Měření síly a AI: Predikce selhání produktu
Tradiční testování a inspekce vyžadují sběr a zpracování velkého množství dat, což je nezbytné k dospění k přesným závěrům a zabránění předčasným selháním produktů v reálném provozu. Abyste mohli tato data analyzovat efektivněji a přehledněji, může Vám výrazně pomoci umělá inteligence (AI).
Co to je umělá inteligence?
Ve zkratce: umělá inteligence je technologie, která dává počítačovým systémům schopnost napodobit lidské myšlení a provádět úkoly, které by normálně vyžadovaly lidskou práci – jako je řešení problémů, učení se, rozpoznávání vzorů či rozhodování.
Existují různé typy algoritmů AI, ze kterých jsou pro predikci selhání nejdůležitější strojové učení (machine learning) a hluboké učení (deep learning). Tyto techniky se používají pro zpracování a interpretaci dat.
Odkud pocházejí data?
Data pro analýzu pocházejí ze systémů pro měření síly – například z univerzálních zkušebních strojů (UTM), které používají snímače síly založené na tenzometrech. Tyto stroje zaznamenávají údaje o různých vlastnostech materiálu a výrobku – např. tahovou pevnost, smykovou pevnost nebo únavové chování materiálu.
Vysoká frekvence měření může znamenat desítky tisíc datových bodů na jeden test, které je třeba zpracovat a analyzovat. Taková data může AI velmi efektivně zpracovávat.
Úprava dat před analýzou
Data získaná měřením nejsou vždy perfektní. Často obsahují tzv. šum – např. vliv vibrací nebo jiných rušivých vlivů, které mohou zkreslit výsledky. Proto se data často předzpracovávají a čistí ještě před tím, než je AI použije k analýze.
Například se používají filtrační techniky (např. klouzavý průměr), které odstraní vysokofrekvenční špičky a zachovají hlavní trend dat. AI může navíc detekovat a automaticky upravit fluktuace signálu během samotného testu.
Analýza dat – dříve vs. s AI
Dříve bylo běžné používat statistické nástroje, jako je statistická kontrola procesu (SPC), které ukládaly data a generovaly grafy, podle kterých se určovalo, zda test splnil předem definované parametry nebo ne.
Když ale data zpracovává AI, může algoritmus přímo vybrat důležité datové body a předpovědět budoucí chování nebo selhání produktu na základě vzorů a trendů ve vstupních datech. Tím se AI doplňuje tradiční SPC a pomáhá odhalit hlubší souvislosti, které by mohly uniknout lidskému sledování.
Jaké AI algoritmy se používají?
Strojové učení (Machine Learning)
Tyto algoritmy se učí rozpoznávat vzory v datech a následně z nich předpovídat výsledky. Vstupní znaky (tzv. „feature“), jako jsou maximální síla, průměrná síla či jiné vlastnosti materiálu, bývají vybírány ručně programátory.
Hluboké učení (Deep Learning)
Tento typ AI je pokročilejší a funguje podobně jako neurální síť, která se učí z velkého množství dat, aniž by bylo nutné ručně vybírat konkrétní znaky. Díky vícero úrovním zpracování může AI samo rozpoznat složitější vzory.
Čím více kvalitních dat má systém k dispozici, tím lépe se učí a přesněji dokáže předpovídat potenciální selhání.
Kvalita dat je základem úspěchu
Pro správnou funkci AI je zásadní nejen velké množství dat, ale také jejich kvalita. Někdy je třeba data před dalším zpracováním „vyčistit“ – např. odstranit chybějící nebo nekonzistentní hodnoty. Pokud by tomu tak nebylo, může AI mylně klasifikovat špatné výrobky jako dobré a naopak – což by mohlo zvýšit riziko selhání produktu nebo naopak zbytečně zpomalovat výrobu.
Filtrování a úprava dat tak připraví konzistentní datovou základnu, kterou AI následně lépe interpretuje a může z ní přesněji předpovídat budoucí chování produktu.
Závěr
Selhání produktu – ať už kvůli vadnému návrhu, použitým materiálům nebo chybě ve výrobním procesu – vyžaduje kvalitní data, která jsou co nejpřesněji měřena a analýzována. Integrace umělé inteligence do procesu zpracování dat z měření síly může výrazně zlepšit predikci budoucích selhání, což přispívá ke zvýšení kvality a spolehlivosti výrobků a minimalizaci rizika jejich selhání v praxi.
Článek přeložen z webu www.qualitymag.com, autor Steve Cosgrove
