zisky:
- Schopnosť vytvárať a porozumieť kódu, ktorý čistí, analyzuje a vizualizuje metalurgické dáta pomocou Pythonu, s podporou AI
- Schopnosť zaviesť zvyk overovať kód vygenerovaný AI pomocou kontroly jednotiek, testovacieho prípadu a fyzickej hodnovernosti
- Holistické chápanie koncových limitov, zodpovednosti a etického rámca AI v metalurgii
Hutnícke práce sa čoraz viac vykonávajú s väčším množstvom údajov: stovky výsledkov ťahových skúšok, tisíce meraní SPC, záznamy pecí tepelného spracovania, výstupy charakterizácie. Manuálne vyhľadávanie týchto údajov v Exceli je pomalé a náchylné na chyby; Python (bežný programovací jazyk pre analýzu údajov a vedecké výpočty) to robí opakovateľným, kontrolovateľným a automatickým. Umelá inteligencia je veľmi výkonná pri písaní, ladení a vysvetľovaní kódu Python – ale kód, ktorý vytvára, môže vyzerať správne, ale môže poskytnúť nesprávny výsledok: chyba jednotky, nesprávny koeficient, tichá strata údajov. V tejto záverečnej časti sa naučíte analyzovať metalurgické údaje s podporou AI v Pythone a overiť každý kód, potom holisticky zaokrúhliť hranice AI, zodpovednosť a etický rámec pokrytý v celom module.
Typické úlohy pri analýze metalurgických dát
Bežné úlohy s podporou AI v Pythone:
- Čistenie údajov: Chýbajúca hodnota, zámena jednotiek (MPa vs. ksi), odstránenie odľahlých hodnôt. Špinavé dáta kazia aj tú najlepšiu analýzu.
- Vizualizácia: Kreslenie ťahovej krivky, kontrolný diagram, distribúcia veľkosti zŕn, teplotno-časový profil.
- Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, štatistika.
- Automatizácia: Dávkové spracovanie veľkého počtu súborov a vytváranie súhrnných tabuliek/zostáv.
Hall-Petchov vzťah je tu dobrým príkladom: medza klzu sa zvyšuje nepriamo úmerne k druhej odmocnine priemeru zrna. AI dokáže preložiť tento vzorec do kódu; Ale to, či použijete d ako mikrometer alebo meter a akú jednotku použijete pre koeficient k, úplne zmení výsledok. Správnosť kódu nespočíva v zapamätaní si vzorca, ale vo validácii jednotiek a testovacieho prípadu.
Tip: Nezabudnite zahrnúť „test známej odpovede“ do každého účtu, ktorý napíše AI. Zadajte malý vstup, ktorého výsledok poznáte ručne (napr. očakávaná pevnosť pre d = 100 µm); Ak kód dáva túto hodnotu, môžete mu dôverovať; ak nie, chyba je skrytá.
Krok za krokom: Bezpečný tok analýzy s AI
- Popíšte úlohu a údaje: Ktorý súbor, ktoré stĺpce, ktoré jednotky, čo sa bude počítať?
- Vyžiadajte si kostru kódu: Požiadajte AI o komentovanú kostru s rozdelením na kroky; Definujte jednotky s explicitnými premennými v hornej časti.
- Test s malými údajmi: Najprv spustite s niekoľkými riadkami/známymi hodnotami; Skontrolujte výsledok ručne.
- Jednotka a kontrola hraníc: Je výstup fyzicky primeraný? Existuje nejaký nezmysel ako negatívna sila, miera 120%?
- Vizualizujte a pozrite sa: Zobrazuje graf očakávaný trend? Sú odľahlé údaje chyby?
- Overte a zdokumentujte: Porovnajte výsledok s nezávislým výpočtom/normou; Komentujte kód a predpoklady.
Tabuľka overenia kódu AI
Riziko
symptóm
Spôsob kontroly
Chyba jednotky
Výsledkom je 1000x zvrátenosť
Definujte jednotky v explicitnej premennej, kontrola veľkosti
Nesprávny koeficient/vzorec
Rozumná, ale nesprávna hodnota
Testovací scenár so známymi odpoveďami
Tichá strata dát
Počet riadkov je nižší, ako sa očakávalo
Vytlačte počet riadkov pred/po spracovaní
odľahlé skreslenie
priemerný kajak
Vizualizujte pomocou grafu, pozrite sa na rozdelenie
Prevybavenie (halucinačná knižnica)
neexistujúca funkcia
Spustite, prečítajte si chybu, pozrite si dokumentáciu
tri mini prípady
Prípad 1 – Skrytá chyba hlasitosti. Inžinier požaduje kód od AI na výpočet Hall-Petcha; Kód očakáva priemer zrna v metroch, ale inžinier zadá mikrometre. Výsledok je 1000-krát zvrátený, no na prvý pohľad to nie je viditeľné, pretože vyzerá ako „číslo“. Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. Lekcia: testovanie známej odpovede odhalí chybu jednotky v priebehu niekoľkých sekúnd.
