단위
1. 야금학의 인공 지능 소개: 경계, 검증, 책임 및 윤리 2. 재료 선택 및 의사결정 지원 시스템의 AI 3. 특징 예측 및 구조-공정-속성 관계(기계 학습) 4. CALPHAD 접근 방식의 위상 다이어그램, 열역학 및 AI 5. 미세구조 이미지 분석 및 정량적 금속학 6. 열처리 및 공정 매개변수 최적화를 위한 AI 7. 제조 공정: 주조, 용접 및 적층 가공 분야의 AI 8. 품질 관리, 결함 감지 및 통계적 공정 관리 9. 손상 분석, 근본 원인 및 파손 조사의 AI 10. 특성화 데이터 해석: XRD, SEM/EDS, DSC 및 기계적 테스트 11. 표준 조사, 규정 준수 및 확인 징계 12. Python을 사용한 야금학적 데이터 분석 및 AI의 개척지
단위 8 / 12

품질 관리, 결함 감지 및 통계적 공정 관리

이득:

  • 생산 및 검사 데이터를 AI로 모니터링하고 불량 및 편차 패턴을 조기에 발견하는 능력
  • AI 지원을 통해 통계적 공정 관리(SPC), Cpk 및 관리도를 설정하고 해석하는 기능
  • NDT 결과, 합격 기준, 공인 검사 확인을 통해 AI의 결함 분류를 검증하는 기능

생산 라인을 통과하는 수천 개의 부품 중 결함이 있는 부품이 무엇인지, 그리고 어느 순간에 공정이 중단되기 시작하는지 알아내는 것은 야금 및 품질 엔지니어의 끊임없는 의무입니다. 제품이 지정된 요구 사항을 충족하는지 확인하는 품질 관리; 결함 감지, 제품 오류(스크래치, 기공, 균열, 치수 편차) 포착; 통계적 공정 관리(SPC)는 생산 데이터를 통계적으로 모니터링하여 공정이 관리되고 있는지 여부를 파악하는 방법입니다. 인공 지능은 이미지의 자동 결함 분류, 대규모 측정 데이터의 패턴 캡처, SPC 그래프 구성 및 해석을 가속화합니다. 그러나 경보는 자동으로 결정되는 것이 아닙니다. 각 AI 출력은 NDT 결과, 허용 기준 및 승인된 검사 승인을 통해 확인되어야 합니다.

SPC의 기본 개념과 AI의 역할

  • 관리 차트: 중심선과 관리 한계(일반적으로 ±3 표준 편차)를 사용하여 시간 경과에 따른 측정값(예: 직경, 경도)의 변화를 보여주는 그래프입니다. 한계 교차는 프로세스가 변경되었다는 신호입니다.
  • 관리 한계 등 공차: 관리 한계는 프로세스의 자연적인 변화에서 비롯됩니다. 공차(사양한계)는 고객이 원하는 것입니다. 이 둘을 혼동해서는 안 됩니다.
  • Cp 및 Cpk(공정 능력 지수): 공정이 공차 내에 얼마나 쉽게 맞는지를 측정합니다. Cp는 스프레드를 평가하고, Cpk는 스프레드+탈중앙화를 함께 평가합니다. Cpk ≥ 1.33은 일반적으로 충분한 것으로 간주됩니다.
  • 개인적인 원인과 일반적인 원인: 일반적인 원인은 프로세스에 내재된 소음입니다. 구체적인 원인(예: 공구 마모, 잘못된 배치)은 개입이 필요한 편차입니다. SPC의 목적은 이 둘을 분리하는 것입니다.

AI는 이러한 개념을 가르치고, 데이터에서 관리 차트/Cpk를 계산하는 코드를 생성하고, 차트 패턴(추세, 드리프트, 주기성)을 해석하는 데 강력합니다. 그러나 엔지니어는 한계 초과의 원인과 올바른 개입을 결정합니다.

주의: "경보를 방지하기 위해" 제어 한계를 확장하는 것은 가장 위험한 실수 중 하나입니다. 한계는 공정의 실제 변화로부터 계산됩니다. 임의로 확장하면 실제 편차가 눈에 띄지 않게 되고 결함이 있는 제품이 고객에게 전달됩니다.

단계별: AI 기반 품질 모니터링

  1. 특성 선택: 어떤 중요한 지표를 모니터링할 것인가(CQ: 중요한 품질 특성)? 측정 시스템이 신뢰할 수 있습니까(Gage R&R)?
  2. 데이터 수집: 하위 그룹에서 정기적으로 샘플링합니다. 미터가 교정되었나요?
  3. 차트 설정: 적절한 관리 차트(X-bar/R, 개별 이동 범위) 유형 및 코드를 AI에 문의하세요.
  4. 설명: 오버슈트, 추세, 배치 규칙(예: Western Electric 규칙)이 있습니까?
  5. 근본 원인을 찾으십시오. 경보는 트리거입니다. 측정을 확인하고 프로세스를 검토합니다.
  6. 결정: 허용 기준 및 NDT 결과를 기반으로 합니다. 이탈된 배치를 분리하고 시정 조치를 적용합니다.

