Metallurgische data-analyse en grenzen van AI met Python

Winst:

• Mogelijkheid om de code te produceren en te begrijpen die metallurgische gegevens opschoont, analyseert en visualiseert met Python, met AI-ondersteuning
• Mogelijkheid om er een gewoonte van te maken om door AI gegenereerde code te valideren met unit checking, testcases en fysieke plausibiliteit
• Een holistisch begrip van de end-to-end grenzen, verantwoordelijkheid en het ethische raamwerk van AI in de metallurgie

Metallurgisch werk wordt steeds vaker gedaan met meer gegevens: honderden trekproefresultaten, duizenden SPC-metingen, gegevens van warmtebehandelingsovens, karakteriseringsresultaten. Het handmatig opzoeken van deze gegevens in Excel is traag en foutgevoelig; Python (een veelgebruikte programmeertaal voor data-analyse en wetenschappelijk computergebruik) maakt dit herhaalbaar, controleerbaar en automatisch. AI is zeer krachtig in het schrijven, debuggen en uitleggen van Python-code, maar de code die het produceert kan er goed uitzien, maar het verkeerde resultaat opleveren: eenheidsfout, verkeerde coëfficiënt, stil gegevensverlies. In deze laatste unit leer je hoe je metallurgische gegevens analyseert met AI-ondersteuning in Python en elke code verifieert, en vervolgens op holistische wijze de AI-grenzen, verantwoordelijkheid en ethisch raamwerk afrondt die in de hele module aan bod komen.

Typische taken in de metallurgische data-analyse

Veel voorkomende taken met AI-ondersteuning in Python:

• Gegevensopschoning: ontbrekende waarde, eenheidsverwarring (MPa vs. ksi), verwijdering van uitschieters. Vuile data corrumpeert zelfs de beste analyse.
• Visualisatie: Tekening trekcurve, controlediagram, korrelgrootteverdeling, temperatuur-tijdprofiel.
• Hij is een van de volgende: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, isstatistik.
• Automatisering: Batchverwerking van een groot aantal bestanden en het produceren van samenvattende tabellen/rapporten.

De Hall-Petch-relatie is hier een goed voorbeeld: de vloeigrens neemt omgekeerd evenredig toe met de vierkantswortel van de korreldiameter. AI kan deze formule in code vertalen; Maar of je d nu als micrometer of meter gebruikt en welke eenheid je gebruikt voor de k-coëfficiënt, verandert het resultaat volledig. De juistheid van de code ligt niet in het onthouden van de formule, maar in het valideren van de eenheden en een testcase.

Tip: Zorg ervoor dat u in elk account dat de AI schrijft een ‘bekende antwoordtest’ opneemt. Geef een kleine invoer waarvan u het resultaat met de hand kent (bijvoorbeeld verwachte sterkte voor d = 100 µm); Als de code die waarde geeft, kunt u erop vertrouwen; Als dit niet het geval is, is de fout verborgen.

Stap voor stap: Een veilige analyseflow met AI

1. Beschrijf de taak en gegevens: Welk bestand, welke kolommen, welke eenheden, wat wordt berekend?
2. Codeskelet opvragen: Vraag de AI om een ​​becommentarieerd, stapsgewijs verdeeld skelet; Definieer eenheden met expliciete variabelen bovenaan.
3. Test met kleine data: Voer eerst een paar rijen/bekende waarden uit; Controleer het resultaat handmatig.
4. Eenheids- en grenscontrole: is de output fysiek redelijk? Bestaat er onzin zoals negatieve sterkte, 120% tarief?
5. Visualiseer en kijk: toont de grafiek de verwachte trend? Zijn de uitschieters gegevensfouten?
6. Verifiëren en documenteren: Vergelijk het resultaat met een onafhankelijke berekening/standaard; Geef commentaar op de code en aannames.