Prípad 2 – Tichá strata údajov. Tím vyčistí 500 výsledkov ťahových testov pomocou kódu napísaného AI; Kým kód zahodí riadky s chýbajúcimi hodnotami, omylom zahodí aj niektoré platné riadky a zostane 300 riadkov. Priemerná pevnosť je vyššia, ako sa očakávalo, pretože dávka s nízkou hodnotou je eliminovaná. Keď tím vytlačí počet riadkov pred/po spracovaní, vidí, že 200 riadkov potichu zmizlo a opraví filter. Ponaučenie: tlač počtu riadkov v každom kroku spracovania údajov zachytáva tiché straty.
Prípad 3 – Správne použitie, opakovateľná správa. Kvalitný tím musí každý týždeň spracovať desiatky záznamov pecí a produkovať súhrnné správy. Žiada AI, aby napísala komentovaný skript, ktorý hromadne číta súbory a vytvára grafy a súhrnné tabuľky. Tím testuje kód s niekoľkými známymi súbormi, overuje počet jednotiek a riadkov, vizuálne kontroluje výstupný graf. Potom používa skript týždenne; Pracovné hodiny sa skrátia na minúty a každý týždeň sa pracuje rovnakým, kontrolovateľným spôsobom. AI umožnila opakovateľnú automatizáciu, potvrdil tím.
Kopírovateľné šablóny výziev
CODE SKELETON TEMPLATE"Rola: Ste asistent kódu pre analýzu metalurgických dát. Úloha: [napr. prečítať výsledky výkresu z CSV a priemernej medze klzu]. Údaje: [súbor, stĺpce, JEDNOTKY]. napíšte komentovanú kostru s pandami: (1) definujte jednotky v otvorenej premennej navrchu, (2) prečítajte údaje a vytlačte riadok výpočtu, vytlačte počet riadkov, (5 AG) vytlačte počet riadkov, (3) a kontrola hodnovernosti Pridať komentáre ku každému kroku.
ŠABLONA TESTOVANIA ZNÁMEJ ODPOVEDE"Napíšte 'test známej odpovede' pre nasledujúcu funkciu: [funkcia]. Vyberte malý vstup, ktorého výsledok je možné vypočítať ručne, okomentujte očakávaný výstup a skontrolujte ho pomocou potvrdenia. Otestujte tiež konzistenciu jednotky. Ak test neprejde, uveďte možné dôvody (jednotka, koeficient, vzorec)."
PREHĽAD KÓDU / LADIACE ŠABLONA"Preskúmajte nasledujúci kód: [kód]. Skontrolujte a označte nasledovné: (1) konzistentnosť objemu, (2) riziko straty tichých údajov, (3) extrémny vplyv, (4) fyzicky nemožný výstup (záporná sila, >100 % miera). Napíšte, ako overiť každé riziko. Nepotvrdzujte kód ako „fungujúci“; bez testovania označte, že je nespoľahlivý.“
VIZUALIZAČNÁ ŠABLÓNA "vykreslenie [krivka ťahu / kontrolný graf / distribúcia] pomocou matplotlib. Pridajte JEDNOTKY k označeniam osí, vložte názov a mriežku. Odľahlé hodnoty označte odlišne. Všimnite si, že potrebujem vizuálne skontrolovať graf a overiť očakávaný trend (napr. rastúce napätie-deformácia). Neskrývajte žiadne body, aby ste ‚skrášlili‘ údaje.“
Slabá výzva / Silná výzva
SLABÁ VÝZVA: "Napíšte mi kód, ktorý vykoná Hall-Petchov výpočet."
STRONG PROMPT:"Rola: Ste asistent kódu pre analýzu metalurgických dát. Napíšte funkciu Python na výpočet Hall-Petcha (σy = σ0 + k·d^(-1/2)). Jednotky: d mikrometer, σ0 a σy MPa, k MPa·µm^(1/2). Zapnite očakávaný výsledok prevodu jednotiek 1 aj manuálne vo funkcii 0d. µm,σ0 = 50 MPa, k = 300 MPa·µm^0,5 a otestujte s asertom. Pridajte kontrolu fyzickej hodnovernosti (σy nemôže byť bez testovania záporný).
