Dans la fabrication moderne, le contrôle de la qualité des produits a toujours été un lien important. Les pièces forgées sont utilisées comme base pour les pièces mécaniques, leur qualité affecte directement les propriétés et la durée de vie des machines. Avec le développement de la technologie, de plus en plus de nouvelles technologies sont appliquées au domaine d’inspection de qualité. Parmi eux, le développement de la technologie machine learning offre de nouvelles solutions pour le contrôle automatique de la qualité des pièces forgées. Cet article décrit comment contrôler automatiquement la qualité des pièces forgées grâce à une approche basée sur l’apprentissage machine.
La détection traditionnelle de la qualité des pièces forgées dépend principalement de l’inspection manuelle et des instruments et équipements simples, avec une certaine subjectivité et erreur. Avec le développement de l’industrie 4.0, la précision et l’efficacité de l’inspection de qualité des pièces forgées sont de plus en plus requises. L’inspection automatique est devenue une tendance inévitable. Le développement rapide des techniques d’apprentissage automatique offre la possibilité d’une inspection automatique de haute précision grâce à la formation d’un grand nombre de modèles de données.
L’application du machine learning à la vérification automatique de la qualité des pièces forgées comprend principalement les étapes suivantes:
Collecte de données: collectez beaucoup de données de qualité de pièces forgées, y compris les produits qualifiés et non qualifiés. En même temps, enregistrez tous les paramètres de chaque pièce forgée, tels que la taille, le poids, la dureté, etc.
Prétraitement des données: les données collectées sont nettoyées, débruyées et normalisées afin de faciliter l’entraînement du modèle.
Formation au modèle: sélection d’algorithmes d’apprentissage machine appropriés (par exemple, arbres de décision, machines de vecteurs de support, réseaux neuronaux, etc.), entraînement des données pré-traitées pour obtenir un modèle de prédiction de la qualité.
Évaluation du modèle: le modèle est évalué à l’aide d’un jeu de données d’essai. Des indicateurs tels que la précision et le rappel du modèle sont calculés. Les paramètres du modèle sont ajustés en fonction des résultats de l’évaluation.
Application de modèle: appliquez le modèle bien formé à la production réelle, surveillez et prédisez en temps réel la qualité des pièces forgées, détectez les produits non conformes à temps, améliorez l’efficacité de production.
Un grand fabricant de machines utilise des algorithmes de réseaux neuronaux pour former des modèles de prédiction de la qualité des pièces forgées. Tout d’abord, des données d’échantillons de 5000 pièces forgées ont été recueillies, y compris 2000 pièces conformes et 3000 pièces non conformes. Ces données ont ensuite été prétraitées pour les normaliser dans la même gamme. Ensuite, le modèle est formé à l’aide d’un algorithme de réseau de neurones. Après 100 itérations, le modèle converge. Enfin, l’application du modèle à la production réelle a permis d’obtenir plus de 90% de précision et plus de 85% de rappel. Comparé aux méthodes traditionnelles d’inspection, cette méthode améliore considérablement l’efficacité et la précision de détection et réduit les coûts de main-d’œuvre.
Cet article décrit une méthode de contrôle automatique de la qualité des pièces forgées basée sur l’apprentissage automatique. Le contrôle automatique de haute précision de la qualité des pièces forgées est réalisé par des étapes telles que la collecte de données, le prétraitement, la formation sur modèle, l’évaluation et l’application. Par rapport aux méthodes d’inspection traditionnelles, la technologie d’apprentissage automatique a une efficacité et une précision plus élevées. Elle peut détecter les problèmes de qualité à temps et améliorer l’efficacité de la production. Cependant, les techniques d’apprentissage automatique présentent certaines limites, telles que des exigences élevées en termes de qualité et de quantité de données, qui nécessitent une formation et une adaptation des modèles par des professionnels. Les recherches futures devraient donc porter sur l’optimisation des méthodes de prétraitement des données, l’exploration d’algorithmes plus efficaces, l’amélioration de l’interprétation des modèles, etc.
