موارد کاربردی هوش مصنوعی در مدیریت کیفیت

0

1)کنترل کیفیت در خط تولید: با پیچیدگی روز افزون و رقابت جهانی صنایع تولیدی مدیریت مؤثر بیش از پیش شرکتها در خصوص تضمین کیفیت و بهره وری موثر به صورت همزمان در بازار جهانی امری ضروری است. با این حال، شرکتهای تولیدی مختلف همچنان در حال تغییرات فرایند هستند و در مدیریت الزامات مورد نیاز برای کیفیت محصول با مشکل مواجه می شوند علاوه بر این هر محصول یا فرایند با توجه به ارزش بازار (برای مثال خودروهای لوکس در برابر خودروهای ،اقتصادی، دارای الزامات و انتظارات منحصر به فرد مشتری می باشند یکی از راههایی که تولیدکنندگان از طریق آن رضایت مشتریان خود را مدیریت می کنند ارائه ضمانت یا برگشت مبلغ کالاهای معیوب است محصولات معیوب هم باعث افزایش هزینه های مربوط به ضمانت میشوند و هم میتوانند سبب نارضایتی مشتریان و ازبین رفتن وفاداری آنان در بازار جهانی شوند.

برای اطمینان از رضایت مشتری در تولید قابلیت اطمینان محصول و دقت بازرسی در سیستم نظارت و کنترل ،کیفیت دارای اهمیت و در اولویت قرار گرفته است برای برآوردن این نیاز تلاش شده تا بتوان کیفیت محصولات را با استفاده از روشهای داده کاوی و یادگیری ماشین به صورت لحظه ای ارزیابی و کنترل کرد.

2) تشخیص و طبقه بندی اشکالات :یکی دیگر از کاربردهای یادگیری ماشین در مدیریت کیفیت و نظارت بر آن تشخیص و طبقه بندی اشکالات است که در صنعت الکترونیک کاربردهای فراوانی دارد بازرسی اشکالات و تشخیص روند نظارت که اطلاعات مفیدی را برای مهندسان در جهت شناسایی علل اصلی شکست فرایند ارائه میدهند برای کنترل کیفیت حائز اهمیت است به طور معمول برای جداسازی اقلام معیوب و غیر معیوب ،داده های تولید از سنسورها کنترل گرهای منطقی برنامه پذیر (PLC) و سیستم های اجرایی تولید (MES) جمع آوری میشوند و به عنوان متغیرهای تصمیم گیری مجموعه ای از طبقه بندی کننده ها مورد استفاده قرار میگیرند.

3شناسایی مجدد تصویر برای تشخیص اشکالات: انقلاب صنعتی چهارم مفهومی نوظهور است که ماهیتی چندرشته ای و پیچیده دارد. آگاهی از متن، خودکاری کامل، خودمختاری، انعطاف پذیری ،قابلیت اطمینان، دقت، پیمانه ای بودن، حضور دیجیتالی، مقیاس پذیری ،چابکی و داشتن حالت،ارتجاعی، برخی ویژگیهای انقلاب صنعتی چهارم هستند. همه اینها از طریق بسیاری از فناوریهای در حال توسعه مانند یادگیری ماشین کلان داده و تحلیل آنها، سیستمهای فیزیکی – سایبری اینترنت اشیاء، واقعیت مجازی و واقعیت افزوده در حال تحقق هستند. ویژگیهایی مانند آگاهی از متن، خودکاری کامل و خودمختاری را میتوان از طریق الگوریتم های یادگیری ماشین به دست آورد در زمینه ها و کاربردهای مختلف از الگوریتم های مختلف یادگیری ماشین استفاده می.شود رفتار سنجی ابزارهای ماشینی و دستگاه های مرتبط با مدیریت مواد مانند رباتها را میتوان با کمک یادگیری ماشین بهبود بخشید. مقالات متعددی در خصوص پیاده سازی روش های یادگیری ماشین در صنعت تولید برای حل بسیاری از مشکلات ارائه شده است.

با این حال هنوز زمینه های زیادی در حوزه تولید به صورت ناشناخته باقی مانده و مطالعاتی در خصوص پیاده سازی یادگیری ماشین در این زمینه انجام نگرفته که جذابیت های زیادی برای ارائه راه حل های مبتنی بر یادگیری ماشین ایجاد می کند این امر به همراه سایر فناوری هایی که ذ

کر شد میتواند سبب تحقق انقلاب صنعتی چهارم شود .

یادگیر

ی ماشین به تنهایی تنها ابزار در دسترس برای تحقق انقلاب صنعتی چهارم نیست اما ترکیب بینایی ماشین با یادگیری ماشین می تواند طیف گسترده ای از مشکلات را برطرف کند بینایی ماشین که به عنوان بینایی رایانه نیز شناخته میشود، یک فناوری است که به ماشین ها این امکان را میدهد تا بتوانند با کمک یک یا چند سنسور بینایی به همراه یک نرم افزار خاص محیط اطراف خود را به صورت بصری درک کنند. برای دستیابی به نتایج مطلوب شدت روشنایی مورد نیاز یک شیء یا صحنه ممکن است در موارد ،مختلف متفاوت باشد در برخی موارد این تفاوت ممکن است در سیستم های بینایی ماشین تولید شده توسط تولیدکنندگان مختلف باشد با این حال باید میزان روشنایی در هر یک از زمینه هایی که بینایی ماشین در آن به کار گرفته می شود، ثابت باشد. بینایی ماشین در بسیاری از زمینه های تولید و سایر حوزه ها جایگزین بینایی انسان شده است. اخیراً، بازرسی بصری کیفیت که با شناسایی مجدد تصویر به صورت خودکار پشتیبانی می شود به عنوان یک زمینه مناسب برای شناسایی و طبقه بندی اشکالات موجود در محصولات در حال ظهور است.

 

۴)مدیریت چرخه عمر: در حال حاضر بیشتر روش های پیش بینی بر اساس مدل چرخه عمر محصول توسعه داده شده اند. این مدل ها شامل ۶ مرحله هستند ،معرفی ،رشد ،بلوغ اشباع نزول و پایان (منسوخ شده).

زمانی که فروش محصولی به اندازه کافی کاهش پیدا می کند و در مرحله پایان چرخه عمر خود قرار میگیرد بیشتر شرکت ها تولید محصول را متوقف کرده و آن را منسوخ میکنند و بنابراین پشتیبانی از آن انجام نمی دهند. با این حال جمع آوری ورودی های مورد نیاز برای انجام پیش بینی چرخه عمر، غالبا سلیقه ای و پرزحمت است و سبب ناهماهنگی در پیش بینی ها می شود. برای حل چنین مشکلاتی می توان متدولوژی هایی مبتنی بر یادگیری ماشین توسعه داد که بتوانند ریسک منسوخ شدگی و چرخه عمر محصول را به طور دقیق پیش بینی کنند و در عین حال هزینه های تعمیر و نگهداری سیستم های پیش بینی کننده را به حداقل برسانند. این متدولوژی های جدید هم امکان پیش بینی سطح ریسک منسوخ شدگی و هم زمان منسوخ شدن یک قطعه را فراهم می کنند.

 

منبع: مرکز نوآوری و توسعه هوش مصنوعی وزارت ارتباطات

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.