Kaynak kalite kontrolünde yapay zeka” 

Kaynak kalite kontrolünde yapay zeka: teoriden gerçek tasarruflara

Sistemlerin uygulanmasıKaynak kalite kontrolünde yapay zekaana hakem olarak görev yapmakta, laboratuvarlar için bir deney olmaktan çıkmıştır. Bugün mesele üretim hatlarının hayatta kalması meselesidir. Bu tür komplekslerin gerçek fabrikalarda faaliyete geçmesinin ilk üç ayında kusurlarda %43-51 oranında bir azalma kaydettik. Geleneksel görsel muayene (VT) ve spot radyografi yöntemleri, operatörün yorgunluğu veya kaynak alanının yetersiz aydınlatılması gibi insan faktörlerinden kaynaklanan kritik kusurların %15'e kadarını gözden kaçırır. Makine öğrenimi algoritmaları yorulmaz, dikkati dağıtmaz ve insanların erişemeyeceği bir hızda bağlantının her milimetresini analiz eder.

Uygulamamız şunu gösteriyor: Denetim otomasyonunu göz ardı eden şirketler, ekipman maliyeti nedeniyle değil, yeniden işleme ve şikayetlere ilişkin gizli maliyetler nedeniyle rekabet gücünü kaybediyor. Bu makalede, sinir ağlarının uygulanmasına ilişkin belirli durumlara, ekipman için teknik gereksinimlere ve 2026'da bekleyebileceğiniz gerçek yatırım getirisi sayılarına bakacağız.

İnsan gözü neden artık modern standartlarla baş edemiyor?

Kaynaklı bağlantıların kalitesine ilişkin gereksinimler her yıl daha katı hale gelmektedir. ISO 3834 ve GOST R ISO 3834 standartları, sürecin her aşamasının belgelenmesi ihtiyacını zorunlu kılmaktadır. Bir kişinin fiziksel olarak sürekli üretim oranında %100 doğrulama sağlaması mümkün değildir. Operatör yalnızca yüzeyi görür; iç gözenekler, dikişin kökünün nüfuz etmemesi veya mikro çatlaklar, tahribatlı test anına veya daha da kötüsü ürünün çalışmamasına kadar gizli kalır.

Uygulamamızda, büyük bir boru hattı bağlantı parçası üreticisinin, altı ay sonra müşteri tarafından kusurların keşfedildiği bir grup vana nedeniyle 2 milyon avro değerinde bir sözleşmeyi kaybettiği bir durum vardı. Dahili kalite kontrol denetimi sırasında, denetçilerin dijital asistan kullanmadan güncel olmayan kontrol listelerine göre çalışması nedeniyle kusur oranı %0 olarak gerçekleşti. Kaynak kalite kontrolündeki yapay zeka, bu paradigmayı değiştirmemize ve vurguyu kusurları bulmaktan onları önlemeye kaydırmamıza olanak tanıyor.

Evrişimli sinir ağlarına (CNN) dayalı bilgisayarlı görme sistemleri, dikiş görüntüsünü gerçek zamanlı olarak analiz eder. Alttan kesikler, fistüller, cüruf kalıntıları gibi çeşitli kusur türlerinin on binlerce görüntüsü üzerinde eğitilmişlerdir. Sınıflandırma doğruluğu %98,5'e ulaşır; bu, en deneyimli ISO 9712 Seviye II kaynak denetçisinin bile yeteneklerini aşar. Bu sadece bir “yardımcı” değil, 7/24 çalışan bağımsız bir denetçidir.

Eylem:Mevcut kontrol protokollerinizin denetimini yapın. Denetimlerin %20'sinden fazlası fotoğraf kaydı veya dijital analiz yapılmadan görsel olarak gerçekleştiriliyorsa yüksek risk altındasınız demektir.

Teknoloji yığını: Yapay zeka denetimi nasıl çalışır?

Sistemin etkinliği pazarlama sloganlarına değil, veri toplamanın ve model mimarisinin doğruluğuna bağlıdır. Süreç üç aşamaya ayrılmıştır: görüntü yakalama, ön işleme ve çıkarım (çözüm çıktısı).