Verificatietabel voor AI-code

Risico

symptoom

Controlemethode

Eenheidsfout

Het resultaat is 1000x perverseling

Definieer eenheden in expliciete variabele, groottecontrole

Onjuiste coëfficiënt/formule

Redelijke maar verkeerde waarde

Testscenario met bekende antwoorden

Stil gegevensverlies

Het aantal rijen is minder dan verwacht

Print het aantal rijen voor/na verwerking

uitschieter vervorming

gemiddelde kajak

Visualiseer met een grafiek, kijk naar de verdeling

Overfitting (hallucinerende bibliotheek)

niet bestaande functie

Uitvoeren, fout lezen, documentatie bekijken

drie minikoffers

Geval 1 — Verborgen volumefout. Een ingenieur vraagt ​​code aan bij de AI voor Hall-Petch-berekening; De code verwacht een korreldiameter in meters, maar de ingenieur voert micrometers in. Het resultaat is 1000 keer pervers, maar valt op het eerste gezicht niet op omdat het op een "getal" lijkt. Mühendis d = 100 µm in de beklede ~350 MPa of een grotere hoeveelheid absürte decirşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. Les: testen met bekende antwoorden onthult binnen enkele seconden een eenheidsfout.

Geval 2 — Stil gegevensverlies. Een team ruimt 500 pull-testresultaten op met door AI geschreven code; Hoewel de code de rijen met ontbrekende waarden verwijdert, worden ook per ongeluk enkele van de geldige rijen verwijderd, waardoor er 300 rijen overblijven. De gemiddelde sterkte is hoger dan verwacht omdat de batch met een lage waarde wordt geëlimineerd. Wanneer het team het aantal rijen voor/na de verwerking afdrukt, zien ze dat 200 rijen stilletjes verdwenen zijn en repareren ze het filter. Les: het afdrukken van het aantal rijen bij elke gegevensverwerkingsstap levert stille verliezen op.

Geval 3 — Correct gebruik, herhaalbaar rapport. Een kwaliteitsteam moet wekelijks tientallen ovengegevens verwerken en samenvattende rapporten opstellen. Het vraagt ​​de AI om een ​​becommentarieerd script te schrijven dat bestanden in bulk leest en grafieken en samenvattende tabellen produceert. Het team test de code met een paar bekende bestanden, verifieert het aantal eenheden en regels en inspecteert visueel de uitvoergrafiek. Gebruikt het script vervolgens wekelijks; Werkuren worden teruggebracht tot minuten en werken elke week op dezelfde, controleerbare manier. AI maakte herhaalbare automatisering mogelijk, bevestigde het team.

Kopieerbare promptsjablonen

CODE SKELET SJABLOON"Rol: U bent de code-assistent voor de analyse van metallurgische gegevens. Taak: [lees bijvoorbeeld de tekenresultaten van CSV en de gemiddelde vloeigrens]. Gegevens: [bestand, kolommen, EENHEDEN]. schrijf een becommentarieerd skelet met panda's: (1) definieer eenheden in de open variabele bovenaan, (2) lees de gegevens en druk het aantal rijen af, (3) wis en druk het aantal rijen OPNIEUW af, (4) voer de berekening uit, (5) druk het resultaat af en een plausibiliteitscontrole. Toevoegen opmerkingen bij elke stap. Markeer waar ik moet verifiëren."

BEKEND ANTWOORD TEST SJABLOON"Schrijf een 'bekend antwoord test' voor de volgende functie: [functie]. Kies een kleine invoer waarvan het resultaat handmatig kan worden berekend, becommentarieer de verwachte uitvoer en controleer met assert. Test ook de consistentie van de eenheden. Als de test niet slaagt, vermeld dan mogelijke redenen (eenheid, coëfficiënt, formule)."

CODE REVIEW / DEBUG TEMPLATE "Bekijk de volgende code: [code]. Controleer en markeer het volgende: (1) volumeconsistentie, (2) risico op stil gegevensverlies, (3) impact van uitschieters, (4) fysiek onmogelijke uitvoer (negatieve sterkte, >100% percentage). Schrijf hoe u voor elk risico kunt verifiëren. Bevestig niet dat de code 'werkend' is; geef aan dat deze onbetrouwbaar is zonder te testen."

