Kasu:
- Võimalus luua ja mõista koodi, mis puhastab, analüüsib ja visualiseerib metallurgiaandmeid Pythoni abil koos tehisintellekti toega
- Võimalus luua harjumus AI-ga loodud koodi valideerimiseks üksuse kontrollimise, testjuhtumi ja füüsilise usutavusega
- Terviklik arusaam metallurgia tehisintellekti otstest piiridest, vastutusest ja eetilisest raamistikust
Metallurgiatööd tehakse järjest rohkemate andmetega: sajad tõmbekatsete tulemused, tuhanded SPC mõõtmised, kuumtöötlemisahju kirjed, iseloomustusväljundid. Nende andmete käsitsi otsimine Excelis on aeglane ja tõrkeohtlik; Python (levinud programmeerimiskeel andmete analüüsiks ja teaduslikuks andmetöötluseks) muudab selle korratavaks, auditeeritavaks ja automaatseks. AI on Pythoni koodi kirjutamisel, silumisel ja selgitamisel väga võimas – kuid selle loodud kood võib näida õige, kuid anda vale tulemuse: ühikuviga, vale koefitsient, vaikne andmekadu. Selles viimases õppetükis saate teada, kuidas Pythonis tehisintellekti toega metallurgiaandmeid analüüsida ja iga koodi kontrollida, seejärel kogu moodulis hõlmatud tehisintellekti piire, vastutust ja eetikaraamistikku terviklikult ümardada.
Metallurgilise andmeanalüüsi tüüpilised ülesanded
Levinud ülesanded AI-toega Pythonis:
- Andmete puhastamine: puuduv väärtus, ühiku segadus (MPa vs. ksi), kõrvalekallete eemaldamine. Räpased andmed rikuvad isegi parima analüüsi.
- Visualiseerimine: tõmbekõvera joonistamine, kontrolldiagramm, tera suuruse jaotus, temperatuuri-aja profiil.
- Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, istatistik.
- Automatiseerimine: suure hulga failide paketttöötlemine ja kokkuvõtvate tabelite/aruannete koostamine.
Hall-Petchi suhe on siin hea näide: voolavuspiir suureneb pöördvõrdeliselt tera läbimõõdu ruutjuurega. AI suudab selle valemi tõlkida koodiks; Kuid see, kas kasutate d-d mikromeetri või meetrina ja millist ühikut koefitsiendi k jaoks kasutate, muudab tulemust täielikult. Koodi õigsus ei seisne valemi meeldejätmises, vaid ühikute ja testjuhtumi valideerimises.
Näpunäide: lisage kindlasti igale kontole, mille AI kirjutab, "teadaoleva vastuse test". Sisestage väike sisend, mille tulemust teate käsitsi (nt eeldatav tugevus d = 100 µm korral); Kui kood annab selle väärtuse, võite seda usaldada; kui seda ei juhtu, on viga peidetud.
Samm-sammult: turvaline analüüsivoog tehisintellektiga
- Kirjeldage ülesannet ja andmeid: milline fail, millised veerud, millised ühikud, mida arvutatakse?
- Koodi skeleti taotlemine: küsige AI-lt kommenteeritud, astmeliselt jagatud skeletti; Määrake ühikud, mille ülaosas on selgesõnalised muutujad.
- Test väikeste andmetega: esmalt käivitage mõne rea/tuntud väärtustega; Kontrollige tulemust käsitsi.
- Üksuste ja piiride juhtimine: kas väljund on füüsiliselt mõistlik? Kas on mingit jama nagu negatiivne tugevus, 120% määr?
- Visualiseeri ja vaata: kas graafik näitab oodatavat trendi? Kas kõrvalekalded on andmevead?
- Kontrollige ja dokumenteerige: võrrelge tulemust sõltumatu arvutuse/standardiga; Kommenteerige kood ja eeldused.
AI koodi kinnitustabel
Risk
sümptom
Kontrolli meetod
Üksuse viga
Tulemuseks on 1000x pervert
Määratlege ühikud selges muutujas, suuruse juhtimine
Vale koefitsient/valem
Mõistlik, kuid vale väärtus
Testi stsenaarium teadaolevate vastustega
Vaikne andmete kadu
Ridade arv on oodatust väiksem
Prindi ridade arv enne/pärast töötlemist
kõrvaline moonutus
keskmine süsta
Visualiseeri graafikuga, vaata jaotust
Liigne sobivus (hallutsinatoorsed raamatukogud)
olematu funktsioon
Käivitage, lugege viga, vaadake dokumentatsiooni
kolm minikarpi
Juhtum 1 – varjatud helitugevuse viga. Insener küsib AI-lt koodi Hall-Petchi arvutamiseks; Kood eeldab tera läbimõõtu meetrites, kuid insener sisestab mikromeetrites. Tulemus on 1000 korda perversne, kuid see pole esmapilgul märgatav, sest see näeb välja nagu "number". Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. Õppetund: teadaoleva vastuse testimine näitab ühikuvea sekundites.