Veri yakalama ve sensörler

Giriş verilerinin kalitesi, algoritmanın yeteneklerinin tavanını belirler. Yüzey incelemesi için ark ve sıçramaları kesen, dar bant filtreli, yüksek çözünürlüklü endüstriyel kameralar (minimum 5 MP) kullanılır. Hacimsel inceleme için ultrasonik kusur tespiti (UT) ve X-ışını verileri entegre edilmiştir. Buradaki anahtar parametre kare hızıdır. Otomatik kaynak sırasında torç ilerleme hızı 1,5 m/dak'ya ulaşabilir. Kesin bir kusuru kaçırmamak için kamera dikişin her 2-3 mm'sinde bir fotoğraf çekmelidir.

Yapılandırılmış ışıklı aydınlatma kullanmanızı öneririz. Ağın dikiş yüzeyine bir projeksiyonu oluşturarak algoritmanın 3 boyutlu bir profil oluşturmasına ve geometrik sapmaları (aşırı takviye, çökme) 0,1 mm doğrulukla tespit etmesine olanak tanır. Normal tekdüze aydınlatma genellikle sinir ağının yanlışlıkla kusur olarak yorumladığı parlamaya neden olur.

Model eğitimi ve veri kümeleri

Hazır modeller (“kutulu çözümler”) pek işe yaramıyor. Her bağlantı tipi, malzeme ve kaynak yöntemi (MIG/MAG, TIG, lazer) kendine özgü dikiş oluşumu özelliklerine sahiptir. Evrensel bir algoritma yoktur. Modelin belirli bir üretimden elde edilen veriler üzerinde daha fazla eğitilmesi gerekiyor.

Süreç şöyle görünüyor:

• Bir fotoğraf arşivi koleksiyonu: iyi dikişlere sahip en az 5000 görüntü ve çeşitli kusurlara sahip 2000 görüntü.
• Veri işaretleme: Mühendisler kusurları manuel olarak ana hatlarıyla belirler ve onlara sınıflar (gözenek, çatlak, alttan kesik) atar.
• Büyütme: Modelin kararlılığını artırmak için bir veri kümesini döndürerek, parlaklığı değiştirerek ve gürültü ekleyerek yapay olarak genişletme.

Şunu anlamak önemlidir: Bir model hiçbir zaman üzerinde eğitim aldığı verilerden daha iyi olmayacaktır. Eğitim setinde alüminyumda çatlak örnekleri yoksa sistem bunları gerçekte görmeyecektir.

Üretim hattıyla entegrasyon

Sistem bir “ada” olmamalıdır. Kaynak robotuna veya konveyöre komutlar vermelidir. Kritik bir kusur tespit edildiğinde (örneğin yanma) sistem, hattı derhal durdurmak veya parçayı onarım için işaretlemek üzere PLC kontrol cihazına bir sinyal gönderir. Yanıt gecikmesi (gecikme) 200 ms'yi geçmemelidir. Daha yavaş bir yanıt, arızalı parçanın süreçte daha da aşağıya doğru ilerlemesine neden olacak ve bu da onu geri alma maliyetini artıracaktır.

Eylem:Veri ağınızın bant genişliğini değerlendirin. 4K video akışını gerçek zamanlı olarak iletmek için en az 1 Gbit/s'lik sabit bir kanal gerekir.

Kontrol yöntemlerinin karşılaştırılması: Yapay zeka ile geleneksel yaklaşımlar

Bir atölyeyi modernleştirirken kontrol yönteminin seçimi çoğu zaman tökezleyen bir engel haline gelir. Aşağıda geleneksel insan görsel denetimi (VT) ile otomatik yapay zeka sisteminin adil bir karşılaştırması bulunmaktadır.

Tablo, yapay zekanın seri üretimde ve izlenebilirliğin önemli olduğu durumlarda kazandığını gösteriyor. Bununla birlikte, karmaşık birimlerin tek bir üretimi için veya kamera kurulumunun teknik olarak imkansız olduğu durumlarda (örneğin, robot paletli olmayan küçük çaplı tankların içinde) insanlar vazgeçilmez olmaya devam ediyor.

2026 önerimiz: Hibrit bir model. Yapay zeka, konveyördeki dikiş uzunluğunun %100'ünü kontrol eder ve sertifikalı bir Seviye III denetçisi, sistemin çalışmasını rastgele bir şekilde denetler ve algoritmanın "düşük güven puanı" olarak işaretlediği tartışmalı durumları çözer.

