Analisis Data Metalurgi dan Batasan AI dengan Python

Keuntungan:

• Kemampuan untuk menghasilkan dan memahami kode yang membersihkan, menganalisis, dan memvisualisasikan data metalurgi dengan Python, dengan dukungan AI
• Kemampuan untuk membangun kebiasaan memvalidasi kode yang dihasilkan AI dengan pemeriksaan unit, kasus uji, dan masuk akal secara fisik
• Pemahaman holistik tentang batasan menyeluruh, tanggung jawab, dan kerangka etika AI dalam metalurgi

Pekerjaan metalurgi semakin banyak dilakukan dengan lebih banyak data: ratusan hasil uji tarik, ribuan pengukuran SPC, catatan tungku perlakuan panas, keluaran karakterisasi. Mengejar data ini secara manual di Excel lambat dan rawan kesalahan; Python (bahasa pemrograman umum untuk analisis data dan komputasi ilmiah) menjadikannya dapat diulang, diaudit, dan otomatis. AI sangat hebat dalam menulis, men-debug, dan menjelaskan kode Python — namun kode yang dihasilkannya bisa terlihat benar tetapi memberikan hasil yang salah: kesalahan unit, koefisien salah, kehilangan data secara senyap. Dalam unit terakhir ini, Anda akan mempelajari cara menganalisis data metalurgi dengan dukungan AI dengan Python dan memverifikasi setiap kode, kemudian secara holistik mengumpulkan batasan AI, tanggung jawab, dan kerangka etika yang tercakup dalam keseluruhan modul.

Tugas umum dalam analisis data metalurgi

Tugas umum dengan dukungan AI dengan Python:

• Pembersihan data: Nilai hilang, kebingungan satuan (MPa vs. ksi), penghapusan outlier. Data kotor merusak analisis terbaik sekalipun.
• Visualisasi: Menggambar kurva tarik, peta kendali, distribusi ukuran butir, profil suhu-waktu.
• Hesap dan ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresi, isstatistik.
• Otomatisasi: Memproses sejumlah besar file secara batch dan menghasilkan tabel/laporan ringkasan.

Hubungan Hall-Petch adalah contoh yang baik di sini: kekuatan luluh meningkat berbanding terbalik dengan akar kuadrat diameter butir. AI dapat menerjemahkan rumus ini ke dalam kode; Namun apakah Anda menggunakan d sebagai mikrometer atau meter dan satuan apa yang Anda gunakan untuk koefisien k akan mengubah hasilnya sepenuhnya. Kebenaran kode tidak terletak pada hafalan rumus, namun pada validasi unit dan kasus uji.

Tip: Pastikan untuk menyertakan “tes jawaban yang diketahui” di setiap akun yang ditulis AI. Berikan masukan kecil yang hasilnya dapat Anda ketahui secara manual (misalnya kekuatan yang diharapkan untuk d = 100 µm); Jika kode memberikan nilai tersebut, Anda dapat mempercayainya; jika tidak, kesalahannya disembunyikan.

Langkah demi langkah: Alur analisis yang aman dengan AI

1. Jelaskan tugas dan datanya: File yang mana, kolom yang mana, unit yang mana, apa yang akan dihitung?
2. Kerangka kode permintaan: Minta AI untuk memberikan komentar, kerangka yang dibagi secara bertahap; Tentukan unit dengan variabel eksplisit di bagian atas.
3. Uji dengan data kecil: Jalankan dengan beberapa baris/nilai yang diketahui terlebih dahulu; Periksa hasilnya secara manual.
4. Kontrol unit dan batas: Apakah keluarannya masuk akal secara fisik? Apakah ada omong kosong seperti kekuatan negatif, tingkat 120%?
5. Visualisasikan dan lihat: Apakah grafik menunjukkan tren yang diharapkan? Apakah data outlier salah?
6. Verifikasi dan dokumentasikan: Bandingkan hasilnya dengan perhitungan/standar independen; Komentari kode dan asumsinya.