VISUALISATIE SJABLOON "plot [trekcurve / controleplot / distributie] met matplotlib. Voeg EENHEDEN toe aan aslabels, plaats titel en raster. Markeer uitschieters anders. Merk op dat ik de plot visueel moet inspecteren en de verwachte trend moet verifiëren (bijvoorbeeld toenemende spannings-rek). Verberg geen punten om de gegevens te 'verfraaien'."

Zwakke prompt/sterke prompt

ZWAKKE PROMPT: "Schrijf mij code die de Hall-Petch-berekening uitvoert."

STERKE VRAAG: "Rol: Jij bent de codeassistent voor metallurgische data-analyse. Schrijf een Python-functie om Hall-Petch(σy = σ0 + k·d^(-1/2)) te berekenen. Eenheden: d micrometer, σ0 en σy MPa, k MPa·μm^(1/2). Zet eenheidconversie AAN binnen de functie en geef commentaar. Ook d = 100 Bereken het verwachte resultaat handmatig voor µm,σ0 = 50 MPa, k = 300 MPa·μm^0,5 en test met assert. Voeg een fysieke plausibiliteitscontrole toe (σy kan niet negatief zijn).

Zwakke prompt produceert code die geen eenheid en test heeft en die stilletjes fout kan gaan. Sterke aanwijzingen definiëren eenheden duidelijk, dwingen conversie af, vereisen testen op bekende antwoorden en plausibiliteitscontrole - waardoor code verifieerbaar wordt.

Holistische samenvatting van de module: De plaats en grenzen van AI in de metallurgie

In deze module werd één principe herhaald: AI is een assistent, geen beslisser. In twaalf eenheden hebben we AI end-to-end gebruikt, van materiaalselectie tot eigenschapsvoorspelling, faseanalyse tot microstructuur, warmtebehandeling tot fabricage, kwaliteitscontrole tot schadeanalyse, karakterisering tot standaardisatie en Python-analyse. In elke eenheid legde de AI concepten uit, genereerde hypothesen, schreef concepten en code – maar in geen enkele eenheid nam zij de beslissing alleen. De grenzen waren duidelijk: hallucinatie (verzonnen getal en standaard), niet-delegeerbaarheid van veiligheidskritische verantwoordelijkheid, afhankelijkheid van datakwaliteit en meting/kalibratie, risico van extrapolatie en vertrouwelijkheid. De discipline van verificatie is altijd bij mensen gebleven in de standaard-laboratorium-account-driehoek.

Veel voorkomende fouten

• De code toepassen op echte gegevens zonder te testen met bekende antwoorden.
• Het niet duidelijk definiëren van eenheden; Met uitzicht op de MPa/ksi, µm/m-verwarring.
• Het aantal rijen niet afdrukken tijdens gegevensverwerkingsstappen en het stille verlies niet opmerken.
• Vertrouwen op het gemiddelde zonder uitschieters te visualiseren.
• Het accepteren van de niet-bestaande bibliotheek/functie die door de AI is samengesteld zonder deze uit te voeren.
• Ervan uitgaande dat de code correct is omdat deze "lijkt te werken"; het niet controleren van de fysieke plausibiliteit.

Samengevat

AI bij metallurgische data-analyse met Python is een krachtige versneller voor codering, foutopsporing en automatisering; maar de code die het produceert kan eenheidsfouten, onjuiste coëfficiënten en stil gegevensverlies bevatten. Verifieer elke code met tests met bekende antwoorden, eenheidscontrole, het bijhouden van het aantal regels en fysieke plausibiliteit. Hier is AI, net als in de hele module, de assistent: het zorgt ervoor dat snelheid en organisatie, nauwkeurigheid en verantwoordelijkheid worden overgenomen door de bevoegde engineer. Bij veiligheidskritische metallurgische beslissingen is AI-output nooit een vervanging voor normen, experimenten, berekeningen en goedkeuring van competente ingenieurs.