Gerçek uygulama örnekleri: sayılar ve gerçekler

Teori güzel ama üretim sayılarla yaşıyor. Sistem uygulama uygulamamızdan iki spesifik örneğe bakalımKaynak kalite kontrolünde yapay zeka.

Durum 1: Otomotiv endüstrisi (Gövde parçaları)

Sorun:Tesis günde 400 ceset üretiyordu. Direnç nokta kaynağında kusurların payı %3,2 oldu. Ana kusurlar: yanma, eksik çekirdek, sıçrama. Manuel kontrol gövdelerin yalnızca %5'ini seçti ve bu da kusurların müşteriye ulaşmasına neden oldu.

Çözüm:Her kaynak robotunun üzerine hat tarayıcılarının kurulumu. Sistem, kaynak döngüsünün tamamlanmasından hemen sonra her noktanın geometrisini analiz etti.

Sonuç:

• Çekirdek çapı sapması %10'dan fazla olan noktaların %100'ünün tanımlanması.
• Genel kusur oranının 4 ayda %0,4'e düşürülmesi.
• Yeniden işlemeden elde edilen tasarruf yılda 180.000 Euro'ya ulaştı.
• Döngü süreleri vücut başına yalnızca 0,8 saniye artarak vücut aynı hizada tutuldu.

Müşteri, en değerli şeyin robottaki mevcut parametrelere ince ayar yapabilme ve kontrol sisteminden gerçek zamanlı olarak geri bildirim alabilme yeteneği olduğunu belirtti. Kurulum, deneme yanılma yoluyla haftalar sürerken, artık günler sürüyor.

Durum 2: Petrol ve gaz mühendisliği (Büyük çaplı boru hatları)

Sorun:Ana gaz boru hatları için boru üretimi. Gereksinimler API 5L ve GOST 20295. Çatlakların olmaması ve füzyonun olmaması kritik öneme sahiptir. X-ışını denetimi bir darboğazdı ve sevkiyatı 3 gün yavaşlattı.

Çözüm:Yapay zeka kullanılarak X-ışını görüntülerinin otomatik analizi için bir sistemin uygulanması. Algoritma, operatörün derinlemesine incelemesi için şüpheli alanları vurgulayarak görüntüleri önceden sıraladı.

Sonuç:

• Görüntü işleme hızı 4 kat arttı.
• Yanlış aramaların (operatörün resme baktığı halde herhangi bir kusur bulunmadığı durumlarda) sayısı %60 oranında azaldı.
• Ürün sevkiyatının haftada 2,5 gün hızlandırılması.

Burada bir sınırlamaya dikkat etmek önemlidir: Sistem tamamen radyoloğun yerini almadı, ancak açıkça iyi olan alanları taramak gibi rutin bir işi üstlendi. Bu, insanların karmaşık teşhislere odaklanmasına olanak sağladı.

Eylem:Hattınızın arıza nedeniyle bir saatlik kesinti maliyetini hesaplayın. Bu rakam yüksekse yapay zeka sisteminin geri ödeme süresi 12 aydan kısa olacak.

Uygulama engelleri ve yaygın hatalar

Bariz avantajlara rağmen birçok proje pilot aşamada kalıyor. Bu neden oluyor? Çoğu zaman sebep teknolojide değil, altyapının hazırlanmasında yatmaktadır.

Hata #1: Yetersiz aydınlatma ve yüzey hazırlığı.
Yapay zeka kontrast gerektirir. Dikişin kireç, yağ veya kirle kaplı olması durumunda kamera bir kusur değil gürültü görür. Bazı müşteriler önce kontrol alanını temizlemeden sistemi uygulamaya çalışırlar. Sonuç %40 yanlış pozitiftir ve bunun ardından üretim sistemi "çalışmıyor" olarak nitelendirerek terk eder. Kural basit: Kontrol alanı mikrofotoğrafçılık kadar dikkatli hazırlanmalıdır.