Slabá výzva vytvára kód, ktorý nemá jednotku a testovanie a môže sa pokaziť. Silné výzvy jasne definujú jednotky, vynucujú konverziu, vyžadujú testovanie známych odpovedí a kontrolu vierohodnosti – vďaka čomu je kód overiteľný.
Holistické zhrnutie modulu: Miesto a limity AI v metalurgii
V tomto module sa opakoval jediný princíp: AI je asistent, nie osoba s rozhodovacou právomocou. V dvanástich jednotkách sme použili AI od začiatku po koniec, od výberu materiálu po predikciu vlastností, fázovú analýzu po mikroštruktúru, tepelné spracovanie po výrobu, kontrolu kvality po analýzu poškodenia, charakterizáciu po štandardizáciu a analýzu Python. V každej jednotke AI vysvetľovala koncepty, generovala hypotézy, písala návrhy a kód – ale v žiadnej jednotke nerozhodla sama. Limity boli jasné: halucinácie (vymyslené číslo a štandard), neprenesenie zodpovednosti kritickej z hľadiska bezpečnosti, závislosť od kvality údajov a merania/kalibrácie, riziko extrapolácie a dôvernosť. Disciplína overovania vždy zostala na ľuďoch v trojuholníku štandard-laboratórium-účet.
Časté chyby
- Aplikácia kódu na reálne dáta bez testovania so známymi odpoveďami.
- Nedefinovanie jednotiek jasne; Pri pohľade na MPa/ksi, µm/m zmätok.
- Netlačiť počet riadkov počas krokov spracovania údajov a nevšimnúť si tichú stratu.
- Spoliehanie sa na priemer bez vizualizácie odľahlých hodnôt.
- Prijatie neexistujúcej knižnice/funkcie vytvorenej AI bez jej vykonania.
- Za predpokladu, že kód je správny, pretože „zdá sa, že funguje“; zlyhanie pri kontrole fyzickej hodnovernosti.
V súhrne
AI v analýze metalurgických údajov pomocou Pythonu je výkonným akcelerátorom kódovania, ladenia a automatizácie; ale kód, ktorý vytvára, môže niesť jednotkové chyby, nesprávne koeficienty a tichú stratu údajov. Overte každý kód pomocou testovania známych odpovedí, kontroly jednotiek, sledovania počtu riadkov a fyzickej hodnovernosti. Aj tu, rovnako ako v celom module, je asistentom AI: zabezpečuje rýchlosť a organizáciu, presnosť a zodpovednosť preberá autorizovaný inžinier. Pri metalurgických rozhodnutiach kritických z hľadiska bezpečnosti nie je výstup AI nikdy náhradou za normy, experimenty, výpočty a schválenie kompetentným inžinierom.
Aplikačná úloha
Vyberte si metalurgický výpočet (napr. Hall-Petch alebo priemer údajov o ťahu). So šablónou „CODE SKELETON“ požiadajte AI o komentovaný kód, ktorý vytlačí počet riadkov s explicitnými jednotkami. Potom pridajte testovací scenár, kde výsledok poznáte manuálne pomocou šablóny "TEST ZNÁMEJ ODPOVEDE" a spustite ho. Ak kód nedáva očakávanú hodnotu, nájdite chybu (jednotka, koeficient, údaj) a opravte ju. Nakoniec napíšte v troch článkoch o disciplíne overovania AI, ktorú ste sa naučili v tomto module, a prispôsobte si ju svojmu podnikaniu.
kontrolný zoznam
- [ ] Jasne som definoval úlohu, údaje a jednotky AI.
- [ ] Definoval som jednotky s explicitnými premennými v hornej časti kódu.
- [ ] V krokoch spracovania dát som vytlačil počet riadkov a skontroloval tichú stratu.
- [ ] Overil som kód pomocou testovacieho prípadu so známou odpoveďou.
- [ ] Skontroloval som fyzickú vierohodnosť (záporná/absurdná hodnota) výstupu.
- [ ] Použil som AI ako akcelerátor; Zachoval som si bezúhonnosť a zodpovednosť.
Modulová skúška
1. Keď ako materiálový inžinier pracujete s nástrojom AI, konečnú zodpovednosť za to, čo z nasledujúceho by mal vždy niesť človek (právny inžinier)?
