preloader
Artificial Intelligence (AI) for Tubing Inspection

هوش مصنوعی برای بازرسی لوله

ارزیابی سریع و مطمئن سلامت مبدل‌های حرارتی لوله به دلیل وجود سیگنال‌های نویز و تداخل بسیار پیچیده است.

همان‌طور که می‌دانیم ارائه گزارش باکیفیت و به‌موقع به مشتری هدف هر بازرسی است. این مطلب هم‌افزایی بین هوش مصنوعی (AI) و استفاده تحلیلگران از آن برای افزایش دقت و سازگاری گزارش‌های بازرسی را مورد بحث قرار می‌دهد.

 

بازرسی دیواره‌ها و لوله‌های مبدل‌های حرارتی

Eddy-Current-Heat Exchangers

تجزیه و تحلیل داده‌های بازرسی دیواره‌ها و لوله‌های مبدل‌های حرارتی Heat Exchangers (HX) برای دهه‌ها وجود داشته است، اما همچنان در صنعت به‌عنوان یک چالش شناخته می‌شود.

 

بیشتر بخوانید: خدمات بازرسی لوله به روش های غیرمخرب

 

اثربخشی و اهمیت بازرسی مبدل‌های حرارتی ثابت شده است، اما هنوز نیاز به آموزش تخصصی دارد، زمان بر است و پارامترهای زیادی بر تفسیر داده‌ها تأثیر می‌گذارند مانند: ساختارهای پشتیبانی، لرزش پروب و تغییرات هندسی. علاوه بر این، یک عیب یا نقص ناشناخته ممکن است عواقب جدی داشته باشد که از جمله آن ها می توان به این موارد اشاره کرد: آلودگی یا نشت مایعات، کاهش راندمان انتقال حرارت، واکنش های شیمیایی نامطلوب، توقف تولید یا زمان از کار افتادگی پرهزینه و همچنین خطرات زیست محیطی و ایمنی.

در تلاش صنعتگران برای کاهش این تفاسیر نادرست و عواقب ناشی از آن، ابزارهای تشخیص مرسوم با تکیه بر استانداردها و قوانین تعریف شده است که واجد شرایط شده و تاکنون در صنایع هسته‌ای به کار گرفته شده‌اند. اگرچه این ابزارها برای مبدل‌های حرارتی بزرگ مفید هستند، اما به آماده‌سازی پیش از بازرسی فشرده نیاز دارند که آن‌ها را برای مبدل‌های حرارتی کوچک‌تر مناسب‌تر می‌کند.

Eddy-Current-heat exchangers

 

بیشتر بخوانید: عیب یابی گرده‌ها و لوله‌های فولادی به روش نشتی شار مغناطیسی با جریان متناوب

بیشتر بخوانید: استفاده از روش نشت شار مغناطیسی برای عیب‌یابی لوله‌ها و میلگردها

 

هوش مصنوعی چیست و چگونه کار می‌کند؟

هوش مصنوعی Artificial Intelligence را می‌توان به‌عنوان مجموعه‌ای از فناوری‌ها تعریف کرد که هدف آن توسعه ابزار یا ماشینی است که می‌تواند پاسخ‌های انسان به یک مشکل خاص را تقلید کند.

در طول دهه‌های گذشته، هوش مصنوعی به پیشرفت‌های بزرگی در صنایع مختلف دست یافته است و به رایانه‌ها اجازه می‌دهد تا کارهایی را انجام دهند که زمانی فقط مختص مغز انسان بود.

این تکنولوژی مدرن یک انقلاب بزرگ فناوری است که به رایانه‌ها اجازه می‌دهد تا وظایف پیچیده مختلفی را در بسیاری از جنبه‌های زندگی انجام دهند، مانند اتومبیل‌های خودران، فناوری تشخیص چهره و سایر برنامه‌های تفسیری که در تلفن‌های هوشمند استفاده می‌شود.

 

یادگیری ماشینی machine learning در هوش مصنوعی

Machine-Learning

در میان فناوری‌های مختلف با برچسب «هوش مصنوعی» زیرمجموعه‌ای وجود دارد که به آن «یادگیری ماشینی» machine learning گفته می‌شود. یادگیری ماشینی چیزی نیست جز یک مدل ریاضی که رابطه بین مجموعه‌ای از پارامترهای ورودی و یک نتیجه خروجی را نشان می‌دهد.

ویژگی خاص یادگیری ماشینی این است که این مدل ذاتاً از داده‌های تجربی با استفاده از فرآیند یادگیری خودکار و روش‌های آماری ساخته می‌شود. به‌عنوان مثال، داده‌های سیستم نظارت مبتنی بر هوش مصنوعی ممکن است توسط یک پایگاه داده حاوی تصاویری از تمام اشکال رایج خودروها تغذیه شود تا بدون نیاز به دخالت بیشتر انسان، ماشین‌ها را تشخیص دهند.

 

تکنولوژی Magnifi AI-ECT شرکت ادیفای

تکنولوژی Magnifi AI-ECT شرکت ادیفای

شرکت ادیفای تکنولوژی Eddyfi Technologies جهت کمک به صنعت و بهبود ارزیابی مبدل‌های حرارتی در سراسر جهان، از هوش مصنوعی برای بازرسی لوله استفاده کرده است و با بهره‌گیری از ترکیب فناوری هوش مصنوعی و تست ادی کارنت ECT یک موتور تشخیص جدید برای تفسیر داده‌های حاصل از تست ادی کارنت لوله‌ها توسعه داده است .

مدل تشخیص به کمک هوش مصنوعی (AI detection model ) ادغام شده در تکنولوژی Magnifi® با هدف بهبود اعتماد به تجزیه و تحلیل سیگنال‌های تست ادی کارنت و پشتیبانی از مجموعه داده‌های باکیفیت بالاتر می‌باشد.