Hata #2: Yazılımın bakımını yapacak nitelikli personel eksikliği.
Sistemin servise verilmesi gerekiyor. Kameralar karışıyor, ışıklar kararıyor ve çelik kalitesi değiştirilirken modelin yeniden eğitilmesi gerekiyor. Tesiste sinir ağlarının temellerini anlayan (veya en azından veri işaretleme arayüzüyle nasıl çalışılacağını bilen) bir mühendis yoksa, sistem altı ay içinde bozulacaktır. Kusur kitaplığını kimsenin güncellememesi nedeniyle pahalı sistemlerin toz toplayıcılara dönüştüğü durumları gördük.

Hata #3: “Kutulu” bir çözümden mucize beklemek.
"AI Welding Inspection" etiketli hazır bir kamerayı prosesinize uyarlamadan satın almak hayal kırıklığının reçetesidir. Sac levha alın kaynakları üzerine eğitilmiş bir algoritma, boru köşe kaynaklarını incelerken işe yaramayacaktır. 2 ila 6 hafta süren bir ince ayar süresi gereklidir.

Ayrıca düzenleyici engelden de bahsetmeye değer. Tüm sertifikasyon kuruluşları (örneğin, gemi inşasındaki sınıflandırma toplulukları), insan imzası olmadan yalnızca yapay zeka tarafından oluşturulan raporları kabul etmeye hazır değildir. Bu gibi durumlarda sistem "asistan" modunda çalışarak müfettişin nihai karar vermesi için veri sağlar.

İş senaryosu ve yatırım getirisi

YatırımlarKaynak kalite kontrolünde yapay zekaönemli. Bir kontrol hücresinin maliyeti, sensörlerin ve hesaplama ünitesinin karmaşıklığına bağlı olarak 15.000 ile 50.000 Euro arasında değişiyor. Ancak yatırım getirisi (ROI) hesaplamasında doğrudan atık tasarruflarından daha fazlası dikkate alınmalıdır.

Ekonomik verimlilik yapısı:

1. Yeniden işleme maliyetlerinin azaltılması:Bir kaynak dikişinin onarımı, ilk kaynağından 3-5 kat daha maliyetlidir. Bir kusurun bir sonraki operasyona (örneğin boyama veya montaj) bırakılmasının önlenmesi büyük miktarda para tasarrufu sağlar.
2. Ücret fonunun azaltılması:Bir AI sistem operatörü 3-4 kaynak istasyonunu kontrol edebiliyordu, oysa önceden 3-4 denetçi gerekiyordu.
3. Cezalardan kaçınma:Otomotiv veya enerji tedarikçileri için tek bir kusurlu olay, tedarikçi listesinde bir noktaya mal olabilir. Bu riski sigortalamak paha biçilemez.
4. Pazara çıkış hızı:Denetim döngüsünü kısaltmak sevkiyatı hızlandırır. Tam zamanında teslimat koşullarında bu kritik bir avantajdır.

Ortalama olarak seri üretim için geri ödeme süresi 14-18 aydır. Hata maliyetinin son derece yüksek olduğu özgün ağır mühendisliklerde bu süre 6-8 aya indirilmektedir.

Sıkça Sorulan Sorular

Yapay zeka, sertifikalı kaynak denetçilerinin yerini alabilir mi?

Hayır tam olarak olamaz. Teknoloji geliştirmenin mevcut aşamasında (2026), yapay zeka bir karar destek aracıdır. Ürünlerin %100'ünün taranması gibi monoton bir işi üstlenir, ancak karmaşık, standart dışı kusurlar ve sorumlu belgelerin imzalanması konusunda nihai karar ISO 9712 seviye II veya III personeline kalır. Ayrıca tasarımın güvenliğine ilişkin sorumluluk yasal olarak algoritmaya devredilemez.

Görevlerimiz için bir sinir ağını eğitmek ne kadar sürer?

Temel modelin ilk kurulumu yaklaşık 2 hafta sürer. Kendi veri kümenizi toplamak ve üretiminizdeki belirli kusurlara yönelik ince ayar yapmak, 3-4 hafta daha gerektirir. Hedef doğruluk göstergelerinin elde edilmesiyle birlikte ticari işletmeye almanın tam döngüsü genellikle 1,5-2 ay sürer. Bu süre, sağlanan geçmiş verilerin kalitesine ve altyapının hazır olmasına bağlıdır.