Applicatie taak

Kies een metallurgische berekening (bijvoorbeeld Hall-Petch of een gemiddelde van trekgegevens). Met de sjabloon "CODE SKELETON" vraagt ​​u de AI om een ​​code met commentaar die het aantal regels met expliciete eenheden afdrukt. Voeg vervolgens een testscenario toe waarbij u het resultaat handmatig kent met de sjabloon "KNOWN ANSWER TEST" en voer deze uit. Als de code niet de verwachte waarde oplevert, zoek dan de fout (eenheid, coëfficiënt, gegevens) en repareer deze. Schrijf ten slotte in drie artikelen over de AI-verificatiediscipline die je in deze module hebt geleerd door deze aan te passen aan je eigen bedrijf.

controlelijst

• [ ] Ik heb de taak, gegevens en eenheden duidelijk gedefinieerd voor de AI.
• [ ] Ik heb de eenheden gedefinieerd met expliciete variabelen bovenaan de code.
• [ ] Tijdens de gegevensverwerkingsstappen heb ik het aantal rijen afgedrukt en het stille verlies gecontroleerd.
• [ ] Ik heb de code geverifieerd met een testcase met een bekend antwoord.
• [ ] Ik controleerde de fysieke plausibiliteit (negatieve/absurde waarde) van de output.
• [ ] Ik gebruikte AI als versneller; Ik behield mijn integriteit en verantwoordelijkheid.

Module-examen

1. Wanneer je als materiaalingenieur met een AI-tool werkt, moet de uiteindelijke verantwoordelijkheid voor welke van de volgende zaken altijd bij de mens (juridisch ingenieur) blijven liggen?

• A) Goedkeuring en ondertekening van de geschiktheid van een onderdeel voor service ✔
• B) Opstellen van het eerste ontwerp van een schaderapport
• C) Bewerken van de aslabels van een microstructuurgrafiek
• D) Een verklarende woordenlijst van metallurgische termen voorbereiden voor een presentatie

Beschrijving: AI; Het kan taken versnellen zoals het verduidelijken van concepten, het opstellen van rapporten, de lijst met hypothesen en het codeskelet. Het goedkeuren van de geschiktheid van een onderdeel voor gebruik/vlucht is echter een beslissing die resulteert in de veiligheid van mensenlevens en eigendommen; kan niet worden overgedragen aan AI zonder geaccrediteerde tests en goedkeuring van geautoriseerde ingenieurs.

2. U vroeg AI naar de vloeigrens van AISI 4140-staal wanneer het werd afgeschrikt en getemperd bij 200 °C, en hij antwoordde 'zeker 1500 MPa'. Wat is de eerste juiste actie die moet worden ondernomen?

• A) Zet de waarde rechtstreeks in het ontwerpaccount, omdat AI zelfverzekerd lijkt
• B) Verificatie van de waarde met materiaalgegevensblad/walscertificaat en indien nodig trekproef, zonder te vertrouwen op een enkele puntwaarde ✔
• C) Willekeurig de waarde verlagen om aan de veilige kant te blijven
• D) Accepteer de waarde en ga direct naar het warmtebehandelingsrecept

Uitleg: Taalmodellen kunnen op overtuigende wijze ongefundeerde getallen verzinnen (hallucinatie). Opbrengststerkte; Het varieert over een breed bereik, afhankelijk van de ontlaattemperatuur, sectiedikte en hardbaarheid. Het is noodzakelijk om de waarde uit het molencertificaat of de trekproef te verkrijgen in overeenstemming met de norm, en geen enkel punt AI-uitvoer in het ontwerp op te nemen.

3. Met een machine learning-model dat de eigenschap van staal voorspelt, produceerde AI een 'veilige' waarde voor een legering die ruim buiten het samenstellingsbereik in de trainingsgegevens lag. Wat is het grootste probleem met deze uitvoer?