Juhtum 2 – vaikne andmekadu. Meeskond puhastab 500 tõmbetesti tulemust tehisintellekti kirjutatud koodiga; Kuigi kood jätab puuduvate väärtustega read maha, loobub see kogemata ka mõnest kehtivast reast, jättes alles 300 rida. Keskmine tugevus on oodatust suurem, kuna madala väärtusega partii on elimineeritud. Kui meeskond prindib enne/pärast töötlemist ridade arvu, näeb ta, et 200 rida on vaikselt kadunud ja parandab filtri. Õppetund: ridade arvu printimine igal andmetöötlusetapil tabab vaikivaid kadusid.
Juhtum 3 – õige kasutamine, korratav aruanne. Kvaliteedimeeskond peab igal nädalal töötlema kümneid ahjukirjeid ja koostama koondaruandeid. See palub AI-l kirjutada kommenteeritud skript, mis loeb faile hulgi ning loob graafikud ja kokkuvõtlikud tabelid. Meeskond testib koodi mõne teadaoleva failiga, kontrollib ühikute ja ridade arvu ning visuaalselt kontrollib väljundgraafikut. Seejärel kasutab skripti kord nädalas; Töötunnid vähendatakse minutiteks ja töötatakse igal nädalal samal, auditeeritaval viisil. AI võimaldas korratavat automatiseerimist, kinnitas meeskond.
Kopeeritavad viipade mallid
KOODI Skeleti MALL arvutus, (5) printige tulemus ja usutavuse kontroll. Lisage igale sammule märkused.
TEATUD VASTUSE TESTIMAAL"Kirjutage "teadaoleva vastuse test" järgmisele funktsioonile: [funktsioon]. Valige väike sisend, mille tulemust saab käsitsi arvutada, kommenteerige eeldatavat väljundit ja kontrollige väitega. Testige ka ühiku järjepidevust. Kui test ei läbi, loetlege võimalikud põhjused (ühik, koefitsient, valem)."
KOODI LÄBIVAATAMINE / SILUMISMALL"Uurige järgmist koodi: [kood]. Kontrollige ja märgistage järgmist: (1) helitugevuse järjepidevus, (2) vaikse andmekao oht, (3) kõrvaline mõju, (4) füüsiliselt võimatu väljund (negatiivne tugevus, >100% määr). Kirjutage, kuidas iga riski puhul kontrollida. Ärge kinnitage koodi ilma, et see oleks töötu.
VISUALISEERIMISMALL "joonis [tõmbekõver / kontrolldiagramm / jaotus] matplotlibiga. Lisage telje siltidele ÜHIKUSED, pange pealkiri ja ruudustik. Märgi kõrvalekalded erinevalt. Pange tähele, et pean graafikut visuaalselt kontrollima ja kontrollima eeldatavat trendi (nt pingete suurenemist). Ärge peitke punkte andmete "ilustamiseks".
Nõrk viip / Tugev viip
NÕRK VIIPA: "Kirjutage mulle kood, mis arvutab Hall-Petchi."
TUGEV VIIPA:"Roll: olete metallurgiliste andmete analüüsi koodiassistent. Halli-Petchi(σy = σ0 + k·d^(-1/2)) arvutamiseks kirjutage Pythoni funktsioon. Ühikud: d mikromeeter, σ0 ja σy MPa, k MPa·µm^(1/2). Arvutatud funktsiooni tulemus = 0 µm^(1/2) lülitage ka funktsiooni ühikute teisendus 1 sisse ja arvutage ühikute teisendus 1 sisse. käsitsi µm,σ0 = 50 MPa, k = 300 MPa·µm^0,5 ja testige kinnitusega (σy ei saa olla negatiivne ilma testimiseta).
Nõrk viip loob koodi, millel puudub üksus ja testimine ning mis võib vaikselt valesti minna. Tugevad viibad määratlevad selgelt ühikud, jõustavad teisendamist, nõuavad teadaolevate vastuste testimist ja usutavuse kontrollimist – muutes koodi kontrollitavaks.