결함 탐지 및 비파괴 테스트

이미지 기반 AI(딥 러닝 분류기)는 표면 결함(스크래치, 버, 산화물, 기공)을 빠르게 추출할 수 있습니다. 내부 결함에는 방사선 촬영(RT), 초음파(UT), 자성 입자(MT), 침투제(PT) 등 비파괴 검사(NDT)가 필요합니다. AI는 RT/UT 이미지를 사전 검사할 수 있지만 최종 평가는 인증된 NDT 직원 및 표준 승인 기준에 따라 이루어집니다.

결함 유형

일반적인 방법

AI 기여

최종 결정

표면 스크래치/버

광학 이미지

자동분류

허용 기준 + 연산자

내부 기공/균열

RT/UT

이미지 사전 심사

인증된 NDT+ 표준

균열(표면에 열려 있음)

MT/PT

표시 마킹

NDT 레벨 II/III 승인

크기 편차

CMM/측정

SPC를 이용한 추세 추적

관용 + 결정

세 개의 미니 케이스

사례 1 - 국경 확장 함정. 라인의 직경 측정에서는 관리 상한이 자주 초과됩니다. 운영자는 경고를 줄이기 위해 제한을 확장할 것을 권장합니다. 품질 엔지니어는 이에 반대합니다. 그는 AI가 SPC 데이터를 분석하게 하고 오후 근무 시간에 공구 마모로 인해 체계적인 변화(특정 원인)가 있음을 발견합니다. 공구 교환 기간이 단축되면 프로세스가 한계 내로 돌아갑니다. 교훈: 알람은 정보의 원천입니다. 그를 침묵시키는 것이 아니라 이유를 찾는 것이 필요합니다.

사례 2 — 잘못된 Cpk 해석. 한 보고서에 따르면 프로세스는 "Cpk = 1.8, 완벽"하지만 부품으로 인해 고객에게 문제가 발생하고 있습니다. 엔지니어는 AI가 데이터를 검사하도록 합니다. 그는 측정 시스템의 분해능이 불충분하고(Gage R&R이 나쁨), 높은 Cpk는 측정 맹목에서 비롯되기 때문에 실제 변화가 숨겨져 있음을 발견했습니다. 먼저 측정 시스템이 수정되었으며 실제 Cpk는 1.1입니다. 교훈: 잘못된 측정 시스템에 기초한 통계는 오해의 소지가 있습니다. 먼저 측정을 확인하십시오.

사례 3 — 올바른 NDT 제거. 한 제조업체는 AI 기반 RT 사전 검증을 캐스팅에 사용합니다. 의심스러운 부품을 표시하고 인증된 NDT 담당자에게 지시합니다. AI는 대부분의 깔끔한 부분을 빠르게 처리하고 직원은 표시된 부분에만 집중합니다. 그러나 안전이 중요한 시리즈에서는 AI가 "클린"이라고 부르는 부품도 샘플링하여 NDT로 확인합니다. AI는 입학허가서가 아닌 심사 도구이기 때문이다. 교훈: AI는 효율성을 향상시키지만 최종 승인은 표준 NDT 및 승인 승인을 통해 이루어집니다.

복사 가능한 프롬프트 템플릿

제어 차트 설정 템플릿 "역할: 귀하는 SPC/품질 보조자입니다. 다음과 같은 측정 데이터가 있습니다: [하위 그룹 데이터]. 특성: [직경/경도]. 근거가 있는 적절한 유형의 관리 차트(X-bar/R 또는 I-MR)를 추천하고 Python 코드로 중심선 + 제어 한계를 계산합니다. 제어 한계가 TOLERANCE와 다르다는 점을 강조합니다. 한계 초과에 대해 언급하되 이유를 조사해야 한다고 명시합니다."

Cpk 설명 템플릿 "Cp = [...], Cpk = [...], 공차 = [...], 측정된 분포 = [...]. 이러한 값을 해석하십시오. 프로세스가 적절한지, 분산이 있습니까? 먼저 측정 시스템이 신뢰할 수 있는지 여부를 먼저 물어보십시오(Gage R&R). 높은 Cpk가 측정 맹목으로 인해 발생할 수 있다는 함정을 설명하십시오. 확고한 '적절한' 결정을 실험/검사와 연관시키십시오."