Tabel verifikasi kode AI

Resiko

gejala

Metode pengendalian

Kesalahan satuan

Hasilnya 1000x mesum

Tentukan unit dalam variabel eksplisit, kontrol ukuran

Koefisien/rumus salah

Nilai yang masuk akal tetapi salah

Skenario pengujian dengan jawaban yang diketahui

Kehilangan data secara diam-diam

Jumlah baris kurang dari yang diharapkan

Cetak jumlah baris sebelum/sesudah pemrosesan

distorsi outlier

kayak rata-rata

Visualisasikan dengan grafik, lihat sebarannya

Overfitting (perpustakaan halusinasi)

fungsi yang tidak ada

Jalankan, baca kesalahan, lihat dokumentasi

tiga kasus mini

Kasus 1 — Kesalahan volume tersembunyi. Seorang insinyur meminta kode dari AI untuk perhitungan Hall-Petch; Kode mengharapkan diameter butir dalam meter, namun insinyur memasukkan mikrometer. Hasilnya 1000 kali lipat menyimpang, namun sekilas tidak terlihat karena terlihat seperti "angka". Jumlah d = 100 µm jika melebihi ~350 MPa atau mungkin tidak memungkinkan karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. Pelajaran: pengujian jawaban yang diketahui menunjukkan kesalahan unit dalam hitungan detik.

Kasus 2 — Kehilangan data secara diam-diam. Sebuah tim membersihkan 500 hasil uji tarik dengan kode yang ditulis AI; Meskipun kode menghilangkan baris dengan nilai yang hilang, kode tersebut juga secara tidak sengaja membuang beberapa baris yang valid, sehingga menyisakan 300 baris. Kekuatan rata-rata lebih tinggi dari yang diharapkan karena batch bernilai rendah dihilangkan. Saat tim mencetak jumlah baris sebelum/sesudah pemrosesan, mereka melihat bahwa 200 baris telah menghilang secara diam-diam dan memperbaiki filter. Pelajaran: mencetak jumlah baris pada setiap langkah pemrosesan data akan mendeteksi silent loss.

Kasus 3 — Penggunaan yang benar, laporan yang dapat diulang. Tim mutu harus memproses lusinan catatan tungku dan menghasilkan laporan ringkasan setiap minggu. Ia meminta AI untuk menulis skrip komentar yang membaca file secara massal dan menghasilkan grafik dan tabel ringkasan. Tim menguji kode dengan beberapa file yang diketahui, memverifikasi jumlah unit dan baris, dan memeriksa grafik keluaran secara visual. Kemudian gunakan skrip setiap minggu; Jam kerja dikurangi menjadi beberapa menit dan bekerja dengan cara yang sama dan dapat diaudit setiap minggunya. AI mengaktifkan otomatisasi berulang, tim mengonfirmasi.

Templat cepat yang dapat disalin

TEMPLATE KODE SKELETON"Peran: Anda adalah asisten kode untuk analisis data metalurgi.Tugas: [misalnya membaca hasil gambar dari CSV dan kekuatan luluh rata-rata].Data: [file, kolom, UNIT].tulis kerangka komentar dengan panda: (1) menentukan satuan dalam variabel terbuka di bagian atas, (2) membaca data dan mencetak jumlah baris, (3) menghapus dan mencetak jumlah baris LAGI, (4) melakukan perhitungan, (5) mencetak hasilnya dan a pemeriksaan masuk akal. Tambahkan komentar ke setiap langkah. Tandai di mana saya perlu memverifikasi."

TEMPLATE UJI JAWABAN YANG DIKETAHUI"Tulis 'tes jawaban yang diketahui' untuk fungsi berikut: [fungsi]. Pilih input kecil yang hasilnya dapat dihitung secara manual, beri komentar pada output yang diharapkan, dan periksa dengan tegas. Uji juga konsistensi unit. Jika tes tidak lulus, sebutkan kemungkinan alasannya (satuan, koefisien, rumus)."