Mooduli terviklik kokkuvõte: AI koht ja piirid metallurgias
Selles moodulis korrati üht põhimõtet: AI on assistent, mitte otsustaja. Kaheteistkümnes üksuses kasutasime tehisintellekti otsast lõpuni, alates materjali valikust kuni omaduste ennustamiseni, faasianalüüsist kuni mikrostruktuurini, kuumtöötlemist kuni valmistamiseni, kvaliteedikontrolli kuni kahjustuste analüüsini, iseloomustamist standardimise ja Pythoni analüüsini. Igas üksuses selgitas tehisintellekt kontseptsioone, genereeris hüpoteese, kirjutas mustandeid ja koodi – kuid üheski üksuses ei teinud ta otsust üksi. Piirid olid selged: hallutsinatsioonid (väljamõeldud arv ja standard), ohutuskriitilise vastutuse mittedelegeeritavus, sõltuvus andmete kvaliteedist ja mõõtmisest/kalibreerimisest, ekstrapoleerimise oht ja konfidentsiaalsus. Kontrollimise distsipliin on alati püsinud inimestega standard-labori-arvestuskolmnurgas.
Levinud vead
- Koodi rakendamine reaalsetele andmetele ilma teadaolevate vastustega testimiseta.
- ei määratle ühikuid selgelt; Vaade MPa/ksi, µm/m segadus.
- Andmetöötlusetappide ajal ridade arvu ei prindita ega märka vaikivat kadu.
- Keskväärtusele tuginemine kõrvalekaldeid visualiseerimata.
- AI-i koostatud olematu teegi/funktsiooni aktsepteerimine ilma seda käivitamata.
- Eeldades, et kood on õige, sest see "paistab töötavat"; suutmatus kontrollida füüsilist usutavust.
Kokkuvõttes
AI metallurgilises andmeanalüüsis Pythoniga on võimas kiirendi kodeerimiseks, silumiseks ja automatiseerimiseks; kuid selle loodud kood võib sisaldada ühikuvigu, valesid koefitsiente ja vaikset andmekadu. Kontrollige iga koodi teadaoleva vastuse testimise, ühikukontrolli, ridade loenduse jälgimise ja füüsilise usutavuse abil. Siin, nagu kogu moodulis, on AI assistent: see tagab kiiruse ja organiseerituse, täpsuse ja vastutuse võtab üle volitatud insener. Ohutuskriitiliste metallurgiaotsuste puhul ei asenda tehisintellekti väljund kunagi standardeid, eksperimente, arvutusi ja pädeva inseneri kinnitust.
Rakenduse ülesanne
Valige metallurgiline arvutus (nt Hall-Petch või tõmbeandmete keskmine). Malli „CODE SKELETON” puhul küsige tehisintellektilt kommenteeritud koodi, mis prindib ridade arvu koos ühikutega. Seejärel lisage testistsenaarium, kus teate tulemuse käsitsi malliga "TEADUD VASTUSE TEST" ja käivitage see. Kui kood ei anna oodatud väärtust, leidke viga (ühik, koefitsient, andmed) ja parandage see. Lõpuks kirjutage kolmes artiklis selles moodulis õpitud tehisintellekti kontrollimise distsipliinist, kohandades seda oma ettevõtte jaoks.
kontrollnimekiri
- [ ] Määratlesin tehisintellektile selgelt ülesande, andmed ja ühikud.
- [ ] Määrasin ühikud selgesõnaliste muutujatega koodi ülaosas.
- [ ] Andmetöötluse etappides printisin ridade arvu ja kontrollisin vaikivat kadu.
- [ ] Kontrollisin koodi teadaoleva vastusega testjuhtumiga.
- [ ] Kontrollisin väljundi füüsilist usutavust (negatiivne/absurdne väärtus).
- [ ] Ma kasutasin AI-d kiirendina; Säilitasin aususe ja vastutustunde.
Mooduli eksam
1. Materjaliinsenerina tehisintellekti tööriistaga töötades peaks lõplik vastutus selle eest, milline järgmistest asjadest jääma alati inimesele (õigusinsenerile)?