결함 분류 평가 템플릿 "AI 이미지 모델은 다음과 같은 결함을 표시했습니다: [목록]. 각 결함에 대해 어떤 허용 기준(표준)을 평가해야 하는지, 확인을 위해 어떤 NDT 방법이 필요한지, 위양성/음성 위험은 무엇입니까? 최종 승인은 인증된 NDT 및 승인된 승인을 통해 제공되어야 함을 지정합니다. AI 출력을 '사전 심사'로 지정합니다."

SPC 패턴 분석 템플릿"다음 관리 차트 데이터를 조사합니다: [데이터/시계열]. 추세, 드리프트, 주기성 또는 계열 규칙 위반이 있습니까(Western Electric)? 각 패턴에 대해 가능한 프로세스 원인(공구 마모, 배치 변경, 온도)을 가설로 나열하고 이를 어떻게 검증할 것인지 작성합니다. 정확한 원인을 선언하지 마십시오."

약한 프롬프트 / 강한 프롬프트

약한 프롬프트: "이 데이터의 품질이 좋나요?"

강력한 프롬프트: "역할: 당신은 SPC 보조자입니다. 나는 다음 샤프트 직경 데이터(25개 하위 그룹, n=5)를 가지고 있습니다: [데이터]. 공차는 20.00 ± 0.05mm입니다. (1) 결과를 허용 기준과 비교하기 위한 중심 및 제어 한계를 계산하되 측정 시스템(Gage R&R)을 검증해야 한다는 점을 상기시켜 주십시오.”

약한 프롬프트는 모호하고 설명이 없는 답변을 제공합니다. 강력한 프롬프트는 명확한 데이터, 허용 오차 및 원하는 출력을 제공합니다. 이는 제어 한계/공차 구별, Gage R&R 제어를 규정하고 최종 결정은 엔지니어의 몫입니다.

일반적인 실수

  • 제어 한계와 허용 오차를 혼동하거나 알람이 발생하지 않도록 확장합니다.
  • 측정 시스템(Gage R&R)을 검증하지 않고 Cpk에 의존합니다.
  • 한계 초과를 자동 "근본 원인"으로 간주하고 측정을 확인하지 않고 폐기하기로 결정합니다.
  • AI 결함 분류를 최종 승인 결정으로 고려합니다. NDT 및 승인된 승인을 우회합니다.
  • 공통 원인과 특정 원인을 구분하지 않고 모든 변동에 개입합니다(과잉 조정).
  • 안전이 중요한 시리즈에서는 AI가 말하는 것을 완전히 신뢰하는 것이 '클린'하고 샘플링 검증을 수행하지 않는 것입니다.

요약하면

품질 관리 분야의 AI는 결함 분류, 빅데이터의 패턴 캡처, SPC 그래프/Cpk 계산을 통해 품질 엔지니어의 눈과 속도를 향상시킵니다. 그러나 제어한계-공차 구분, 측정 시스템 신뢰성, 특수/공통 원인 구분이 올바르게 이루어지지 않으면 통계가 오도될 수 있습니다. 각 경보를 트리거로 처리하고, 측정을 확인하고, 근본 원인을 조사하고, 최종 승인을 승인 기준, 표준 NDT 및 승인된 승인에 연결합니다. AI가 예비 선택을 하고, 엔지니어가 결정을 내립니다.

응용과제

실제 또는 가상의 일련의 측정값(예: 직경/경도 데이터의 20-25개 하위 그룹)과 공차를 지정합니다. "SETUP Control CHART" 템플릿을 사용하여 AI에 적절한 차트 유형과 계산 코드를 요청하고 제어 한계를 계산하도록 합니다. 그런 다음 "Cpk COMMENT" 템플릿을 사용하여 프로세스 적절성에 대해 설명하고 Gage R&R 검사를 기록합니다. 마지막으로 한계 초과 시나리오를 작성하고 결정할 단계(측정 확인, 근본 원인, 허용 기준)를 단락으로 작성합니다.

체크리스트

  • [ ] 나는 모니터링해야 할 중요한 품질 속성과 측정 시스템의 신뢰성을 확인했습니다.
  • [ ] 적절한 관리도 유형을 선택하고 프로세스의 한계를 계산했습니다.
  • [ ] 관리 한계와 허용 오차를 분리했습니다. 임의로 경계를 넓히지는 않았습니다.
  • [ ] Cpk를 측정시스템의 신뢰도와 함께 해석하였습니다.
  • [ ] 알람을 트리거로 간주하여 측정값을 확인하고 근본 원인을 조사했습니다.
  • [ ] 승인 기준, 표준 NDT 및 승인된 승인을 토대로 최종 승인을 받았습니다.
이전 다음