TINJAUAN KODE / TEMPLATE DEBUG"Periksa kode berikut: [kode]. Periksa dan tandai yang berikut:(1) konsistensi volume, (2) risiko kehilangan data diam-diam, (3) dampak outlier, (4) keluaran yang secara fisik tidak mungkin (kekuatan negatif, tingkat >100%). Tulis cara memverifikasi untuk setiap risiko. Jangan konfirmasikan kode sebagai 'berfungsi'; tunjukkan tidak dapat diandalkan tanpa pengujian."

TEMPLATE VISUALISASI"plot [kurva tarik / plot kontrol / distribusi] dengan matplotlib. Tambahkan UNIT ke label sumbu, masukkan judul dan kisi. Tandai outlier secara berbeda. Perhatikan bahwa saya perlu memeriksa plot secara visual dan memverifikasi tren yang diharapkan (misalnya meningkatkan tegangan-regangan). Jangan sembunyikan titik apa pun untuk 'mempercantik' data."

Perintah lemah / Perintah kuat

PROMPT LEMAH: "Tuliskan saya kode yang melakukan perhitungan Hall-Petch."

PROMPT KUAT:"Peran: Anda adalah asisten kode untuk analisis data metalurgi. Tulis fungsi Python untuk menghitung Hall-Petch(σy = σ0 + k·d^(-1/2)). Satuan: d mikrometer, σ0 dan σy MPa, k MPa·µm^(1/2). Aktifkan konversi satuan dalam fungsi dan beri komentar. Juga d = 100 Hitung hasil yang diharapkan secara manual untuk µm,σ0 = 50 MPa, k = 300 MPa·µm^0.5 dan uji dengan tegas. Tambahkan pemeriksaan masuk akal fisik (σy tidak boleh negatif).

Prompt yang lemah menghasilkan kode yang tidak memiliki unit dan pengujian dan mungkin saja salah. Perintah yang kuat mendefinisikan unit dengan jelas, menerapkan konversi, memerlukan pengujian jawaban yang diketahui, dan pemeriksaan masuk akal — membuat kode dapat diverifikasi.

Ringkasan holistik modul: Tempat dan batasan AI dalam metalurgi

Ada satu prinsip yang diulangi di seluruh modul ini: AI adalah asisten, bukan pengambil keputusan. Di dua belas unit, kami menggunakan AI secara menyeluruh, mulai dari pemilihan material hingga prediksi properti, analisis fase hingga struktur mikro, perlakuan panas hingga fabrikasi, kontrol kualitas hingga analisis kerusakan, karakterisasi hingga standardisasi, dan analisis Python. Di setiap unit, AI menjelaskan konsep, menghasilkan hipotesis, menulis draf dan kode — tetapi tidak ada unit yang mengambil keputusan sendiri. Batasannya jelas: halusinasi (angka dan standar yang dibuat-buat), tanggung jawab penting keselamatan yang tidak dapat didelegasikan, ketergantungan pada kualitas data dan pengukuran/kalibrasi, risiko ekstrapolasi dan kerahasiaan. Disiplin verifikasi selalu melekat pada manusia dalam segitiga akun-laboratorium standar.

Kesalahan umum

• Menerapkan kode ke data nyata tanpa menguji dengan jawaban yang diketahui.
• Tidak mendefinisikan satuan dengan jelas; Mengabaikan MPa/ksi, kebingungan µm/m.
• Tidak mencetak jumlah baris selama langkah pemrosesan data dan tidak memperhatikan silent loss.
• Mengandalkan mean tanpa memvisualisasikan outlier.
• Menerima perpustakaan/fungsi yang tidak ada yang dibuat oleh AI tanpa menjalankannya.
• Dengan asumsi kode tersebut benar karena "tampaknya berfungsi"; kegagalan untuk memeriksa masuk akal secara fisik.