 

بیشتر بخوانید: مطالعه موردی : دستگاه نشتی شار مغناطیسی چند کاناله شرکت ROTOFLUX

 

قابلیت تشخیص ماژول Magnifi AI-ECT

هوش مصنوعی برای بازرسی لوله

شرکت ادیفای تکنولوژی Eddyfi Technologies برای جمع‌آوری طیف وسیعی از داده‌های آزمایشی از بازرسی‌های موجود در دنیای واقعی با شرکت‌ها و شرکای بسیاری همکاری کرده است.

داده‌های جمع‌آوری‌شده به‌دقت تجزیه و تحلیل می‌شوند و هر نشانه مرتبط با برچسبی شناسایی می‌شود که به‌عنوان ورودی برای تغذیه توسعه فرآیند شناسایی استفاده می‌شود.

پس از چندین بار تکرار، اصلاحات و اعتبارسنجی، یک مدل یکپارچه برای ادغام در یک نسخه Magnifi خاص انتخاب می‌شود. سپس ماژول Magnifi AI-ECT به‌طور خودکار نتایج هوش مصنوعی را با یافتن، موقعیت‌یابی و علامت‌گذاری طول دقیق صفحات لوله، صفحات پشتیبانی و نشانه‌های احتمالی در رابط نرم‌افزار برمی‌گرداند، درنتیجه به تحلیلگران کمک می‌کند تا گزارش نهایی خود را با اطمینان بالاتر آماده کنند.

 

magnifi AI data

شکل یک: نمایش کد (چپ)، نمایش نمودار نواری معمولی از داده‌های ECT bobbin (راست). نتایج تشخیص هوش مصنوعی نشانه‌ها را به رنگ آبی، مکان احتمالی نشانه‌ها را به رنگ قرمز و نشانه‌های وارد شده به‌صورت دستی را به رنگ سیاه نشان می‌دهد.

 

علاوه بر این، با غربالگری خودکار در حین این اکتساب داده، تشخیص هوش مصنوعی ECT می‌تواند درآن واحد داده‌های طول لوله را به شکلی کامل اعتبارسنجی کند.

هنگامی که شبکه‌های عصبی هوش مصنوعی داده‌ها را غربال کردند، ابزارهای اضافی به تحلیلگر اجازه می‌دهند تا نشانه‌ها را به دلخواه مرتب‌سازی، فیلتر و طبقه‌بندی کند. مثلاً:
• لوله را به ترتیب نزولی تعداد نشانه‌های بالقوه مرتب کند
• فقط لوله‌هایی با یافته‌های هوش مصنوعی را نشان دهد
• نمایش لوله‌ها با آزمون‌های اعتبارسنجی کیفیت داده data quality validation (DQV) ناموفق
• طبقه‌بندی نشانه‌ها بر اساس کانال، دامنه و محدوده فاز.

ویژگی گروه‌بندی به‌ویژه در مورد لوله‌هایی که مقادیر قابل‌توجهی از نشانه‌ها را ارائه می‌دهند بسیار مفید است.

 

Magnifi AI-ECT indications

شکل 2: نتایج گروه‌بندی در قسمت Indications در قسمت جلویی Magnifi نمایش داده می‌شود.

 

Magnifi AI-ECT Data sorting

شکل 3: نمای پنجره فهرست داده با گزینه‌های منو مرتب‌سازی/فیلتر کردن برای تغییر فایل‌های داده نمایش داده شده بر اساس اطلاعات ستون گزارش و دفترچه گزارش.

 

آیا هوش مصنوعی برای بازرسی لوله کافی است؟

هوش مصنوعی برای بازرسی لوله

ماژول جدید AI-ECT به این معنی است که به کمک این ابزار شما مجبور نخواهید بود این بازرسی را به‌تنهایی انجام دهید و همان‌طور که شرکت ادیفای ادعا کرده می‌توانید آن را سلاح مخفی خود برای بازرسی لوله‌ها در نظر بگیرید.

یادگیری این ابزار ساده است و استفاده از آن در حین اکتساب و تجزیه و تحلیل آسان است. کل فرآیند تجزیه و تحلیل بهینه‌سازی شده است تا در کمتر از یک ثانیه اجرا شود تا به هدف صنعت برای دستیابی به نتایج بازرسی در سریع‌ترین زمان ممکن برسد.

 

بااین‌حال، مهم است که به یاد داشته باشید که یافته‌های هوش مصنوعی کاملاً پیشنهاد‌اتی از نشانه‌های بالقوه عیوب هستند. شناسایی دقیق‌تر و گزارش عیوب واقعی بر عهده یک تحلیلگر خبره است. همچنین برای نیازهای سیستم و قابلیت‌های تشخیص ماژول هوش مصنوعی، باید به یادداشت‌های منتشر شده در خصوص نرم‌افزار موجود در سایت خود شرکت مراجعه کنید یا با تیم کارشناسان تماس بگیرید تا در مورد پروژه شما بحث کنند و شما را راهنمایی کنند.

 

 

بیشتر بخوانید : غلبه بر چالش های بازرسی و اندازه گیری ضخامت در دمای بسیار بالا

 

نظر شما درباره این مطلب چیست؟

از ۱ تا ۵ ستاره به ما امتیاز بدید.

میانگین رتبه / 5. تعداد امتیازات کاربران:

امتیازی داده نشده، اولین نفری باشید که ثبت امتیاز می‌کنید

توییتر
لینکدین
واتساپ
تلگرام
ایمیل

آخرین موضوعات

لینک کوتاه مطلب

فهرست موضوعات
برای دیدن نوشته هایی که دنبال آن هستید تایپ کنید.
فروشگاه