• A) Het model geeft resultaten altijd in procenten, MPa klopt niet
• B) De voorspelling is onbetrouwbaar omdat deze buiten het bereik van de trainingsgegevens valt (extrapolatie) en experimenteel moet worden geverifieerd ✔
• C) Model werkt alleen voor roestvrij staal
• D) De output van het model is altijd precies tweemaal de werkelijke waarde

Uitleg: Machine learning-modellen werken redelijk binnen het bereik van trainingsgegevens (interpolatie); Buiten dit bereik (extrapolatie) worden voorspellingen onbetrouwbaar en het model laat dit vaak niet zien. De waarde die wordt gegenereerd op een punt buiten de distributie van trainingsgegevens kan niet worden gebruikt zonder experimentele validatie.

4. Je hebt AI toegepast om de faseverhouding in een tweefasenlegering te berekenen. Welke input moet AI correct gebruiken bij het toepassen van de ‘hefboomregel’?

• A) Alleen temperatuur; combinaties zijn overbodig
• B) Alleen de dichtheid van de legering
• C) Totale samenstelling van de legering met fasegrenssamenstellingen bij de relevante temperatuur ✔
• D) Alleen de smelttemperatuur

Uitleg: De hefboomregel geeft de fasegrootheden aan de hand van de afstanden tussen de fasegrenssamenstellingen (bijvoorbeeld de samenstellingen van de vaste en vloeibare fase) en de totale samenstelling van de legering bij een gegeven temperatuur. Als de fasegrenscombinaties verkeerd worden gelezen, zal de verhouding volledig verkeerd zijn; Daarom is bevestiging van de waarden uit het fasediagram verplicht.

5. Je hebt de korrelgrootte van de microstructuur gemeten met een AI-aangedreven beeldverwerkingsstroom, maar je bent vergeten de schaalbalk op pixel te kalibreren. Waarom is het resultaat onbetrouwbaar?

• A) Alle dimensionale metingen hebben de verkeerde schaal omdat de kalibratie van de pixellengte niet is uitgevoerd ✔
• B) De meting is vervormd omdat een kleurenbeeld wordt gebruikt
• C) Korrelgrootte kan alleen worden gemeten met SEM, optische microscopie is onnauwkeurig
• D) Meting is niet nodig omdat de beeldresolutie hoog is

Beschrijving: Bij kwantitatieve metallografie komt elke pixel overeen met een lengte; Als deze transformatie niet wordt gekalibreerd met de schaalbalk, verschijnen alle dimensionale metingen zoals korrelgrootte, faseverhouding en porositeit op de verkeerde schaal. Kalibratie is de eerste en verplichte stap van beeldgebaseerde metingen.

6. AI stelde een warmtebehandelingsrecept voor (austenitiseren + blussen + temperen) om de beoogde hardheid voor staal te bereiken. Wat is de beste stap voordat u het recept toepast?

• A) Het recept rechtstreeks toepassen op massaproductie
• B) Breng het recept aan op het proefstuk, meet de hardheid/microstructuur en vergelijk deze met de standaard ✔
• C) Verhoog gewoon willekeurig de ontlaattemperatuur aan de veilige kant
• D) Alleen de spelling van het recept corrigeren en goedkeuren

Omschrijving: Als gevolg van warmtebehandeling; De dikte van de secties en de hardbaarheid (Jominy) variëren sterk met de realiteit van de oven en de koelomgeving. Het recept van de AI is een initiële hypothese; Het moet worden geverifieerd door het op het proefstuk aan te brengen en de hardheid en microstructuur te meten en te vergelijken met de standaard.

7. Je vroeg de AI om een ​​‘specifiek stofnummer’ van een ASTM-standaard voor een materiële grenswaarde en deze antwoordde met een exacte waarde. Wat is het juiste engineeringgedrag?