Singkatnya

AI dalam analisis data metalurgi dengan Python adalah akselerator yang kuat untuk pengkodean, debugging, dan otomatisasi; tetapi kode yang dihasilkannya mungkin membawa kesalahan unit, koefisien yang salah, dan kehilangan data secara diam-diam. Verifikasi setiap kode dengan pengujian jawaban yang diketahui, pemeriksaan unit, pelacakan jumlah baris, dan masuk akal secara fisik. Di sini, seperti di seluruh modul, AI adalah asistennya: AI memastikan kecepatan dan pengorganisasian, akurasi dan tanggung jawab diambil alih oleh teknisi yang berwenang. Dalam keputusan metalurgi yang kritis terhadap keselamatan, keluaran AI tidak pernah bisa menggantikan standar, eksperimen, perhitungan, dan persetujuan insinyur yang kompeten.

Tugas aplikasi

Pilih perhitungan metalurgi (misalnya Hall-Petch atau rata-rata data tarik). Dengan template "CODE SKELETON", mintalah AI untuk memberikan kode komentar yang mencetak jumlah baris dengan satuan eksplisit. Kemudian tambahkan skenario pengujian di mana Anda mengetahui hasilnya secara manual dengan template "UJI JAWABAN YANG DIKETAHUI" dan jalankan. Jika kode tidak memberikan nilai yang diharapkan, temukan kesalahannya (satuan, koefisien, data) dan perbaiki. Terakhir, tulis tentang disiplin verifikasi AI yang Anda pelajari dalam modul ini dengan menyesuaikannya dengan bisnis Anda dalam tiga artikel.

daftar periksa

• [ ] Saya mendefinisikan dengan jelas tugas, data, dan unit AI.
• [] Saya mendefinisikan unit dengan variabel eksplisit di bagian atas kode.
• [ ] Pada langkah pemrosesan data, saya mencetak jumlah baris dan memeriksa silent loss.
• [] Saya memverifikasi kode dengan test case dengan jawaban yang diketahui.
• [] Saya memeriksa masuk akal secara fisik (nilai negatif/absurd) dari output.
• [ ] Saya menggunakan AI sebagai akselerator; Saya menjaga integritas dan tanggung jawab.

Ujian Modul

1. Saat bekerja dengan alat AI sebagai insinyur material, tanggung jawab utama manakah yang harus selalu berada di tangan manusia (insinyur hukum)?

• A) Persetujuan dan penandatanganan kesesuaian suatu suku cadang untuk diservis ✔
• B) Penyusunan draf pertama laporan kerusakan
• C) Mengedit label sumbu grafik struktur mikro
• D) Menyiapkan daftar istilah metalurgi untuk presentasi

Deskripsi: AI; Ini dapat mempercepat tugas-tugas seperti klarifikasi konsep, penyusunan laporan, daftar hipotesis, dan kerangka kode. Namun demikian, menyetujui kesesuaian suatu suku cadang untuk layanan/penerbangan adalah keputusan yang menghasilkan keselamatan jiwa dan harta benda; tidak dapat ditransfer ke AI tanpa pengujian terakreditasi dan persetujuan insinyur resmi.

2. Anda bertanya kepada AI tentang kekuatan luluh baja AISI 4140 ketika diquench dan ditempa pada suhu 200 °C, dan dia menjawab 'pasti 1500 MPa'. Apa tindakan pertama yang benar yang harus dilakukan?

• A) Masukkan nilai langsung ke akun desain karena AI tampak percaya diri
• B) Verifikasi nilai dengan lembar data material/sertifikat pabrik dan uji tarik bila perlu, tidak mengandalkan nilai titik tunggal ✔
• C) Menurunkan nilai secara acak agar tetap aman
• D) Terima nilainya dan langsung lanjutkan ke resep perlakuan panas

Penjelasan: Model bahasa secara meyakinkan dapat mengarang angka-angka yang tidak berdasar (halusinasi). Kekuatan hasil; Ini bervariasi dalam rentang yang luas tergantung pada suhu temper, ketebalan bagian dan kemampuan pengerasan. Penting untuk mendapatkan nilai dari sertifikat pabrik atau uji tarik sesuai dengan standar, dan tidak menyertakan satu titik keluaran AI dalam desain.