- A) Schválenie a podpísanie vhodnosti dielu na servis ✔
- B) Vypracovanie prvého návrhu protokolu o škode
- C) Úprava označení osí grafu mikroštruktúry
- D) Príprava slovníka hutníckych pojmov na prezentáciu
Popis: AI; Môže urýchliť úlohy, ako je objasnenie konceptu, zostavenie správy, zoznam hypotéz a kostra kódu. Schválenie vhodnosti dielu na prevádzku/let je však rozhodnutím, ktorého výsledkom je bezpečnosť života a majetku; nemožno preniesť na AI bez akreditovaného testovania a schválenia autorizovaným inžinierom.
2. Pýtali ste sa AI na medzu klzu ocele AISI 4140 pri kalení a popúšťaní pri 200 °C a on odpovedal „1500 MPa určite“. Aké je prvé správne opatrenie?
- A) Vložte hodnotu priamo do účtu dizajnu, pretože AI pôsobí sebavedomo
- B) Overenie hodnoty pomocou listu s údajmi o materiáli/certifikátu frézy a v prípade potreby skúškou ťahom, nespoliehajúc sa na hodnotu jedného bodu ✔
- C) Náhodné zníženie hodnoty, aby ste zostali na bezpečnej strane
- D) Prijmite hodnotu a prejdite priamo na recept na tepelnú úpravu
Vysvetlenie: Jazykové modely dokážu presvedčivo vyfabrikovať nepodložené čísla (halucinácie). Medza klzu; Mení sa v širokom rozsahu v závislosti od teploty popúšťania, hrúbky profilu a prekaliteľnosti. Hodnotu je potrebné získať z osvedčenia frézy alebo ťahovej skúšky v súlade s normou a nezahrnúť do návrhu ani jeden bodový výstup AI.
3. S modelom strojového učenia predpovedajúcim vlastnosti ocele vytvorila AI „bezpečnú“ hodnotu pre zliatinu mimo rozsahu zloženia v údajoch o školení. Aký je hlavný problém tohto výstupu?
- A) Model vždy udáva výsledky v percentách, MPa je nesprávne
- B) Predpoveď je nespoľahlivá, pretože sa robí mimo rozsahu tréningových údajov (extrapolácia) a musí sa overiť experimentom ✔
- C) Model funguje len pre nehrdzavejúce ocele
- D) Výstup modelu je vždy presne dvojnásobkom skutočnej hodnoty
Vysvetlenie: Modely strojového učenia fungujú primerane v rámci rozsahu trénovacích údajov (interpolácia); Keď je mimo tento rozsah (extrapolácia), predpovede sa stávajú nespoľahlivými a model to často neukazuje. Hodnotu vygenerovanú v bode mimo distribúcie tréningových údajov nemožno použiť bez experimentálnej validácie.
4. Použili ste AI na výpočet fázového pomeru v dvojfázovej zliatine. Aký vstup by mala AI správne použiť pri aplikácii „pravidla páky“?
- A) Iba teplota; kombinácie sú zbytočné
- B) Iba hustota zliatiny
- C) Celkové zloženie zliatiny so zložením fázového rozhrania pri príslušnej teplote ✔
- D) Iba teplota topenia
Vysvetlenie: Pákové pravidlo udáva fázové veličiny pomocou vzdialeností medzi zložením fázového rozhrania (napr. zložením tuhej a kvapalnej fázy) a celkovým zložením zliatiny pri danej teplote. Ak sa kombinácie fázových hraníc čítajú nesprávne, pomer bude úplne nesprávny; Preto je potvrdenie hodnôt z fázového diagramu povinné.
5. Zmerali ste veľkosť zŕn mikroštruktúry pomocou procesu spracovania obrazu poháňaného AI, ale zabudli ste kalibrovať mierku na pixel. Prečo je výsledok nespoľahlivý?
- A) Všetky rozmerové merania sú v nesprávnej mierke, pretože nebola vykonaná kalibrácia dĺžky pixelov ✔
- B) Meranie je skreslené, pretože sa používa farebný obraz
- C) Veľkosť zŕn sa dá merať iba pomocou SEM, optická mikroskopia je nepresná
- D) Meranie je zbytočné, pretože rozlíšenie obrazu je vysoké
Popis: V kvantitatívnej metalografii každý pixel zodpovedá dĺžke; Ak táto transformácia nie je kalibrovaná pomocou stupnice, všetky rozmerové merania, ako je veľkosť zrna, fázový pomer a pórovitosť, sa zobrazia na nesprávnej stupnici. Kalibrácia je prvým a povinným krokom merania založeného na obrázku.
