Kohászati adatok elemzése és a mesterséges intelligencia határai Python segítségével

Nyereség:

• Képes létrehozni és megérteni olyan kódot, amely megtisztítja, elemzi és megjeleníti a kohászati adatokat Python segítségével, mesterséges intelligencia támogatással
• Képes kialakítani a mesterséges intelligencia által generált kód érvényesítésének szokását egységellenőrzéssel, tesztesettel és fizikai elfogadhatósággal
• Az AI teljes körű korlátainak, felelősségének és etikai kereteinek holisztikus megértése a kohászatban

A kohászati munka egyre több adattal történik: szakítóvizsgálati eredmények százai, SPC mérések ezrei, hőkezelési kemence rekordok, jellemzési kimenetek. Az adatok manuális keresése az Excelben lassú és hibás; A Python (az adatelemzés és a tudományos számítástechnika általános programozási nyelve) ezt megismételhetővé, auditálhatóvá és automatikussá teszi. Az AI nagyon erős a Python-kód írásában, hibakeresésében és magyarázatában – de az általa előállított kód jól néz ki, de rossz eredményt ad: egységhiba, rossz együttható, néma adatvesztés. Ebben az utolsó részben megtanulhatja, hogyan elemezheti a kohászati ​​adatokat AI támogatással Pythonban, és hogyan ellenőrizheti az egyes kódokat, majd holisztikusan felkerekedik az AI határai, felelősségi és etikai keretrendszere a teljes modulban.

Jellemző feladatok a kohászati ​​adatelemzésben

Gyakori feladatok AI támogatással a Pythonban:

• Adattisztítás: Hiányzó érték, egységzavar (MPa vs. ksi), kiugró értékek eltávolítása. A piszkos adatok még a legjobb elemzést is megrontják.
• Vizualizálás: Szakítógörbe rajzolása, szabályozási diagram, szemcseméret-eloszlás, hőmérséklet-idő profil.
• Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, statisztika.
• Automatizálás: Nagyszámú fájl kötegelt feldolgozása és összefoglaló táblázatok/jelentések készítése.

Jó példa erre a Hall-Petch összefüggés: a folyáshatár fordítottan arányos a szemcseátmérő négyzetgyökével. Az AI ezt a képletet kódra tudja fordítani; De az, hogy a d-t mikrométerként vagy mérőként használja, és milyen mértékegységet használ a k együtthatóhoz, teljesen megváltoztatja az eredményt. A kód helyessége nem a képlet memorizálásában rejlik, hanem az egységek és egy teszteset érvényesítésében.

Tipp: Ügyeljen arra, hogy az AI által írt minden fiókban szerepeljen egy „ismert válasz teszt”. Adjon meg egy kis adatot, amelynek eredményét kézzel tudja (pl. várható szilárdság d = 100 µm esetén); Ha a kód megadja ezt az értéket, megbízhat benne; ha nem, a hiba el van rejtve.

Lépésről lépésre: Biztonságos elemzési folyamat mesterséges intelligencia segítségével

1. Ismertesse a feladatot és az adatokat: Melyik fájl, mely oszlopok, milyen mértékegységek, mi kerül kiszámításra?
2. Kódváz kérése: Kérjen az AI-tól egy megjegyzésekkel ellátott, lépésekre osztott vázat; Határozza meg az egységeket explicit változókkal a tetején.
3. Teszt kis adatokkal: először futtasson néhány sorral/ismert értékkel; Ellenőrizze az eredményt manuálisan.
4. Egység és határellenőrzés: Fizikailag ésszerű a kimenet? Van olyan hülyeség, mint a negatív erősség, 120%-os arány?
5. Vizualizáld és nézd meg: A grafikon a várható trendet mutatja? A kiugró értékek adathibák?
6. Ellenőrzés és dokumentálás: Hasonlítsa össze az eredményt egy független számítással/szabvánnyal; Írja megjegyzésbe a kódot és a feltételezéseket.