• A) Schrijf de waarde rechtstreeks naar het rapport omdat de AI up-to-date is
• B) Verander de waarde willekeurig om aan de veilige kant te blijven
• C) Controleer het stofnummer, de versie en de waarde van de officiële en actuele standaardtekst ✔
• D) Het artikelnummer toevoegen aan het conformiteitsdossier zonder dit te controleren

Uitleg: Zelfs als taalmodellen de standaardnaam correct kennen, kunnen ze het artikelnummer, de versie en het breekpunt verkeerd onthouden of verzinnen. In bindende velden zoals ASTM/ISO/EN moet elke stof en waarde letterlijk worden geverifieerd vanuit de officiële en actuele bron; De AI-uitvoer laat alleen zien waar je moet kijken.

8. Je liet de foto van het gebroken oppervlak van een bout aan de AI zien en kreeg het antwoord ‘dit is beslist een vermoeiingsbreuk’. Wat is de juiste aanpak bij het analyseren van de hoofdoorzaak?

• A) Schrijven van de diagnose rechtstreeks in het rapport omdat AI nauwkeurig spreekt
• B) Verhoog gewoon de resolutie van de foto en bevestig de diagnose
• C) Een nieuw onderdeel installeren zonder het kapotte oppervlak te onderzoeken
• D) Bevestig de diagnose als een hypothese met fractografie, ladingsgeschiedenis en microstructuurbewijs ✔

Beschrijving: Interpretatie van gebroken oppervlak; Fractografie (strepen, strandlijnen, scheiding van kuiltjes/splitsingen met SEM) vereist een combinatie van de belastinggeschiedenis, de omgeving en het bewijs van de microstructuur. De definitieve diagnose die AI op basis van één enkele foto maakt, is een hypothese; De hoofdoorzaak kan niet worden verklaard zonder bevestiging door laboratoriumresultaten.

9. AI heeft een piek toegewezen aan een specifieke fase in een XRD-patroon (röntgendiffractie). Wat is de meest geschikte methode om fase-identificatie betrouwbaar te maken?

• A) De piek afstemmen op de database met referentiepatronen (bijv. PDF-kaarten) en controleren op overlap en artefacten ✔
• B) Het direct aannemen van de opdracht omdat AI de fasenaam zegt
• C) Alleen rekening houden met de hoogste piek en de rest negeren
• D) Kleur het patroon en maak het visueel mooi

Beschrijving: XRD-fase-identificatie wordt uitgevoerd door gemeten piekposities en intensiteiten te matchen met bekende referentiepatronen (bijv. ICDD/PDF-kaarten). Het afzonderlijk toewijzen van een enkele piek is misleidend; er moet rekening worden gehouden met overlappende pieken, preferentiële oriëntatie en achtergrondartefacten en de toewijzing moet worden bevestigd met de referentiedatabase.

10. Een door AI opgesteld schade-/inspectierapport bevat technische waarden die vloeibaar zijn maar van onbekende oorsprong. Wat is het juiste gedrag?

• A) Het rapport presenteren zoals het is, omdat de tekst vloeiend is
• B) Afronding en glans van de waarden
• C) Lees gewoon de samenvatting en sla de rest over
• D) Zorg ervoor dat elke waarde overeenkomt met de oorspronkelijke meting/bron en verwijder de onbevestigde ✔

Beschrijving: elke technische waarde in het rapport; Het moet herleidbaar zijn tot metingen, gekalibreerde apparaatrecords, standaard- of fabrikantgegevens. Zelfs als het een waarde is in een vloeiende zin, mag geen enkel getal waarvan de bron niet is geverifieerd, in het rapport of de beslissingsbasis worden opgenomen; Anders wordt er een fictieve waarde overgedragen op het document dat aansprakelijkheid creëert.

11. Wat is de beste stap voordat u een door AI gegenereerde Python-berekening gebruikt (bijvoorbeeld de Hall-Petch-relatie voor de sterkte van de korrelgrootte en de opbrengst)?