Güçlü duman oluşumuna sahip koruyucu gazlarda kaynak yaparken sistem çalışıyor mu?

Evet ama çekinceleri var. Duman ve sıçramalar optik sistemler için ciddi bir rahatsızlıktır. Bu gibi durumlar için ark spektrumunu kesen özel filtrelerin ve atış alanına basınçlı hava üfleyen sistemlerin kullanılması gerekmektedir. Aşırı durumlarda (örneğin, tozaltı ark kaynağı), optik kontrol mümkün değildir ve yapay zeka, elektriksel parametre sensörleri (akım, voltaj) veya akustik sensörlerle birlikte çalışarak görsel resmi değil sürecin stabilitesini analiz eder.

Gelişme beklentileri: endüstri nereye gidiyor?

Tahribatsız muayene pazarı dönüşüyor. 2027 yılına kadar, işlem sonrası (kaynak sonrası muayene) proses içi kontrole (gerçek zamanlı izleme) büyük bir geçiş bekliyoruz. Sistemler sadece kusurları tespit etmekle kalmayacak, aynı zamanda kaynak güç kaynağının parametrelerini de otomatik olarak ayarlayacaktır. Sinir ağı gözenek oluşumunun başlangıcını tespit etti mi? Sistem anında akımı azaltacak veya tel besleme hızını değiştirerek arızayı önleyecektir.

Bulut platformlarının rolü de artıyor. Tüm müşteri tesislerinden gelen veriler tek bir merkezde toplanacak ve farklı hatların verimliliğini karşılaştırmanıza ve ekipman aşınmasını tahmin etmenize olanak tanıyacak. Kaynak prosesinin dijital ikizi büyük sözleşmeler için standart hale gelecektir.

Ancak temel aynı kalıyor: teknoloji insanlara hizmet ediyor. Yapay zeka, mühendisleri rutin işlerden kurtararak süreç geliştirme ve stratejik görevlere odaklanmalarına olanak tanır.

En ileri çözümleri uygulamak, hem kaynak metalurjisini hem de sinir ağı mimarisini anlayan uzmanlarla ortaklık kurmayı gerektirir. Bu teknolojiler, kaynaklı bağlantıların kalitesinin ürünlerin güvenliğini ve dayanıklılığını doğrudan etkilediği karmaşık ısı transferi ve güç ekipmanı üreticileri için özellikle önemlidir. Örneğin, bir şirketWuxi Kaisheng Elektrik Enerjisi ve Petrokimya Equipment Co., Ltd.Yüksek basınçlı ısı eşanjörleri (ASME), titanyum cihazlar ve N06625 veya C70600 alaşımlarından üretilen bileşenlerin üretiminde uzmanlaşan PED ve ASME standartlarının en katı gereksinimleriyle karşı karşıyadır. Petrol rafinerisi, kimya endüstrisi veya deniz suyunun tuzdan arındırılması gibi agresif ortamlarda çalışan bu tür ürünler için mikroskobik bir dikiş kusuru bile kabul edilemez. Yapay zeka kontrolünün bu ürünlerin üretimine entegre edilmesi, korozyon direnci ve yüksek basınç direnci sağlayarak dünyanın dört bir yanındaki müşterilere yalnızca ekipman değil, dijital olarak kanıtlanmış güvenilirlik de sağlıyor.

Wuxi Kaisheng gibi endüstri liderlerinin elde ettiği sonuçlara benzer şeffaf süreçler ve ölçülebilir sonuçlar sağlayarak denetimden tam teşekküllü bir denetim sistemi başlatmaya geçmenize yardımcı olmaya hazırız.

Üretiminizde yapay zeka uygulama potansiyelini değerlendirmek, kusurlardan kaynaklanan mevcut kayıplarınızı analiz etmek ve bir ön geri ödeme hesaplaması almak istiyorsanız teknik uzmanlarımızla iletişime geçin. Süreç haritanızı denetleyecek ve gerçeklerinize uyarlanmış bir çözüm sunacağız.

Bugün bizimle iletişime geçinKalite kontrolün otomasyonu konusunda danışmanlık için.

Otomasyon çözümlerimiz hakkında daha fazla bilgi için şu adresi ziyaret edin:endüstri için kapsamlı çözümler.