- A) Osa hoolduseks sobivuse kinnitamine ja allkirjastamine ✔
- B) Kahjuaruande esimese mustandi koostamine
- C) Mikrostruktuuri graafiku teljemärgiste redigeerimine
- D) Ettekande jaoks metallurgiaterminite sõnastiku koostamine
Kirjeldus: AI; See võib kiirendada selliseid toiminguid nagu kontseptsiooni selgitamine, aruande koostamine, hüpoteeside loend ja koodiskelett. Osa hoolduseks/lennuks sobivuse kinnitamine on aga otsus, mille tulemuseks on elu ja vara ohutus; ei saa AI-le üle kanda ilma akrediteeritud testimise ja volitatud inseneri nõusolekuta.
2. Küsisite AI-lt AISI 4140 terase voolavuspiiri kohta, kui see on karastatud ja karastatud 200 °C juures, ja ta vastas "1500 MPa kindlasti". Mis on esimene õige toiming?
- A) Pange väärtus otse disainikontole, sest AI tundub enesekindel
- B) Väärtuse kontrollimine materjali andmelehe/veski sertifikaadi ja vajadusel tõmbekatsega, mitte tuginedes ühepunktilisele väärtusele ✔
- C) Väärtuse suvaline langetamine, et jääda turvalisele poolele
- D) Aktsepteerige väärtus ja liikuge otse kuumtöötluse retsepti juurde
Selgitus: keelemudelid suudavad veenvalt fabritseerida põhjendamata numbreid (hallutsinatsioonid). Saagistugevus; See varieerub laias vahemikus, olenevalt karastustemperatuurist, sektsiooni paksusest ja kõvenemisest. Väärtus on vaja hankida veski sertifikaadilt või tõmbekatsest vastavalt standardile, mitte lisada projekti ühe punkti AI väljundit.
3. Terase omadusi ennustava masinõppemudeliga andis tehisintellekt sulami jaoks ohutu väärtuse, mis jääb treeningandmete koostise vahemikku kõvasti välja. Mis on selle väljundi peamine probleem?
- A) Mudel annab tulemuse alati protsentides, MPa on vale
- B) Prognoos on ebausaldusväärne, kuna see on tehtud väljaspool treeningandmete vahemikku (ekstrapoleerimine) ja seda tuleb katsega kontrollida ✔
- C) Mudel töötab ainult roostevaba terase jaoks
- D) Mudeli väljund on alati täpselt kahekordne tegelik väärtus
Selgitus: masinõppe mudelid töötavad mõistlikult koolitusandmete vahemikus (interpolatsioon); Väljaspool seda vahemikku (ekstrapoleerimine) muutuvad ennustused ebausaldusväärseks ja mudel seda sageli ei näita. Väärtust, mis on genereeritud väljaspool treeningandmete jaotust, ei saa kasutada ilma eksperimentaalse valideerimiseta.
4. Kasutasite tehisintellekti kahefaasilise sulami faasisuhte arvutamiseks. Millist sisendit peaks AI nn kangireegli rakendamisel õigesti kasutama?
- A) Ainult temperatuur; kombinatsioonid pole vajalikud
- B) Ainult sulami tihedus
- C) Sulami üldkoostis faasipiiride koostistega vastaval temperatuuril ✔
- D) Ainult sulamistemperatuur
Selgitus: kangi reegel annab faasikogused, kasutades faasipiiride koostiste (nt tahke ja vedela faasi koostise) ja sulami kogukoostise vahelisi kaugusi antud temperatuuril. Kui faasipiiride kombinatsioone loetakse valesti, on suhe täiesti vale; Seetõttu on faasidiagrammi väärtuste kinnitamine kohustuslik.
5. Mõõtsite AI-toega pilditöötlusvooga mikrostruktuurist tera suurust, kuid unustasite skaalariba piksliteks kalibreerida. Miks on tulemus ebausaldusväärne?
- A) Kõik mõõtmised on vales skaalas, kuna pikslipikkuse kalibreerimist ei tehtud ✔
- B) Mõõtmine on moonutatud, kuna kasutatakse värvilist pilti
- C) Tera suurust saab mõõta ainult SEM-iga, optiline mikroskoopia on ebatäpne
- D) Mõõtmine pole vajalik, kuna pildi eraldusvõime on kõrge
Kirjeldus: kvantitatiivses metallograafias vastab iga piksel pikkusele; Kui seda teisendust skaalaribaga ei kalibreerita, kuvatakse kõik mõõtmete mõõtmised, nagu tera suurus, faasisuhe ja poorsus, vales skaalas. Kalibreerimine on pildipõhise mõõtmise esimene ja kohustuslik samm.
6. AI pakkus välja kuumtöötluse retsepti (austenitiseerimine + karastamine + karastamine), et saavutada terase sihtkõvadus. Mis on parim samm enne retsepti taotlemist?