3. Dengan model pembelajaran mesin yang memprediksi sifat baja, AI menghasilkan nilai 'aman' untuk paduan yang jauh di luar rentang komposisi dalam data pelatihan. Apa masalah utama dari keluaran ini?

• A) Model selalu memberikan hasil dalam persen, MPa salah
• B) Prediksi tidak dapat diandalkan karena dibuat di luar rentang data pelatihan (ekstrapolasi) dan harus diverifikasi melalui eksperimen ✔
• C) Model hanya berfungsi untuk baja tahan karat
• D) Output model selalu dua kali lipat nilai sebenarnya

Penjelasan: Model pembelajaran mesin bekerja secara wajar dalam rentang data pelatihan (interpolasi); Jika berada di luar kisaran ini (ekstrapolasi), prediksi menjadi tidak dapat diandalkan dan model sering kali tidak menunjukkan hal ini. Nilai yang dihasilkan pada titik di luar distribusi data pelatihan tidak dapat digunakan tanpa validasi eksperimental.

4. Anda menerapkan AI untuk menghitung rasio fasa dalam paduan dua fasa. Masukan apa yang harus digunakan AI dengan benar saat menerapkan 'aturan tuas'?

• A) Suhu saja; kombinasi tidak diperlukan
• B) Hanya kepadatan paduannya
• C) Komposisi total paduan dengan komposisi batas fasa pada suhu yang relevan ✔
• D) Hanya suhu lelehnya

Penjelasan: Aturan tuas memberikan besaran fasa menggunakan jarak antara komposisi batas fasa (misalnya komposisi fasa padat dan cair) dan komposisi total paduan pada suhu tertentu. Jika kombinasi batas fasa dibaca secara salah, rasionya akan salah sepenuhnya; Oleh karena itu, konfirmasi nilai dari diagram fase adalah wajib.

5. Anda mengukur ukuran butir dari struktur mikro dengan aliran pemrosesan gambar bertenaga AI, namun lupa mengkalibrasi bilah skala ke piksel. Mengapa hasilnya tidak dapat diandalkan?

• A) Semua pengukuran dimensi berada pada skala yang salah karena kalibrasi panjang piksel tidak dilakukan ✔
• B) Pengukuran terdistorsi karena gambar berwarna digunakan
• C) Ukuran butir hanya dapat diukur dengan SEM, mikroskop optik tidak akurat
• D) Pengukuran tidak diperlukan karena resolusi gambarnya tinggi

Deskripsi: Dalam metalografi kuantitatif, setiap piksel memiliki panjang; Jika transformasi ini tidak dikalibrasi dengan bilah skala, semua pengukuran dimensi seperti ukuran butir, rasio fasa, dan porositas akan muncul pada skala yang salah. Kalibrasi adalah langkah pertama dan wajib dalam pengukuran berbasis gambar.

6. AI menyarankan resep perlakuan panas (austenitisasi + quenching + tempering) untuk mencapai target kekerasan baja. Apa langkah terbaik sebelum menerapkan resep?

• A) Menerapkan resep langsung ke produksi massal
• B) Oleskan resep pada potongan percobaan, ukur kekerasan/struktur mikronya dan bandingkan dengan standar ✔
• C) Tingkatkan suhu tempering secara acak di sisi yang aman
• D) Mengoreksi dan menyetujui hanya ejaan resep

Deskripsi: Akibat perlakuan panas; Ketebalan bagian bagian, kemampuan pengerasan (Jominy) sangat bervariasi dengan realitas tungku dan lingkungan pendinginan. Resep yang diberikan AI merupakan hipotesis awal; Ini harus diverifikasi dengan menerapkannya pada benda uji dan mengukur kekerasan dan struktur mikro serta membandingkannya dengan standar.

7. Anda meminta AI untuk 'nomor zat tertentu' dari standar ASTM untuk nilai batas material dan AI menjawab dengan nilai yang tepat. Apa perilaku rekayasa yang benar?

