وفي الصناعة التحويلية الحديثة، كان اختبار جودة المنتجات عنصرا مهما. وتشكل الطرود كأساس لقطع غيار الآلات، ولها تأثير مباشر على أداء الآلات وعمرها. ومع تطور التكنولوجيا، يجري تطبيق المزيد من التكنولوجيات الجديدة في مجال مراقبة الجودة. ومن بين هذه الحلول، يوفر تطوير تكنولوجيا التعلم الآلي حلاً جديداً للكشف الآلي عن جودة المكونات المطورة. ستشرح هذه الورقة كيفية الكشف التلقائي عن جودة المطبعات استناداً إلى طرق التعلم الآلي.
وتعتمد الاختبارات التقليدية لجودة المواد المطورة إلى حد كبير على الفحص اليدوي والأجهزة البسيطة، مع درجة معينة من الذاتية والخطأ. ومع تطور الصناعة الصناعية 4.0، أصبحت الاختبارات الآلية اتجاهاً حتمياً، مع تزايد الحاجة إلى الدقة والكفاءة في اختبارات جودة المواد المطورة. ويتيح التطور السريع في تكنولوجيا التعلم الآلي إمكانية إجراء اختبارات أوتوماتيكية عالية الدقة من خلال تدريب عدد كبير من نماذج البيانات.
يشمل تطبيق التعلم الآلي في الاختبار الآلي لجودة المواد المطورة الخطوات التالية:
جمع البيانات: جمع كميات كبيرة من البيانات عن نوعية المواد المطورة، بما في ذلك المواد المصنّعة وغير اللائقة، مع تسجيل البارامترات المتعلقة بكل مادة مطورة، مثل الحجم والوزن والصمود وما إلى ذلك.
التجهيز المسبق للبيانات: غسل البيانات المجمعة، وإزالة الضجيج، وتوحيد المقاييس، وما إلى ذلك لتيسير التدريب على النماذج.
التدريب على النماذج: اختيار خوارزميات التعلم الآلي الملائمة (مثل شجرة صنع القرار، والموجهات الداعمة، والشبكات العصبية، وما إلى ذلك)، والتدريب على البيانات المعالجة مسبقاً، نماذج تنبؤ الجودة.
تقييم النموذج: يجري تقييم النموذج باستخدام مجموعات بيانات تجريبية، وحساب مؤشرات دقة النموذج، ومعدل الاستعادة، وما إلى ذلك، وتعديل بارامترات النموذج وفقا لنتائج التقييم.
تطبيق النماذج: سيتم تطبيق النماذج المدربة على الإنتاج الفعلي، ورصد نوعية المواد المطورة والتنبؤ بها في الوقت الحقيقي، والكشف عن المواد غير الملائمة في الوقت المناسب، وتحسين كفاءة الإنتاج.
وتستخدم شركة تصنيع ميكانيكية كبيرة نماذج تنبؤية لجودة وحدات التدرب باستخدام خوارزميات الشبكة العصبية. أولاً، تم جمع بيانات عن 000 5 عينة من قوالب، بما في ذلك 000 2 قطعة من قماش و 000 3 قطعة غير صالحة. وبعد ذلك، جهزت هذه البيانات مسبقا وجمعت في نفس النطاق. وبعد ذلك، تم استخدام نموذج تدريبي على خوارزميات الشبكة العصبية، وبعد 100 جيل، تم تجميع النموذج. وأخيرا، أدى تطبيق النموذج على الإنتاج الفعلي إلى تحقيق أكثر من 90 في المائة من الدقة وأكثر من 85 في المائة من معدل الاستيعاب. وبالمقارنة مع أساليب الكشف التقليدية، فإن هذه الأساليب تزيد إلى حد كبير من كفاءتها ودقتها وتقلل من تكاليف الموظفين.
يصف هذا التقرير اختبارات آليا لجودة المكونات المطورة القائمة على التعلم الآلي. وتم تحقيق اختبارات أوتوماتيكية عالية الدقة لجودة المواد المطورة من خلال خطوات مثل جمع البيانات، والمعالجة المسبقة، والتدريب على النمذجة، والتقييم، والتطبيقات. وتكنولوجيات التعلم الآلي أكثر كفاءة ودقة من أساليب الكشف التقليدية، مما يتيح كشف مشاكل الجودة في الوقت المناسب وتحسين كفاءة الإنتاج. غير أن هناك أيضا بعض القصور في تقنيات التعلم الآلي، مثل ارتفاع مستوى البيانات وكميتها، والحاجة إلى تدريب المهنيين على النماذج وتكييفها. ومن ثم، ينبغي أن تشمل اتجاهات البحث في المستقبل تحقيق المستوى الأمثل من المعالجة المسبقة للبيانات، واستكشاف خوارزميات أكثر كفاءة، وتحسين قابلية النماذج للتفسير.