6. AI navrhla recept na tepelné spracovanie (austenitizácia + kalenie + popúšťanie) na dosiahnutie cieľovej tvrdosti ocele. Aký je najlepší krok pred aplikáciou receptu?
- A) Použitie receptúry priamo na hromadnú výrobu
- B) Naneste recept na skúšobný kus, zmerajte tvrdosť/mikroštruktúru a porovnajte ju s normou ✔
- C) Stačí náhodne zvýšiť teplotu temperovania na bezpečnej strane
- D) Opravovať a schvaľovať len pravopis receptu
Popis: V dôsledku tepelného spracovania; Hrúbka sekcie dielu, kaliteľnosť (Jominy) sa výrazne líši v závislosti od reality pece a chladiaceho prostredia. Predpis daný AI je počiatočná hypotéza; Malo by sa overiť nanesením na skúšobný kus a zmeraním tvrdosti a mikroštruktúry a porovnaním s normou.
7. Požiadali ste AI o „číslo konkrétnej látky“ normy ASTM pre limitnú hodnotu materiálu a on odpovedal presnou hodnotou. Aké je správne technické správanie?
- A) Zápis hodnoty priamo do správy, pretože AI je aktuálna
- B) Náhodná zmena hodnoty, aby ste zostali na bezpečnej strane
- C) Overte číslo látky, verziu a hodnotu z oficiálneho a aktuálneho štandardného textu ✔
- D) Pridanie čísla položky do súboru zhody bez jeho kontroly
Vysvetlenie: Aj keď jazykové modely poznajú štandardný názov správne, môžu si nesprávne zapamätať alebo vymyslieť číslo článku, verziu a bod prerušenia. V záväzných oblastiach, ako je ASTM/ISO/EN, musí byť každá látka a hodnota overená doslovne z oficiálneho a aktuálneho zdroja; Výstup AI iba ukazuje, kam sa pozerať.
8. Ukázali ste fotografiu zlomeného povrchu skrutky AI a dostali ste odpoveď „toto je určite únavová zlomenina“. Aký je správny prístup k analýze základných príčin?
- A) Zápis diagnózy priamo do správy, pretože AI hovorí presne
- B) Stačí zvýšiť rozlíšenie fotografie a potvrdiť diagnózu
- C) Inštalácia nového dielu bez skúmania porušeného povrchu
- D) Potvrďte diagnózu ako hypotézu pomocou fraktografie, histórie náboja a dôkazu mikroštruktúry ✔
Popis: Interpretácia rozbitého povrchu; Fraktografia (pruhovanie, plážové čiary, oddelenie jamiek/štiepok pomocou SEM) si vyžaduje spoločné zváženie histórie zaťaženia, prostredia a mikroštruktúry. Definitívna diagnóza, ktorú AI urobí z jedinej fotografie, je hypotéza; Základnú príčinu nemožno deklarovať bez potvrdenia laboratórnymi nálezmi.
9. AI priradila vrchol špecifickej fáze v XRD (röntgenovom difraktograme). Aká je najvhodnejšia metóda, aby bola identifikácia fáz spoľahlivá?
- A) Priradenie píku k databáze referenčných vzorov (napr. karty PDF) a kontrola prekrytia a artefaktov ✔
- B) Prijatie úlohy priamo, pretože AI hovorí názov fázy
- C) Berieme do úvahy len najvyšší vrchol a ostatné ignorujeme
- D) Vyfarbite vzor a urobte ho vizuálne krásnym
Popis: Fázová identifikácia XRD sa vykonáva porovnávaním nameraných polôh a intenzít píkov so známymi referenčnými vzormi (napr. karty ICDD/PDF). Priradenie jediného píku izolovane je zavádzajúce; mali by sa vziať do úvahy prekrývajúce sa vrcholy, preferenčná orientácia a artefakty pozadia a priradenie by sa malo potvrdiť referenčnou databázou.
10. Návrh správy o škode/kontrole vypracovaný AI obsahuje technické hodnoty, ktoré sú tekuté, ale neznámeho pôvodu. Aké je správne správanie?