• A) Menulis nilai langsung ke laporan karena AI sudah mutakhir
• B) Mengubah nilai secara acak agar tetap aman
• C) Verifikasi nomor bahan, versi dan nilai dari teks standar resmi dan terkini ✔
• D) Menambahkan nomor item ke file kesesuaian tanpa memeriksanya

Penjelasan: Meskipun model bahasa mengetahui nama standar dengan benar, model tersebut mungkin salah mengingat atau membuat nomor artikel, versi, dan breakpoint. Dalam bidang pengikatan seperti ASTM/ISO/EN, setiap substansi dan nilai harus diverifikasi kata demi kata dari sumber resmi dan terkini; Keluaran AI hanya menunjukkan di mana mencarinya.

8. Anda menunjukkan foto permukaan baut yang patah kepada AI dan mendapat jawaban 'ini pasti patah tulang akibat kelelahan'. Apa pendekatan yang benar untuk analisis akar permasalahan?

• A) Menulis diagnosis langsung ke dalam laporan karena AI berbicara dengan tepat
• B) Cukup tingkatkan resolusi foto dan konfirmasikan diagnosisnya
• C) Memasang part baru tanpa memeriksa permukaan yang rusak
• D) Konfirmasikan diagnosis sebagai hipotesis dengan fraktografi, riwayat muatan, dan bukti struktur mikro ✔

Deskripsi: Interpretasi permukaan rusak; Fraktografi (striasi, garis pantai, pemisahan lesung pipit/belahan dada dengan SEM) memerlukan pertimbangan riwayat beban, bukti lingkungan dan struktur mikro secara bersamaan. Diagnosis pasti yang dibuat AI dari satu foto adalah sebuah hipotesis; Akar permasalahan tidak dapat dinyatakan tanpa konfirmasi melalui temuan laboratorium.

9. AI menetapkan puncak fase tertentu dalam pola XRD (difraksi sinar-X). Metode apa yang paling tepat untuk membuat identifikasi fase dapat diandalkan?

• A) Mencocokkan puncak dengan basis data pola referensi (misalnya kartu PDF) dan memeriksa tumpang tindih dan artefak ✔
• B) Menerima tugas secara langsung karena AI menyebutkan nama fase
• C) Hanya mempertimbangkan puncak tertinggi dan mengabaikan sisanya
• D) Warnai polanya dan buat menjadi indah secara visual

Deskripsi: Identifikasi fase XRD dilakukan dengan mencocokkan posisi dan intensitas puncak yang diukur dengan pola referensi yang diketahui (misalnya kartu ICDD/PDF). Menetapkan satu puncak secara terpisah adalah hal yang menyesatkan; puncak yang tumpang tindih, orientasi preferensial dan artefak latar belakang harus diperhitungkan dan penugasan dikonfirmasi dengan database referensi.

10. Draf laporan kerusakan/pemeriksaan yang dibuat oleh AI memuat nilai teknis yang tidak dapat diubah tetapi tidak diketahui asal usulnya. Apa perilaku yang benar?

• A) Menyajikan laporan apa adanya karena teksnya lancar
• B) Membulatkan dan menghilangkan nilai
• C) Baca saja ringkasan eksekutif dan lewati sisanya
• D) Cocokkan setiap nilai dengan pengukuran/sumber asli dan hapus ✔ yang belum dikonfirmasi

Deskripsi: Setiap nilai teknis dalam laporan; Itu harus dapat ditelusuri ke pengukuran, catatan perangkat yang dikalibrasi, standar atau data pabrikan. Sekalipun merupakan suatu nilai dalam kalimat lancar, tidak boleh ada angka yang sumbernya belum terverifikasi dicantumkan dalam laporan atau dasar pengambilan keputusan; Jika tidak, nilai fiktif ditransfer ke dokumen yang menimbulkan tanggung jawab.

11. Apa langkah terbaik sebelum menggunakan penghitungan Python yang dihasilkan AI (misalnya, hubungan Hall-Petch untuk ukuran butir-kekuatan hasil)?