AI kód ellenőrző táblázat

Kockázat

tünet

Ellenőrzési módszer

Egységhiba

Az eredmény 1000x perverz

Egységek meghatározása explicit változóban, méretszabályozásban

Hibás együttható/képlet

Ésszerű, de rossz érték

Tesztforgatókönyv ismert válaszokkal

Csendes adatvesztés

A sorok száma kevesebb a vártnál

Sorok számának nyomtatása a feldolgozás előtt/után

kiugró torzítás

átlagos kajak

Vizualizáld grafikonnal, nézd meg az eloszlást

Túlillesztés (hallucinációs könyvtár)

nem létező funkció

Futtassa, olvassa el a hibát, nézze meg a dokumentációt

három mini tok

1. eset – Rejtett hangerő-hiba. Egy mérnök kódot kér az AI-tól a Hall-Petch kiszámításához; A kód méterben várja a szemcseátmérőt, de a mérnök mikrométert ír be. Az eredmény 1000-szer perverz, de első pillantásra nem észrevehető, mert úgy néz ki, mint egy "szám". Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. Tanulság: Az ismert válaszok tesztelése másodpercek alatt feltárja az egységhibát.

2. eset – Csendes adatvesztés. Egy csapat 500 húzási teszt eredményét AI által írt kóddal tisztítja meg; Míg a kód eldobja a hiányzó értékeket tartalmazó sorokat, véletlenül eldob néhány érvényes sort is, így 300 sor marad meg. Az átlagos szilárdság nagyobb a vártnál, mert az alacsony értékű tétel kimarad. Amikor a csapat kinyomtatja a sorok számát a feldolgozás előtt/után, látja, hogy 200 sor csendben eltűnt, és kijavítják a szűrőt. Tanulság: a sorok számának kinyomtatása minden adatfeldolgozási lépésnél néma veszteségeket fog ki.

3. eset – Megfelelő használat, megismételhető jelentés. Egy minőségügyi csapatnak hetente több tucat kemencenyilvántartást kell feldolgoznia, és összefoglaló jelentéseket kell készítenie. Arra kéri az AI-t, hogy írjon egy kommentált szkriptet, amely tömegesen olvassa be a fájlokat, és grafikonokat és összefoglaló táblázatokat állít elő. A csapat teszteli a kódot néhány ismert fájllal, ellenőrzi az egységek és sorok számát, vizuálisan ellenőrzi a kimeneti grafikont. Ezután hetente használja a szkriptet; A munkaidő percekre csökken, és minden héten ugyanúgy, auditálható módon működik. A csapat megerősítette, hogy az AI lehetővé tette az ismételhető automatizálást.

Másolható prompt sablonok

CODE SKELETTON TEMPLATE"Szerep: Ön a kohászati adatok elemzésének kódsegédje. Feladat: [pl. rajzeredmények olvasása CSV-ből és átlagos folyáshatár]. Adatok: [fájl, oszlopok, EGYSÉGEK]. írjon kommentált vázat pandákkal: (1) definiálja a mértékegységeket a tetején lévő nyitott változóban, (2) olvassa el az adatokat, (3) számolja a sort, és törölje a sorokat (3) számítás, (5) nyomtassa ki az eredményt és egy hitelességi ellenőrzést. Jelölje meg, ahol ellenőrizni kell.

ISMERT VÁLASZ TESZT SABLON"Írjon 'ismert válasz tesztet' a következő függvényhez: [függvény]. Válasszon egy kis bemenetet, amelynek eredménye manuálisan kiszámítható, kommentálja a várt kimenetet, és ellenőrizze az assert-tel. Tesztelje az egység konzisztenciáját is. Ha a teszt nem megy, sorolja fel a lehetséges okokat (mértékegység, együttható, képlet)."

KÓD ÁTTEKINTÉSE / HIBAKERESÉS SABLON"Vizsgálja meg a következő kódot: [kód]. Ellenőrizze és jelölje meg a következőket:(1) kötet konzisztenciája, (2) néma adatvesztés kockázata, (3) kiugró hatás, (4) fizikailag lehetetlen kimenet (negatív erősség, >100%-os arány). Írja le az egyes kockázatok ellenőrzésének módját. Ne hagyja jóvá a kódot, anélkül, hogy "munkaképes" lenne.