• A) De code rechtstreeks toepassen op daadwerkelijke productiegegevens
• B) Zorg ervoor dat de code er kort en netjes uitziet
• C) Voer de code uit in een testscenario met bekende resultaten en verifieer de eenheden en uitvoer ✔
• D) Een deel van de code verwijderen om deze in te korten

Uitleg: Een code kan correct lijken, maar het verkeerde resultaat opleveren: er kan sprake zijn van een eenheidsfout, een onjuiste coëfficiënt of een formulefout. Door de code uit te voeren in een kleine testcase, waarbij u de uitkomst met de hand kent, deze te vergelijken met de verwachte uitvoer en de eenheden te controleren, wordt de fout opgespoord voordat deze wordt overgedragen naar de daadwerkelijke beslissing.

12. U wilt het nog niet gepatenteerde legeringsrecept en de procesparameters van uw bedrijf in een openbaar beschikbare AI-tool plakken en een analyse aanvragen. Wat is de meest correcte aanpak?

• A) Het recept plakken zoals het is om het sneller te maken
• B) Het volstaat om gewoon de bedrijfsnaam te verwijderen en alle overige parameters te delen.
• C) Het delen van de gegevens en vervolgens de AI vragen deze te verwijderen
• D) Het controleren van het instellingsbeleid en het anonimiseren van de gegevens of het gebruiken van een beveiligde/institutionele tool ✔

Beschrijving: Legeringsrecept, procesparameters en klantspecificaties zijn gevoelig voor handelsgeheimen en intellectueel eigendom. Voordat u gegevens deelt, is het noodzakelijk om het bedrijfsbeleid te controleren, het te anonimiseren of een institutionele/on-site tool te gebruiken die de gegevens niet verzendt.

13. Een AI-aangedreven SPC-systeem (statistical process control) signaleerde dat een controlekaartlimiet in een productiebatch was overschreden. Wat is het juiste engineeringgedrag?

• A) Negeer de waarschuwing en ga door met de productie
• B) Het uitbreiden van de controlelimieten zodat er geen waarschuwing plaatsvindt
• C) Beschouw de waarschuwing als trigger, bevestig de meting, onderzoek de grondoorzaak en beslis op basis van acceptatiecriteria ✔
• D) Direct de gehele partij afdanken zonder te meten

Uitleg: Het overschrijden van de controlekaartlimiet is een waarschuwing; De oorzaak is niet automatisch duidelijk. Het kan een meetfout, een bemonsteringsprobleem of een feitelijke procesafwijking zijn. De juiste aanpak is om de waarschuwing als trigger te beschouwen, de meting te bevestigen, de hoofdoorzaak te onderzoeken en een beslissing te nemen op basis van de acceptatiecriteria en het NDT/onderzoeksresultaat.

14. AI-ondersteunde beeldbeoordeling van een gietonderdeel markeerde een zone als ‘aanvaardbaar’. Wat is de juiste aanpak voor een veiligheidskritisch onderdeel?

• A) Het beschouwen van de AI-voorevaluatie als screeningsinstrument en het koppelen van de definitieve acceptatie aan het NDT-resultaat en geautoriseerde goedkeuring ✔
• B) Beschouw de AI-evaluatie als definitieve acceptatie en keur het onderdeel goed
• C) Doorgaan naar het volgende proces zonder het onderdeel überhaupt te inspecteren
• D) Het is voldoende om het oppervlak van het onderdeel visueel te controleren.

Beschrijving: Interne defecten bij het gieten (porositeit, krimp, insluitsels) zijn vaak onzichtbaar vanaf het oppervlak en worden geëvalueerd door niet-destructief onderzoek (NDT: radiografie, ultrasoon). De voorlopige evaluatie die AI via het beeld geeft, is een screeningsinstrument; De definitieve acceptatie van het veiligheidskritische onderdeel vindt plaats met NDT en geautoriseerde inspectiegoedkeuring in overeenstemming met de norm.