- A) Retsepti rakendamine otse masstootmisele
- B) Kandke retsept proovitükile, mõõtke kõvadus/mikrostruktuur ja võrrelge seda standardiga ✔
- C) Suurendage karastustemperatuuri ohutult juhuslikult
- D) Ainult retsepti õigekirja parandamine ja kinnitamine
Kirjeldus: Kuumtöötlemise tulemusena; Osade sektsiooni paksus, karastamine (Jominy) varieeruvad tugevalt sõltuvalt ahju tegelikust ja jahutuskeskkonnast. AI antud retsept on esialgne hüpotees; Seda tuleks kontrollida, kandes seda proovitükile ja mõõtes kõvadust ja mikrostruktuuri ning võrreldes seda standardiga.
7. Küsisite AI-lt materjali piirväärtuse jaoks ASTM-i standardi „spetsiifilise aine numbrit” ja ta vastas täpse väärtusega. Milline on õige insenerikäitumine?
- A) Väärtuse kirjutamine otse aruandesse, kuna tehisintellekt on ajakohane
- B) Väärtuse muutmine juhuslikult, et jääda turvalisele poolele
- C) Kontrollige aine numbrit, versiooni ja väärtust ametlikust ja kehtivast standardtekstist ✔
- D) Kauba numbri lisamine vastavusfaili ilma seda kontrollimata
Selgitus: isegi kui keelemudelid teavad standardnime õigesti, võivad nad artikli numbrit, versiooni ja katkestuspunkti valesti meelde jätta või koostada. Siduvatel väljadel, nagu ASTM/ISO/EN, tuleb iga aine ja väärtus ametlikust ja praegusest allikast sõna-sõnalt kontrollida; AI väljund näitab ainult, kust otsida.
8. Näitasite tehisintellektile fotot poldi purunenud pinnast ja saite vastuseks "see on kindlasti väsimusmurd". Milline on õige lähenemisviis algpõhjuste analüüsile?
- A) Diagnoosi kirjutamine otse raportisse, kuna tehisintellekt räägib täpselt
- B) Lihtsalt suurendage foto eraldusvõimet ja kinnitage diagnoos
- C) Uue osa paigaldamine ilma purunenud pinda uurimata
- D) Kinnitage diagnoos hüpoteesina fraktograafia, laengu ajaloo ja mikrostruktuuri tõenditega ✔
Kirjeldus: Purustatud pinna tõlgendamine; Fraktograafia (triibutamine, rannajooned, lohkude/lõhede eraldamine SEM-iga) nõuab koormuse ajaloo, keskkonna ja mikrostruktuuri tõendite koos arvestamist. Lõplik diagnoos, mille AI teeb ühe foto põhjal, on hüpotees; Algpõhjust ei saa deklareerida ilma laboratoorsete leidudeta.
9. AI määras XRD (röntgendifraktsiooni) mustri konkreetsele faasile piigi. Mis on kõige sobivam meetod faasituvastuse usaldusväärseks muutmiseks?
- A) Piigi sobitamine võrdlusmustri andmebaasiga (nt PDF-kaardid) ning kattumise ja artefaktide kontrollimine ✔
- B) Otse ülesande vastuvõtmine, kuna AI ütleb faasi nime
- C) Arvestades ainult kõrgeimat tippu ja ignoreerides ülejäänud
- D) Värvige muster ja muutke see visuaalselt ilusaks
Kirjeldus: XRD faasi tuvastamine toimub mõõdetud piikide positsioonide ja intensiivsuste sobitamise teel teadaolevate võrdlusmustritega (nt ICDD/PDF-kaardid). Üksiku piigi eraldamine eraldiseisvalt on eksitav; Arvesse tuleks võtta kattuvaid piike, eelistatud orientatsiooni ja taustaartefakte ning kinnitada määramine võrdlusandmebaasiga.
10. AI koostatud kahju/ülevaatusaruande kavand sisaldab tehnilisi väärtusi, mis on voolavad, kuid teadmata päritoluga. Milline on õige käitumine?
- A) Aruande esitamine sellisena, nagu see on, kuna tekst on ladus
- B) Väärtuste ümardamine ja läikimine
- C) Lugege lihtsalt kokkuvõtet ja jätke ülejäänud vahele
- D) Sobitage iga väärtus algse mõõtmise/allikaga ja eemaldage kinnitamata ✔
Kirjeldus: iga tehniline väärtus aruandes; See peab olema jälgitav mõõtmiste, kalibreeritud seadme kirje, standardi või tootja andmetega. Isegi kui see on väärtus ladusas lauses, ei tohiks aruandesse või otsuse alusesse lisada ühtegi numbrit, mille allikat pole kontrollitud; Vastasel juhul kantakse vastutust tekitavale dokumendile üle fiktiivne väärtus.
11. Mis on parim samm enne AI-ga loodud Pythoni arvutuse kasutamist (nt Halli-Petchi suhe tera suuruse ja saagikuse tugevuse jaoks)?
- A) Koodi rakendamine otse tegelikele tootmisandmetele
- B) Lihtsalt veenduge, et kood näeks lühike ja korralik
- C) Käivitage kood teadaolevate tulemustega teststsenaariumis ning kontrollige ühikuid ja väljundit ✔
- D) Koodi osa kustutamine selle lühendamiseks
Selgitus: kood võib näida õige, kuid anda vale tulemuse: võib olla ühikuviga, vale koefitsient või valemiviga. Koodi käivitamine väikeses testjuhtumis, kus saate tulemuse käsitsi teada, ja võrrelda seda eeldatava väljundiga ja ühikute kontrollimist, tuvastab vea enne, kui see kantakse üle tegelikule otsusele.
12. Soovite kleepida oma ettevõtte veel patenteerimata sulamiretsepti ja protsessi parameetrid avalikult kättesaadavasse tehisintellekti tööriista ning taotleda analüüsi. Milline on kõige õigem lähenemine?
- A) Kiiremaks muutmiseks kleepige retsept sellisel kujul
- B) Piisab lihtsalt ettevõtte nime kustutamisest ja kõigi ülejäänud parameetrite jagamisest.
- C) Andmete jagamine ja seejärel tehisintellektil nende kustutamise palumine
- D) institutsionaalse poliitika kontrollimine ja andmete anonüümseks muutmine või turvalise/institutsionaalse tööriista kasutamine ✔
Kirjeldus: sulami retsept, protsessiparameetrid ja kliendi spetsifikatsioonid on ärisaladuse ja intellektuaalomandi suhtes tundlikud. Enne andmete jagamist on vaja kontrollida ettevõtte poliitikat, muuta see anonüümseks või kasutada institutsionaalset/kohapealset tööriista, mis andmeid välja ei saada.
13. AI-toega SPC (statistilise protsessi juhtimise) süsteem märkis, et tootmispartii kontrollkaardi piirmäär on ületatud. Milline on õige insenerikäitumine?
- A) Ignoreeri hoiatust ja jätka tootmist
- B) Juhtimispiiride laiendamine, et hoiatust ei esineks
- C) Käsitlege hoiatust käivitajana, kinnitage mõõtmine, uurige algpõhjust ja otsustage aktsepteerimiskriteeriumide alusel ✔
- D) Kogu partii otse lammutamine ilma mõõtmiseta
Selgitus: kontrollkaardi limiidi ületamine on hoiatus; Algpõhjus ei ole automaatselt ilmne. See võib olla mõõtmisviga, proovivõtu probleem või tegelik protsessi triiv. Õige lähenemine on käsitleda hoiatust käivitajana, kinnitada mõõtmine, uurida algpõhjust ja teha otsus aktsepteerimiskriteeriumide ja NDT/uuringu tulemuse põhjal.
14. Tehisintellekti abil tehtud kujutise hindamine valamisel osal märkis tsooni vastuvõetavaks. Milline on õige lähenemisviis ohutuse seisukohalt olulise osa jaoks?
- A) Tehisintellekti esialgse hindamise käsitlemine sõelumisvahendina ja lõpliku heakskiidu sidumine NDT tulemuse ja volitatud heakskiiduga ✔
- B) Käsitlege tehisintellekti hindamist lõpliku aktsepteerimisena ja kinnitage see osa
- C) Liikumine järgmise protsessi juurde ilma detaili üldse kontrollimata
- D) Piisab detaili pinna visuaalsest kontrollimisest.
Kirjeldus: Valu sisemised defektid (poorsus, kokkutõmbumine, lisandid) on sageli pinnalt nähtamatud ja neid hinnatakse mittepurustavate testidega (NDT: radiograafia, ultraheli). Esialgne hinnang, mille tehisintellekt pildi kaudu annab, on sõelumisvahend; Ohutuskriitilise osa lõplik heakskiit antakse NDT-ga ja volitatud ülevaatuse heakskiit vastavalt standardile.