• A) Menerapkan kode langsung ke data produksi aktual
• B) Hanya memastikan kodenya terlihat pendek dan rapi
• C) Jalankan kode dalam skenario pengujian dengan hasil yang diketahui dan verifikasi unit dan keluaran ✔
• D) Menghapus sebagian kode untuk mempersingkatnya

Penjelasan: Sebuah kode mungkin tampak benar tetapi memberikan hasil yang salah: mungkin ada kesalahan satuan, koefisien salah, atau kesalahan rumus. Menjalankan kode dalam kasus uji kecil di mana Anda mengetahui hasilnya secara manual dan membandingkannya dengan keluaran yang diharapkan dan memeriksa unit akan menangkap kesalahan sebelum dibawa ke keputusan sebenarnya.

12. Anda ingin menempelkan resep paduan dan parameter proses perusahaan Anda yang belum dipatenkan ke dalam alat AI yang tersedia untuk umum dan menganalisis permintaan. Pendekatan manakah yang paling benar?

• A) Menempelkan resep apa adanya agar lebih cepat
• B) Cukup dengan menghapus nama perusahaan dan membagi semua parameter lainnya.
• C) Membagikan data dan kemudian meminta AI untuk menghapusnya
• D) Memeriksa kebijakan kelembagaan dan menganonimkan data atau menggunakan alat yang aman/kelembagaan ✔

Deskripsi: Resep paduan, parameter proses, dan spesifikasi pelanggan merupakan rahasia dagang dan sensitif terhadap kekayaan intelektual. Sebelum membagikan data, penting untuk memeriksa kebijakan perusahaan, menganonimkannya, atau menggunakan alat institusi/di lokasi yang tidak mengirimkan data.

13. Sistem SPC (kontrol proses statistik) yang didukung AI menandai bahwa batas bagan kendali telah terlampaui dalam batch produksi. Apa perilaku rekayasa yang benar?

• A) Abaikan peringatan dan lanjutkan produksi
• B) Memperluas batas kendali sehingga tidak terjadi peringatan
• C) Pertimbangkan peringatan sebagai pemicu, konfirmasikan pengukuran, selidiki akar permasalahan dan putuskan dengan kriteria penerimaan ✔
• D) Langsung membuang seluruh batch tanpa mengukur

Penjelasan: Melebihi batas peta kendali merupakan peringatan; Akar permasalahannya tidak secara otomatis terlihat jelas. Ini bisa berupa kesalahan pengukuran, masalah pengambilan sampel, atau penyimpangan proses sebenarnya. Pendekatan yang benar adalah dengan mempertimbangkan peringatan sebagai pemicu, mengkonfirmasi pengukuran, menyelidiki akar permasalahan dan mengambil keputusan berdasarkan kriteria penerimaan dan NDT/hasil pemeriksaan.

14. Penilaian gambar berbantuan AI pada bagian casting menandai suatu zona sebagai 'dapat diterima'. Apa pendekatan yang tepat untuk bagian yang penting bagi keselamatan?

• A) Mempertimbangkan evaluasi awal AI sebagai alat penyaringan dan menghubungkan penerimaan akhir dengan hasil NDT dan persetujuan resmi ✔
• B) Pertimbangkan evaluasi AI sebagai penerimaan akhir dan setujui bagian tersebut
• C) Pindah ke proses berikutnya tanpa memeriksa bagian sama sekali
• D) Cukup dengan memeriksa permukaan bagian secara visual.

Deskripsi: Cacat internal pengecoran (porositas, penyusutan, inklusi) seringkali tidak terlihat dari permukaan dan dievaluasi dengan pengujian non-destruktif (NDT: radiografi, ultrasonik). Evaluasi awal yang diberikan AI melalui gambar adalah alat penyaringan; Penerimaan akhir dari bagian penting keselamatan diberikan dengan NDT dan persetujuan inspeksi resmi sesuai dengan standar.