جوشکاری - می تواند کل فرایند را شبیه سازی کند و کیفیت جوش را پیش بینی کند قبل از اینکه یک قوس منفرد به طور موثر بسته بندی شود؛ [۳] سیستم های پردازش خودکار (FLT ۱، ترکیب AI با تحرک رباتیک، می تواند ساختارهای بزرگ مانند کشتی یا سیستم های مداخله انسانی را بررسی کند (F).

برای تولید کنندگان و مهندسان، پیام روشن است: AI و ML دیگر تجربی نیستند - آنها ابزارهای اثبات شده هستند که می توانند دستاوردهای قابل اندازه گیری را در کیفیت، سرعت و هزینه ارائه دهند.سازمان هایی که شروع به ایجاد تخصص و زیرساخت امروز می کنند، بهترین گزینه برای استفاده از این فن آوری ها به عنوان بالغ خواهند بود.

منابع خارجی و خواندن بیشتر

با پذیرش این روند در حال ظهور، صنعت جوشکاری می تواند اطمینان حاصل کند که فرآیندهای بازرسی آن نه تنها کارآمد تر بلکه قابل اعتماد تر هستند – محافظت از هر دو افراد و دارایی ها در یک جهان به طور فزاینده ای.