مقدمه
فرآیند ریخته گری از جمله پرکاربردترین روش های تولید قطعات فلزی است. در این روش فلز مذاب درون قالب ریخته می شود و پس از انجماد به شکل دلخواه تبدیل می گردد. در این فرآیند چالش هایی همچون بروز عیوب ساختاری، اتلاف انرژی، عدم یکنواختی در کیفیت و پیچیدگی در کنترل متغیرهای فرآیندی وجود دارد. نقش هوش مصنوعی در ریخته گری سبب شده برای بسیاری از این چالش ها پاسخ قابل توجهی وجود داشته باشد. در این مقاله به برخی از کاربردهای هوش مصنوعی در بهینه سازی فرآیندهای ریخته گری اشاره خواهیم کرد.
آشنایی با هوش مصنوعی و یادگیری ماشین در تولید
هوش مصنوعی از مجموعه ای از الگوریتم ها و سامانه ها تشکیل شده است که قادر هستند استدلال، یادگیری، تحلیل و تصمیم گیری را شبیه سازی کنند. با کمک پیاده سازی فرآیند یادگیری ماشین می توان با استفاده از داده ها و بدون برنامه نویسی مستقیم، الگوها را شناسایی نمود، پیش بینی کرد و پیشنهادهای بهینه ارائه داد. با این اقدام می توان بسیاری از چالش ها را حل نمود و پاسخ درستی برای آن ها یافت.
ویژگی های فرآیند ریخته گری
فرآیند ریخته گری از مراحل متعددی همچون طراحی قالب، انتخاب ترکیب شیمیایی، ذوب، ریختن، انجماد و عملیات نهایی تشکیل شده است. این فرآیندها تحت تاثیر پارامترهای متنوعی از جمله دمای مذاب، سرعت پر شدن قالب، نرخ سرد شدن و ویژگی های آلیاژ قرار می گیرند.
از این رو کنترل و بهینه سازی فرآیند برای اپراتور به آسانی میسر نخواهد بود. در این میان نقش هوش مصنوعی در ریخته گری بیش از پیش مشخص می گردد. در واقع AI ها با کاربردهای گسترده خود در این صنعت سبب می شوند، فرآیندها بهینه تر و با سرعت بیشتری طی گردد.
بهینه سازی فرآیندهای ریخته گری با کمک هوش مصنوعی
کاربردهای هوش مصنوعی در بهینه سازی فرآیندهای ریخته گری
نقش هوش مصنوعی در ریخته گری قابل توجه بوده و باعث بهینه سازی فرآیندهای تولید در این صنعت می گردد. برای آن که بیشتر با این موضوع آشنا شوید به موارد بیان شده زیر دقت نمایید.
| کاربرد | فناوری مورد استفاده | مزایای اصلی و قابل توجه |
| پیش بینی عیوب ساختاری | شبکه های عصبی، درخت تصمیم | پیشگیری از تولید قطعه معیوب و کاهش نرخ ضایعات |
| بهینه سازی پارامترهای فرآیندی | الگوریتم های ژنتیک، PSO، یادگیری تقویتی | افزایش کیفیت و کاهش مصرف انرژی و مواد |
| کنترل کیفیت خودکار | بینایی ماشین، CNN، یادگیری عمیق | کاهش وابستگی به نیروی انسانی، تشخیص دقیق عیوب سطحی |
| نگهداری پیش بینانه تجهیزات | تحلیل داده های حسگر، الگوریتم های پیش بینی | کاهش خرابی ناگهانی و افزایش عمر تجهیزات |
| بهینه سازی مصرف انرژی | مدلسازی مصرف انرژی با داده های واقعی | صرفه جویی در هزینه انرژی و کاهش آلاینده ها |
نقش هوش مصنوعی در ریخته گری
پیش بینی عیوب ساختاری
مدل های یادگیری ماشین می توانند با بهره گیری از داده های تاریخی و ویژگی های فرآیندی احتمال وقوع عیوبی چون تخلخل، انقباض، ترک های انجمادی یا پوسته شدگی را پیش بینی کنند. در واقع استفاده از الگوریتم های درخت تصمیم و شبکه های عصبی متنوع سبب شده دقت پیش بینی عیوب تا ۹۰ درصد افزایش یابد. با این پیش بینی ها می توان قبل از وقوع نقض متغیرهای موثر را اصلاح نمود.
