مزایای استفاده از هوش مصنوعی در تجزیه‌وتحلیل داده بازرسی غیر مخرب لوله

هوش مصنوعی یا artificial intelligence (AI) در دهه گذشته به پیشرفت‌های بزرگی دست یافته است. امروزه صنایع مختلفی بر این فناوری‌ جدید تکیه می‌کنند تا به کمک آن بتوانند کارهای پیچیده و گوناگونی را متحول کنند. این فناوری به افراد و شرکت‌ها کمک می‌کنند تا کارایی خود را بهبود بخشند.

در میان فناوری‌های مختلفی که به‌عنوان «هوش مصنوعی» در نظر گرفته می‌شوند، زیرمجموعه‌ای به نام «یادگیری ماشینی» Machine learning وجود دارد.

این تکنولوژی در بازرسی‌ها نیز رسوخ کرده و تکنیک های یادگیری ماشینی را می‌توان برای داده‌های تولید شده از بازرسی لوله‌ها اعمال کرد.

بیشتر بخوانید: خدمات بازرسی لوله به روش های غیرمخرب

دستگاه تجزیه‌وتحلیل داده بازرسی غیر مخرب

شرکت Eddyfi با ترکیب تخصص متخصصان هوش مصنوعی و متخصصان ادی کارنت یک مدل یادگیری ماشینی ابداع کرده است که قادر به تجزیه‌وتحلیل داده‌های بدست آمده از بازرسی لوله‌ها است.

از نظر عملی، این مدل می‌تواند یک زنجیره پردازش پیچیده شامل ترکیبی از اندازه گیری، فیلترها و کانال‌ها را بازتولید کند. همچنین این تکنولوژی می‌تواند تمام فرکانس‌های کانال‌های مطلق و دیفرانسیل را به‌طور همزمان تجزیه‌وتحلیل کند و آن‌ها را برای تقویت سیگنال ناشی از عیوب و در عین حال به حداقل رساندن نویز و سایر سیگنال های ناخواسته ترکیب کند که بازرسان را قادر می‌سازد کارایی را افزایش دهند و قابلیت اطمینان داده ها را بهبود بخشند.

شکل 1: دستگاه ECTANE® شرکت Eddyfi با نرم افزار MAGNIFI®

کاربرد یادگیری ماشینی در بازرسی غیرمخرب لوله

ابزارهای تشخیص مرسوم، مبتنی بر قوانین و استانداردهای تعریف شده توسط کاربر برای مدتی در دسترس بوده و حتی بخشی از رویه‌های استاندارد در بازار هستند؛ اما این سیستم های مبتنی بر قوانین و استاندارد دارای محدودیت‌هایی هستند که با هوش مصنوعی برطرف می شوند.

مناطق مناسب لوله برای تشخیص علائم عیوب ضروری است و این تشخیص به نشانه گذاری صحیح وابسته است. ابزارهای مرسوم تشخیص این نقاط و نشانه ها محدود هستند و نمی‌توانند به‌طور دقیق عرض صفحه یا ورق لوله را در همه زمینه ها تعیین کنند.

بیشتر بخوانید : استاندارد بازرسی لوله های گاز طبق استاندارد ISIRI 3360

مزایای استفاده از هوش مصنوعی در مقابل ابزارهای معمولی برای تجزیه‌وتحلیل داده مبدل حرارتی

اگر طول یک صفحه پشتیبانی به خوبی تعریف نشده باشد، سیستم تجزیه‌وتحلیل، الگوریتم مناسب را برای تجزیه‌وتحلیل داده‌های نزدیک صفحه اعمال نمی‌کند. در این حالت احتمالاً سیستم بر اساس یک کانال ترکیبی عمل می کند. تشخیص نقاط عطف مبتنی بر هوش مصنوعی و یادگیری ماشینی این مشکل را حل می کند زیرا می‌تواند طول را بدون توجه به ثابت بودن یا نبودن سرعت کشش به دقت مشخص کند.

شکل 2: بازرسی مبدل حرارتی با تکنولوژی ECTANE شرکت EDDYFI

تشخیص مبتنی بر قانون و استاندارد را می‌توان با قرار دادن آستانه‌هایی انجام داد. چراکه از این طریق می‌توان نواحی را که احتمال میرود نقص پیدا شود، محدود کرد. با این حال، این روش انجام کار نیز محدود است.

تنظیم آستانه های تشخیص می‌تواند بسیار دشوار باشد و ممکن است برای حفظ تشخیص قابل قبول در کل مبدل حرارتی نیاز به تنظیم مجدد باشد. اگرچه این ابزار گاهی اوقات مفید است، اما استفاده موثر از آن دشوار است و راه اندازی آن زمان زیادی را می طلبد.
تشخیص هوش مصنوعی این محدودیت‌ها را ندارد و می‌تواند عیوب را حتی در صورت وجود رانش در سیگنال یا عدم رسیدن کامل دامنه عیوب به حد آستانه، تشخیص دهد.

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

بیشتر بخوانید: 3 مرحله برای توسعه تجهیزات مغناطیسی القایی سفارشی ساخته شده