قطعات هواپیما به بازرسی کامل نیاز دارند و هوش مصنوعی می تواند کمک کند - اما فقط در صورتی که داده ها به اندازه کافی خوب باشد.

گتی ایماژ Safran با Loopr AI شریک می شود تا تشخیص عیب در فرآیندهای تولید هوانوردی را افزایش دهد.

هوش مصنوعی Loopr از داده های مصنوعی برای بهبود دقت و کارایی بازرسی برای قطعات Safran استفاده می کند.

سیستم هوش مصنوعی جدید Safran زمان بازرسی و فراخوان پرهزینه نقص را کاهش می دهد. هنگامی که بازرسان قطعات در سازنده هواپیما Safran یک درب توالتی را که این شرکت به تازگی تولید کرده بود دریافت کردند، 20 تا 30 دقیقه را صرف بررسی آن کردند.

در هواپیما، دستشویی ها باید بی نقص باشند، بنابراین بازرسان به دنبال رنگ های ثابت و سطوح صاف و بدون حباب های رنگ و خط و خش و سایر عیوب هستند.

Bindioa Ouali، مدیر ارشد و رئیس بخش تولید دیجیتال، رباتیک و اتوماسیون در Safran گفت: برخی از متخصصان بازرسی بیش از 10 سال است که این نقش های تضمین کیفیت را در Safran انجام می دهند و می توانند تا 90٪ از نقص های تولید را در گالی کابین، صندلی های سرنشین و سایر قطعات تشخیص دهند.

با این حال، خستگی می تواند پس از ساعت ها بازرسی ایجاد شود و باعث شود نرخ تشخیص متفاوت باشد. ژنگ یائو، دانشمند پژوهشی اصلی در مرکز تحقیقات انرژی دانشگاه لیهای، در مصاحبه ای با Business Insider گفت که هوش مصنوعی می تواند به ساده سازی این فرآیندهای تضمین کیفیت فشرده کمک کند - اما تنها در صورتی که شرکت ها داده های کافی برای آموزش این فناوری را داشته باشند. او گفت که وقتی به اندازه کافی نباشد، آنها می توانند از داده های مصنوعی یا اطلاعات مصنوعی که نقاط داده واقعی را تقلید می کند استفاده کنند.

شرکت‌های نرم‌افزاری مانند Loopr AI، Spectron، و Akridata را وارد کنید که داده‌های مصنوعی را از تصاویر تولید شده توسط رایانه، مدل‌های سه بعدی، و سایر ابزارهای شبیه‌سازی برای رفع کمبود داده و کمک به جلوگیری از ریزش پرهزینه و بازسازی قطعات معیوب ایجاد می‌کنند.

حل کمبود داده

Ouali گفت که Safran دو سال پیش پروژه های آزمایشی را با Loopr AI آغاز کرد تا ببیند آیا هوش مصنوعی می تواند شناسایی نقص را بهبود بخشد و زمان بازرسی و مستندسازی را کاهش دهد.

پریانشا باگاریا، بنیانگذار و مدیر عامل Loopr، به Business Insider گفت: در شرایطی مانند Safran's، که این شرکت قطعات بسیار متنوعی را تولید می‌کند، اما حجم بالایی از هر کدام را تولید نمی‌کند، "داشتن هزاران مجموعه داده بسیار سخت است."

در مواردی مانند این، Loopr به طور مصنوعی داده‌ها را با ایجاد نمونه‌های آموزشی جدید از تصاویر موجود، تغییر می‌دهد تا تعداد نمونه‌هایی را که الگوریتم‌ها می‌توانند از آنها یاد بگیرند، افزایش دهد. باگاریا گفت که این به Safran اجازه می دهد تا سناریوهای مختلف تولید را شبیه سازی کند در حالی که هنوز از داده های دنیای واقعی برای اعتبارسنجی نتایج استفاده می کند.

باگاریا گفت که نرم افزار آنالیز در تشخیص عیوب زیبایی در مجموعه های کابین و مقایسه آنها با نقشه های تولیدی و قطعات فهرست شده برای استفاده به خوبی کار می کند. او افزود: "هوش مصنوعی در حذف ذهنیت و حفظ دانش اپراتورهای شما واقعا خوب است. شما می توانید کارهای تکراری را خودکار کنید و فرآیندهای خود را استاندارد کنید."

باگاریا گفت، برای مثال، با تجزیه و تحلیل رنگ، هوش مصنوعی ویژگی های بصری نقص و همچنین قسمت خاصی را که می تواند روی آن ظاهر شود، مانند میز یا صندلی توالت، می آموزد. این مدل همچنین از داده‌های مربوط به هر جزء تولیدی خاص و شرایط نوری استفاده می‌کند که شبیه شرایط نوری در مناطقی است که در نهایت قطعات در آنجا نصب می‌شوند.

اوعلی گفت که با صندلی توالت سفران، بازرسی اکنون پنج تا 10 دقیقه طول می کشد و شامل یک نقص و برگه بازرسی خودکار ایجاد شده قبل از انتقال قطعات به مرحله بعدی است. این مستندات قبلا توسط بازرس ایجاد شده بود.

اوالی گفت: علاوه بر این، فناوری Loopr به 90.9 درصد فراخوانی دست یافت - توانایی شناسایی تمام عیوب، مانند خراشیدگی، تغییر رنگ رنگ و حباب های رنگ - در پروژه.

یک برنامه نرم افزار هوش مصنوعی، دو روش بازرسی

بسته به راه‌اندازی، فرآیند بازرسی هوش مصنوعی Loopr می‌تواند از یک رویکرد خودکار یا ترکیبی استفاده کند.

باگاریا گفت: برای برنامه بازرسی رنگ Safran، این شرکت قبلا سخت افزار تجسم را در اختیار داشت. او گفت که این برنامه از این نظر خودکار بود که ضبط تصویر و تجزیه و تحلیل هوش مصنوعی خودکار بود، اما این پلتفرم به انسان اجازه می‌دهد تا یافته‌های هوش مصنوعی را بررسی، تأیید یا تصحیح کند. این بازخورد همچنین به بهبود مدل در طول زمان کمک می کند.

Loopr سخت‌افزاری است و می‌تواند روی انواع دوربین‌ها و تبلت‌هایی که یک شرکت از قبل استفاده می‌کند اجرا شود. برای این پروژه، یک بازوی رباتیک از قطعات قبل و بعد از اعمال رنگ عکسبرداری کرد، سپس آنها را برای تجزیه و تحلیل در اختیار Loopr قرار داد.

با یک رویکرد ترکیبی، مانند یک مجموعه کابین که شامل یک دستشویی یا گالری است، بازرسان به صورت دستی از زوایای مختلف عکس می گیرند و آنها را در سیستم کامپیوتری Safran آپلود می کنند. الگوریتم Loopr به عکس‌ها دسترسی پیدا می‌کند و مشکلات احتمالی را شناسایی می‌کند و یک نقص و برگه بازرسی ایجاد می‌کند.

Ouali گفت: با یک فرآیند بازرسی سریعتر، "ما می توانیم 10٪ تا 15٪ بیشتر از قبل تولید کنیم. توان عملیاتی برای ارسال قطعات به مونتاژ نهایی افزایش یافت."

باگاریا گفت که با تکمیل خلبان های موفق، Safran اکنون فناوری Loopr را به تاسیسات Marysville، واشنگتن و سانتا ماریا، کالیفرنیا معرفی می کند.

مقاله اصلی را در Business Insider بخوانید