بهینه سازی پارامترهای فرآیندی
با استفاده از الگوریتم هایی نظیر بهینه سازی ازدحام ذرات (PSO)، الگوریتم های ژنتیک و یادگیری تقویتی، می توان برای استخراج شرایط بهینه ای ایجاد نمود. در این روش سناریوهای مختلف شبیه سازی می شوند و ترکیبی از پارامترها مختلف ایجاد می گردد که در نهایت به بیشینه سازی کیفیت و کمینه سازی مصرف انرژی و مواد منجر می شود.
انجام فرآیندهای ریخته گری به صورت اصولی و حرفه ای
کنترل کیفیت خودکار با بینایی ماشین
به کمک الگوریتم های یادگیری عمیق (Deep Learning)، امکان کنترل دقیق سطح قطعات، تشخیص ترک ها و سایر عیوب سطحی فراهم می شود. در واقع با آموزش شبکه های کانولوشنی (CNN) بر پایه تصاویر قطعات سالم و معیوب، سیستم های هوشمند قادر می شوند قطعات غیر قابل قبول را جدا سازند و در این امر از دقت بالایی نیز برخوردار گردند. این امر سبب می شود میزان وابستگی به نیروی انسانی کاهش یابد و میزان تولیدات کیفیت قابل قبولی داشته باشند.
پیش بینی نگهداری و تعمیرات
سیستم های هوشمند با پایش مداوم داده های حسگر همچون دمای یاتاقان ها، ارتعاش، صدا، فشار و … و تحلیل آن ها توسط مدل های یادگیری می توانند زمان احتمالی وقوع خرابی را پیش بینی کنند. با این رویکرد که به عنوان تعمیرات پیش گویانه (Predictive Maintenance) نیز شناخته می‌شود، میزان توقفات ناگهانی دستگاه کاهش می یابد و طول عمر دستگاه افزایش چشمگیری پیدا می کند.
بهینه سازی مصرف انرژی و منابع
انجام فرآیند ریخته گری انرژی بر بوده و این امر سهم بالایی در هزینه تولید دارد. استفاده از سامانه های هوش مصنوعی برای تحلیل الگوهای مصرف انرژی و بهینه سازی عملکرد کوره ها و تجهیزات، سبب می شود هزینه ها تا مقدار قابل قبولی کاهش پیدا کند. در واقع با کمک مدل های پیش بینی مصرف انرژی بر پایه داده های محیطی و عملیاتی، می توان بهترین بازه های عملکردی را تعیین نمود و از هدر رفت انرژی جلوگیری کرد.
مزایای پیاده سازی AI در صنعت ریخته گری
مزایای پیاده سازی AI در صنعت ریخته گری
مطابق با گزارش ها و مطالعات بین المللی نقش هوش مصنوعی در ریخته گری زیاد بوده و بهره گیری از آن مزایای زیادی را در پی خواهد داشت. برخی از آن ها به شرح زیر خواهند بود.
- کاهش میزان ضایعات. با کمک نقش هوش مصنوعی در ریخته گری می توان عیوب را به موقع پیش بینی کرد و فرآیندها را اصلاح نمود.
- افزایش بهره وری. از طریق برنامه ریزی تولید بهینه و کاهش توقفات می توان میزان بهره وری سیستم را افزایش داد. این امر با کمک استفاده از هوش مصنوعی و یادگیری ماشین صورت می گیرد.
- ارتقا کیفیت نهایی محصول. با استفاده از کنترل کیفیت مبتنی بر داده می توان کیفیت نهایی محصولات را افزایش داد. در واقع یادگیری ماشین سبب می شود داده های اصولی ذخیره شده و از آن ها برای کنترل فرآیند استفاده شود.