VIZUALIZÁCIÓS SABLON "rajz [szakítógörbe / vezérlőgörbe / eloszlás] matplotlib-el. Adjon EGYSÉGEKET a tengelycímkékhez, helyezze el a címet és a rácsot. A kiugró értékeket jelölje meg másképp. Vegye figyelembe, hogy vizuálisan meg kell vizsgálnom a diagramot, és ellenőriznem kell a várható trendet (pl. növekvő feszültség-feszültség). Ne rejtsen el egyetlen pontot sem, hogy "szépítse" az adatokat."

Gyenge felszólítás / Erős felszólítás

GYENGE PROMPT: "Írjon nekem olyan kódot, amely Hall-Petch számítást végez."

ERŐS PROMPT:"Szerep: Ön a kohászati adatelemzés kódsegédje. Írjon egy Python-függvényt a Hall-Petch(σy = σ0 + k·d^(-1/2)) kiszámításához. Mértékegységek: d mikrométer, σ0 és σy MPa, k MPa·µm^(1/2). Kapcsolja be az 1-es függvényen belüli egységkonverziót, és számolja ki az eredményt. manuálisan µm,σ0 = 50 MPa, k = 300 MPa·µm^0,5, és tesztelje a fizikai plauzibilitási ellenőrzést (a σy nem lehet negatív teszt nélkül).

A gyenge prompt olyan kódot hoz létre, amelynek nincs egysége és tesztelése, és csendben elromolhat. Az erős felszólítások egyértelműen meghatározzák az egységeket, kikényszerítik az átalakítást, ismert válaszok tesztelését és a hitelesség ellenőrzését követelik meg – így a kód ellenőrizhetővé válik.

A modul holisztikus összefoglalása: Az AI helye és határai a kohászatban

Egyetlen elv ismétlődött ebben a modulban: az AI asszisztens, nem döntéshozó. Tizenkét egységen keresztül teljes körűen alkalmaztuk a mesterséges intelligenciát, az anyagválasztástól a tulajdonság előrejelzéséig, a fáziselemzéstől a mikroszerkezetig, a hőkezelésig a gyártásig, a minőség-ellenőrzéstől a sérüléselemzésig, a jellemzéstől a szabványosításig és a Python-elemzésig. Az AI minden egységben fogalmakat magyarázott, hipotéziseket generált, vázlatokat és kódokat írt – de egyetlen egységben sem döntött egyedül. A határok egyértelműek voltak: hallucinációk (kitalált szám és szabvány), a biztonság szempontjából kritikus felelősség át nem ruházhatósága, az adatok minőségétől és a méréstől/kalibrálástól való függés, az extrapoláció kockázata és a titoktartás. A hitelesítés fegyelme mindig is az embereknél maradt a standard-laboratórium-számla háromszögben.

Gyakori hibák

• A kód alkalmazása valós adatokra tesztelés nélkül ismert válaszokkal.
• nem határozzák meg egyértelműen az egységeket; Az MPa/ksi-ra nézve µm/m zavar.
• Nem nyomtatja ki a sorok számát az adatfeldolgozási lépések során, és nem veszi észre a néma veszteséget.
• Az átlagra hagyatkozva kiugró értékek megjelenítése nélkül.
• Az AI által létrehozott nem létező könyvtár/függvény elfogadása végrehajtás nélkül.
• Feltételezve, hogy a kód helyes, mert „működni látszik”; a fizikai elfogadhatóság ellenőrzésének elmulasztása.

Összefoglalva

Az AI a kohászati adatelemzésben a Python segítségével hatékony gyorsító a kódoláshoz, hibakereséshez és automatizáláshoz; de az általa előállított kód egységhibákat, helytelen együtthatókat és néma adatvesztést tartalmazhat. Ellenőrizze az egyes kódokat ismert válaszok tesztelésével, egységellenőrzéssel, sorszám-követéssel és fizikai elfogadhatósággal. Itt, mint az egész modulban, az AI az asszisztens: biztosítja a gyorsaságot és a szervezettséget, a pontosságot és a felelősséget az arra jogosult mérnök veszi át. A biztonság szempontjából kritikus kohászati ​​döntéseknél az AI-kimenet soha nem helyettesíti a szabványokat, a kísérleteket, a számításokat és a hozzáértő mérnöki jóváhagyást.

Pályázati feladat

Válasszon kohászati ​​számítást (pl. Hall-Petch vagy szakítóadat-átlag). A „CODE SKELETON” sablonnal kérjen az AI-tól egy megjegyzéssel ellátott kódot, amely kiírja a sorok számát explicit egységekkel. Ezután adjon hozzá egy tesztforgatókönyvet, amelyben manuálisan tudja az eredményt az „ISMERT VÁLASZ TESZT” sablonnal, és futtassa. Ha a kód nem a várt értéket adja meg, keresse meg a hibát (mértékegység, együttható, adat), és javítsa ki. Végül írjon három cikkben az AI-ellenőrzési tudományról, amelyet ebben a modulban tanult meg úgy, hogy a saját vállalkozásához igazítja.

ellenőrző lista

• [ ] Világosan meghatároztam a feladatot, az adatokat és az egységeket az AI számára.
• [ ] Az egységeket explicit változókkal határoztam meg a kód tetején.
• [ ] Az adatfeldolgozás lépéseiben kinyomtattam a sorok számát és ellenőriztem a néma veszteséget.
• [ ] A kódot ismert válaszú tesztesettel igazoltam.
• [ ] Ellenőriztem a kimenet fizikai plauzibilitását (negatív/abszurd érték).
• [ ] Az AI-t használtam gyorsítóként; Megőriztem a feddhetetlenséget és a felelősséget.

Modul vizsga

1. Amikor egy mesterséges intelligencia eszközzel dolgozik anyagmérnökként, a következők közül melyikért kell a végső felelősséget mindig az emberre (jogi mérnökre) hárítani?

• A) Egy alkatrész szervizelhetőségének jóváhagyása és aláírása ✔
• B) Kárjelentés első tervezetének elkészítése
• C) Mikrostruktúragráf tengelycímkéinek szerkesztése
• D) Kohászati szakkifejezések szójegyzékének elkészítése előadáshoz

Leírás: AI; Felgyorsíthatja az olyan feladatokat, mint a koncepció tisztázása, a jelentés készítése, a hipotézislista és a kódváz. Egy alkatrész szervizre/repülésre való alkalmasságának jóváhagyása azonban élet- és vagyonbiztonságot eredményező döntés; akkreditált tesztelés és felhatalmazott mérnök jóváhagyása nélkül nem vihető át mesterséges intelligenciára.

2. Megkérdezte az AI-t az AISI 4140 acél folyáshatáráról 200 °C-on hűtve és temperálva, és azt válaszolta, hogy "1500 MPa biztosan". Mi az első helyes lépés?

• A) Helyezze az értéket közvetlenül a tervezési fiókba, mert az AI magabiztosnak tűnik
• B) Az érték ellenőrzése anyagadatlap/malomtanúsítvánnyal és szükség esetén szakítópróbával, nem egypontos értékre hagyatkozva ✔
• C) Véletlenszerűen csökkentse az értéket, hogy a biztonságos oldalon maradjon
• D) Fogadja el az értéket, és lépjen közvetlenül a hőkezelési receptre

Magyarázat: A nyelvi modellek meggyőzően képesek megalapozatlan számokat gyártani (hallucináció). Termőerő; Az edzési hőmérséklettől, a szelvényvastagságtól és az edzhetőségtől függően széles tartományban változik. Az értéket a malomtanúsítványból vagy a szakítópróbából a szabványnak megfelelően le kell szerezni, és nem szabad egyetlen pont AI kimenetet belefoglalni a tervezésbe.

3. Az acél tulajdonságait előrejelző gépi tanulási modell segítségével az AI egy „biztonságos” értéket produkált egy olyan ötvözet esetében, amely jóval kívül esik a betanítási adatok összetételi tartományán. Mi a fő probléma ezzel a kimenettel?

• A) A modell mindig százalékban ad eredményt, MPa rossz
• B) Az előrejelzés megbízhatatlan, mert a tanítási adattartományon kívül készült (extrapoláció), és kísérlettel kell ellenőrizni ✔
• C) A modell csak rozsdamentes acélokhoz használható
• D) A modell kimenete mindig pontosan kétszerese a tényleges értéknek

Magyarázat: A gépi tanulási modellek ésszerűen működnek a betanítási adatok tartományán belül (interpoláció); Ha ezen a tartományon kívül esik (extrapoláció), az előrejelzések megbízhatatlanná válnak, és a modell gyakran nem mutatja ezt. A betanítási adateloszláson kívüli ponton generált érték kísérleti validálás nélkül nem használható fel.

4. AI-t alkalmazott a fázisarány kiszámításához egy kétfázisú ötvözetben. Milyen bemenetet kell helyesen használnia a mesterséges intelligencia a „karos szabály” alkalmazásakor?

• A) Csak hőmérséklet; a kombinációk feleslegesek
• B) Csak az ötvözet sűrűsége
• C) Az ötvözet teljes összetétele fázishatár-összetételekkel a megfelelő hőmérsékleten ✔
• D) Csak az olvadási hőmérséklet

Magyarázat: A kar szabálya megadja a fázismennyiségeket a fázishatár-összetételek (pl. a szilárd és folyékony fázis összetétele) és az ötvözet teljes összetétele közötti távolságok felhasználásával egy adott hőmérsékleten. Ha a fázishatár-kombinációkat helytelenül olvassa be, az arány teljesen rossz lesz; Ezért az értékek megerősítése a fázisdiagramból kötelező.

5. Szemcseméretet mért a mikrostruktúrából egy mesterséges intelligencia által hajtott képfeldolgozási folyamattal, de elfelejtette kalibrálni a skálasávot pixelre. Miért megbízhatatlan az eredmény?

• A) Minden méretmérés rossz léptékű, mert nem történt pixelhossz kalibráció ✔
• B) A mérés torz, mert színes képet használnak
• C) A szemcseméret csak SEM-mel mérhető, az optikai mikroszkópos vizsgálat pontatlan
• D) A mérés felesleges, mert a képfelbontás nagy

Leírás: A kvantitatív metallográfiában minden pixel egy hossznak felel meg; Ha ez a transzformáció nincs kalibrálva a skálasávval, akkor az összes méretmérés, például a szemcseméret, a fázisarány és a porozitás rossz skálán jelenik meg. A kalibrálás a képalapú mérés első és kötelező lépése.

6. Az AI egy hőkezelési receptet javasolt (ausztenitizálás + kioltás + temperálás), hogy elérje az acél célkeménységét. Mi a legjobb lépés a recept alkalmazása előtt?

• A) A recept alkalmazása közvetlenül a tömeggyártásban
• B) Alkalmazza a receptet a próbadarabra, mérje meg a keménységet/mikroszerkezetet és hasonlítsa össze a standarddal ✔
• C) Csak véletlenszerűen növelje meg a temperálási hőmérsékletet a biztonságos oldalon
• D) Csak az előírás helyesírásának javítása és jóváhagyása

Leírás: Hőkezelés eredményeként; Az alkatrész vastagsága, edzhetősége (Jominy) erősen változik a kemence és a hűtési környezet valóságától függően. Az AI által adott előírás egy kezdeti hipotézis; Ezt úgy kell ellenőrizni, hogy felvisszük a próbadarabra, és megmérjük a keménységet és a mikroszerkezetet, és összehasonlítjuk a standarddal.

7. Ön az AI-tól kért egy ASTM szabvány szerinti „specifikus anyagszámot” egy anyagi határértékhez, és pontos értékkel válaszolt. Mi a helyes mérnöki magatartás?

• A) Írja be az értéket közvetlenül a jelentésbe, mert az AI naprakész
• B) Az érték véletlenszerű módosítása a biztonságos oldalon maradás érdekében
• C) Ellenőrizze az anyag számát, verzióját és értékét a hivatalos és aktuális szabványszövegből ✔
• D) A cikkszám hozzáadása a megfelelőségi fájlhoz ellenőrzés nélkül

Magyarázat: Még ha a nyelvi modellek helyesen ismerik is a szabványos nevet, előfordulhat, hogy rosszul emlékeznek vagy kitalálják a cikkszámot, a verziót és a töréspontot. Az olyan kötelező mezőkben, mint az ASTM/ISO/EN, minden anyagot és értéket szó szerint kell ellenőrizni a hivatalos és aktuális forrásból; Az AI kimenet csak azt mutatja, hogy hol kell keresni.

8. Megmutatta egy csavar törött felületéről készült fotót az MI-nek, és azt a választ kapta, hogy „ez határozottan kifáradási törés”. Mi a helyes megközelítés az okok elemzéséhez?

• A) A diagnózis beírása közvetlenül a jelentésbe, mert az AI pontosan beszél
• B) Csak növelje a fénykép felbontását, és erősítse meg a diagnózist
• C) Új alkatrész beszerelése a törött felület vizsgálata nélkül
• D) Erősítse meg a diagnózist hipotézisként fraktográfiával, töltéstörténettel és mikroszerkezeti bizonyítékokkal ✔

Leírás: Törött felület értelmezése; A fraktográfia (csíkozás, partvonalak, gödröcskék/hasadások elválasztása SEM-mel) megköveteli a terheléstörténet, a környezet és a mikrostruktúra bizonyítékainak együttes figyelembevételét. Az MI egyetlen fénykép alapján felállított végleges diagnózis hipotézis; A kiváltó ok nem állapítható meg laboratóriumi leletekkel történő megerősítés nélkül.

9. Az AI egy csúcsot rendelt egy adott fázishoz az XRD (röntgendiffrakciós) mintában. Mi a legmegfelelőbb módszer a fázisazonosítás megbízhatóvá tételére?

• A) A csúcs illesztése a referenciamintázat-adatbázishoz (pl. PDF-kártyákhoz), valamint az átfedések és műtermékek ellenőrzése ✔
• B) A hozzárendelés közvetlen elfogadása, mert az AI kimondja a fázis nevét
• C) Csak a legmagasabb csúcsot figyelembe véve, a többit figyelmen kívül hagyva
• D) Színezd ki a mintát és tedd vizuálisan széppé

Leírás: Az XRD fázis azonosítása a mért csúcspozíciók és intenzitások ismert referenciamintákkal (pl. ICDD/PDF kártyák) való egyeztetésével történik. Egyetlen csúcs elkülönített hozzárendelése félrevezető; Az átfedő csúcsokat, a preferenciális tájolást és a háttérműtermékeket figyelembe kell venni, és a hozzárendelést meg kell erősíteni a referenciaadatbázissal.

10. Az AI által készített kár-/ellenőrzési jelentéstervezet folyékony, de ismeretlen eredetű műszaki értékeket tartalmaz. Mi a helyes viselkedés?

• A) A jelentést úgy kell bemutatni, ahogy van, mert a szöveg gördülékeny
• B) Az értékek kerekítése és fényesítése
• C) Csak olvassa el a vezetői összefoglalót, és hagyja ki a többit
• D) Párosítsa az egyes értékeket az eredeti méréssel/forrással, és távolítsa el a meg nem erősített ✔-t

Leírás: Minden egyes műszaki érték a jelentésben; Ennek nyomon követhetőnek kell lennie mérési, kalibrált eszközrekordra, szabványra vagy gyártói adatokra. Még akkor sem, ha ez egy folyékony mondatban szereplő érték, a jelentésben vagy a döntési alapban nem szerepelhet olyan szám, amelynek forrását nem ellenőrizték; Ellenkező esetben fiktív érték kerül át a felelősséget keletkeztető bizonylatba.

11. Mi a legjobb lépés egy mesterséges intelligencia által generált Python-számítás (pl. Hall-Petch kapcsolat a szemcseméret-hozamerősség tekintetében) használata előtt?

• A) A kód alkalmazása közvetlenül a tényleges gyártási adatokra
• B) Csak ügyeljen arra, hogy a kód rövidnek és rendezettnek tűnjön
• C) Futtassa a kódot egy tesztforgatókönyvben ismert eredményekkel, és ellenőrizze az egységeket és a kimenetet ✔
• D) A kód egy részének törlése a rövidítés érdekében

Magyarázat: Előfordulhat, hogy egy kód helyesnek tűnik, de rossz eredményt ad: egységhiba, helytelen együttható vagy képlethiba lehet. A kód futtatása egy kis tesztesetben, ahol kézzel tudja az eredményt, és összehasonlítja azt a várt kimenettel, és ellenőrzi a mértékegységeket, még azelőtt észleli a hibát, hogy az átkerülne a tényleges döntésre.

12. Be szeretné illeszteni cége még nem szabadalmaztatott ötvözetreceptjét és folyamatparamétereit egy nyilvánosan elérhető AI-eszközbe, és elemzést szeretne kérni. Melyik a leghelyesebb megközelítés?

• A) Ragassza be a receptet, hogy gyorsabb legyen
• B) Elég csak a cégnevet törölni és az összes többi paramétert megosztani.
• C) Az adatok megosztása, majd az AI megkérése, hogy törölje azokat
• D) Az intézményi szabályzat ellenőrzése és az adatok anonimizálása vagy biztonságos/intézményi eszköz használata ✔

Leírás: Az ötvözet receptje, a folyamatparaméterek és a vevői specifikációk üzleti titokra és szellemi tulajdonra érzékenyek. Az adatok megosztása előtt ellenőrizni kell a vállalati szabályzatot, anonimizálni, vagy olyan intézményi/helyszíni eszközt használni, amely nem küldi ki az adatokat.

13. A mesterséges intelligencia által működtetett SPC (statisztikai folyamatvezérlés) rendszer azt jelezte, hogy egy gyártási tételben túllépték a vezérlési diagram határértékét. Mi a helyes mérnöki magatartás?

• A) Hagyja figyelmen kívül a figyelmeztetést, és folytassa a gyártást
• B) A szabályozási határok kiterjesztése, hogy ne történjen figyelmeztetés
• C) Tekintse a figyelmeztetést kiváltónak, erősítse meg a mérést, vizsgálja meg a kiváltó okot és döntsön az elfogadási kritériumok alapján ✔
• D) A teljes tétel közvetlen selejtezése mérés nélkül

Magyarázat: A vezérlőtábla határértékének túllépése figyelmeztetés; A kiváltó ok nem nyilvánvaló automatikusan. Ez lehet mérési hiba, mintavételi probléma vagy tényleges folyamateltolódás. A helyes megközelítés az, hogy a figyelmeztetést triggernek tekintjük, megerősítjük a mérést, megvizsgáljuk a kiváltó okot, és döntést hozunk az elfogadási kritériumok és az NDT/vizsgálati eredmény alapján.

14. Az öntvényrészen végzett mesterséges intelligencia által támogatott képértékelés egy zónát „elfogadhatónak” jelölt meg. Mi a helyes megközelítés egy biztonsági szempontból kritikus részhez?

• A) A mesterséges intelligencia előzetes értékelésének szűrési eszközként való figyelembe vétele és a végső elfogadás összekapcsolása az NDT eredményével és az engedélyezett jóváhagyással ✔
• B) Tekintse az AI értékelését végső elfogadásnak, és hagyja jóvá a részt
• C) Továbblépés a következő folyamatra az alkatrész ellenőrzése nélkül
• D) Elég csak szemrevételezéssel ellenőrizni az alkatrész felületét.

Leírás: Az öntvény belső hibái (porozitás, zsugorodás, zárványok) gyakran láthatatlanok a felületről, és roncsolásmentes vizsgálattal (NDT: radiográfia, ultrahang) értékelik. Az előzetes értékelés, amelyet a mesterséges intelligencia ad a képen keresztül, egy átvilágítási eszköz; A biztonság szempontjából kritikus rész végleges elfogadása NDT-vel és a szabványnak megfelelő hivatalos ellenőrzési jóváhagyással történik.