- A) Prezentácia správy tak, ako je, pretože text je plynulý
- B) Zaokrúhľovanie a glosovanie hodnôt
- C) Prečítajte si zhrnutie a zvyšok preskočte
- D) Porovnajte každú hodnotu s pôvodným meraním/zdrojom a odstráňte nepotvrdené ✔
Popis: Každá technická hodnota v správe; Musí mať nadväznosť na meranie, záznam kalibrovaného zariadenia, štandardné údaje alebo údaje výrobcu. Aj keď ide o hodnotu v plynulej vete, žiadne číslo, ktorého zdroj nebol overený, by nemalo byť zahrnuté do správy alebo základu rozhodnutia; V opačnom prípade sa na doklad, ktorý zakladá zodpovednosť, prenesie fiktívna hodnota.
11. Aký je najlepší krok pred použitím výpočtu v Pythone vygenerovaného AI (napr. Hall-Petchov vzťah pre veľkosť zrna – medza klzu)?
- A) Použitie kódu priamo na skutočné výrobné údaje
- B) Len sa uistite, že kód vyzerá krátky a prehľadný
- C) Spustite kód v testovacom scenári so známymi výsledkami a overte jednotky a výstup ✔
- D) Vymazanie časti kódu na jeho skrátenie
Vysvetlenie: Kód sa môže zdať správny, ale môže poskytnúť nesprávny výsledok: môže sa vyskytnúť chyba jednotky, nesprávny koeficient alebo chyba vzorca. Spustenie kódu v malom testovacom prípade, kde výsledok poznáte ručne a porovnáte ho s očakávaným výstupom a skontrolujete jednotky, zachytí chybu skôr, ako sa prenesie do skutočného rozhodnutia.
12. Chcete vložiť ešte nepatentovanú receptúru zliatiny a parametre procesu vašej spoločnosti do verejne dostupného nástroja AI a vyžiadať si analýzu. Ktorý prístup je najsprávnejší?
- A) Prilepte recept tak, ako je, aby bol rýchlejší
- B) Stačí vymazať názov spoločnosti a zdieľať všetky zostávajúce parametre.
- C) Zdieľanie údajov a potom požiadanie AI o ich vymazanie
- D) Kontrola inštitucionálnej politiky a anonymizácia údajov alebo použitie bezpečného/inštitucionálneho nástroja ✔
Popis: Receptúra zliatiny, parametre procesu a špecifikácie zákazníka sú citlivé na obchodné tajomstvo a duševné vlastníctvo. Pred zdieľaním údajov je potrebné skontrolovať firemnú politiku, anonymizovať ju, prípadne použiť inštitucionálny/on-site nástroj, ktorý údaje neposiela.
13. Systém SPC (štatistická kontrola procesu) napájaný AI signalizoval, že vo výrobnej dávke bol prekročený limit kontrolnej tabuľky. Aké je správne technické správanie?
- A) Ignorujte varovanie a pokračujte vo výrobe
- B) Rozšírenie kontrolných limitov tak, aby nedošlo k žiadnemu varovaniu
- C) Zvážte varovanie ako spúšťač, potvrďte meranie, preskúmajte hlavnú príčinu a rozhodnite sa podľa akceptačných kritérií ✔
- D) Priame zošrotovanie celej šarže bez merania
Vysvetlenie: Prekročenie limitu regulačnej mapy je varovaním; Hlavná príčina nie je automaticky zrejmá. Môže ísť o chybu merania, problém s odberom vzoriek alebo skutočný posun procesu. Správny prístup je považovať varovanie za spúšťač, potvrdiť meranie, preskúmať hlavnú príčinu a urobiť rozhodnutie na základe akceptačných kritérií a výsledku NDT/vyšetrenia.
14. Hodnotenie obrazu pomocou AI na odliatku označilo zónu za „prijateľnú“. Aký je správny prístup k časti kritickej z hľadiska bezpečnosti?
- A) Zváženie predbežného hodnotenia AI ako skríningového nástroja a prepojenie konečného prijatia s výsledkom NDT a autorizovaným schválením ✔
- B) Považujte hodnotenie AI za konečné prijatie a schvaľte časť
- C) Prechod na ďalší proces bez akejkoľvek kontroly dielu
- D) Stačí len vizuálne skontrolovať povrch dielu.
Popis: Vnútorné defekty odliatku (pórovitosť, zmrštenie, inklúzie) sú často z povrchu neviditeľné a vyhodnocujú sa nedeštruktívnym testovaním (NDT: rádiografia, ultrazvuk). Predbežné hodnotenie, ktoré AI poskytuje prostredníctvom obrazu, je skríningový nástroj; Konečné prevzatie bezpečnostne kritickej časti je dané NDT a schválením autorizovanej inšpekcie v súlade s normou.