- کاهش هزینه های تولید. از طریق بهینه سازی مصرف انرژی، مواد اولیه و زمان می توان هزینه های تولید در صنایع مختلف از جمله ریخته گری را کاهش داد. این امر به کمک هوش مصنوعی به راحتی پیاده سازی خواهد شد.
چالش های استقرار فناوری های هوشمند در صنعت ریخته گری
متاسفانه علی رغم اهمیت نقش هوش مصنوعی در ریخته گری پیاده سازی آن در صنایع های تولیدی با موانع و محدودیت هایی مواجه خواهد بود. در ادامه به برخی از آن ها اشاره خواهیم کرد.
استقرار فناوری های هوشمند در صنعت ریخته گری
نبود زیرساخت داده ای مناسب
در بسیاری از کارگاه های ریخته گری سیستم های جمع آوری، ذخیره سازی و نیز پردازش داده وجود ندارد. از این رو نمی توان به داده های منسجمی دست پیدا کرد و از آن ها برای بهینه سازی فرآیند کمک گرفت. این امر سبب می شود امکان یادگیری ماشین به حداقل برسد و نتوان از آن بهره زیادی برد.
نیاز به آموزش و توانمندسازی نیروی انسانی
برای استفاده اصولی و بهره برداری موثر از نقش هوش مصنوعی در ریخته گری لازم است آموزش های لازم داده شود. این امر از جمله چالش های پیاده سازی هوش مصنوعی محسوب می گردد. در واقع لازم است نیروهای میان رشته ای وجود داشته باشند که بتوانند رشته های مهندسی را به علوم داده متصل کنند.
هزینه های سرمایه گذاری اولیه
از دیگر چالش های این عرصه به ویژه برای بنگاه های کوچک و متوسط تامین هزینه سرمایه گذاری اولیه است. برای پیاده سازی نقش هوش مصنوعی در ریخته گری به منابع مالی قابل توجهی نیاز است که تامین آن برای بنگاه ها به راحتی میسر نخواهد بود.
عدم استانداردسازی فرایندها
برای تحلیل کاربردی و حرفه ای لازم است قبل از هرگونه اقدامی فرآیندها را اصولی پیش برد. در این میان عدم یکپارچگی در تجهیزات و فرآیندها سبب می شود تحلیل دقیق داده ها با مشکل مواجه شود و امکان ارائه خروجی های قابل اعتماد سخت شود.
مقاومت در برابر تغییر
برای ایجاد تغییر در سازمان لازم است فرهنگ سازمانی نیز تغییر کند. در بسیاری از موارد کارکنان صنایع تولیدی از ترس از دست دادن شغل یا پیچیدگی فناوری در برابر یادگیری آن مقاومت می کنند. از این رو بدون حمایت مدیریت و فرهنگ سازی اصولی پیاده سازی و استفاده از نقش هوش مصنوعی در ریخته گری به کندی صورت خواهد گرفت.
نقش هوش مصنوعی در ریخته گری
نتیجه گیری مطالب و کلام پایانی
نتایج بررسی ها و مطالعات اخیر نشان می دهد نقش هوش مصنوعی در ریخته گری قابل توجه بوده و سبب ارتقا فرآیندهای تولیدی در صنایع پیچیده مانند ریخته گری می شود. استفاده از فناوری های مبتنی بر هوش مصنوعی می تواند باعث کاهش عیوب، افزایش بازده، کنترل دقیق کیفیت و کاهش هزینه های نگهداری گردد. با توجه به رشد روزافزون این فناوری ها پیشنهاد می کنیم سازمان ها در جهت دیجیتالی سازی فرآیندهای خود اقدام کنند و بسترهای جمع آوری و یکپارچه سازی داده را ایجاد نمایند. بهتر است پژوهش های بیشتری در خصوص مدل سازی دقیق فرآیندهای ریخته گری با الگوریتم های هوشمند انجام گیرد تا بتوان از خروجی مطلوب آن بهره بیشتری برده شود.
منابع:
