Prelomnica v preskušanju materialov: Kako umetna inteligenca (UI) revolucionira preskuse raztezanja lukenj po standardu ISO 16630
Zahteve glede sodobnih pločevinastih materialov se nenehno povečujejo. V avtomobilski, energetski in letalski industriji mora biti pločevina ne le lahka in stabilna, temveč tudi zanesljivo oblikovalna – ne da bi povzročala razpoke na robovih. Za oceno te dovzetnosti za razpoke je standardna metoda postala preskus raztezanja lukenj (HET) po standardu ISO 16630. ZwickRoell gre še korak dlje z inovativno rešitvijo: Umetna inteligenca samodejno zazna razpoke v realnem času – integrirano v stroj za preskušanje pločevine (BUP).
Kaj je preskus raztezanja luknje? In zakaj je to ključnega pomena za oblikovanje pločevine?
Preskus na stroju za preskušanje pločevine (BUP) se začne z luknjo s premerom 10 mm, izrezano v vzorcu pločevine. Ta luknja se s stožčastim luknjačem (60°) razširi, dokler se ne pojavi neprekinjena razpoka. Cilj je določiti razmerje raztezanja luknje (λ), ki med drugim opisuje duktilnost roba pločevine. Izziv je natančno zaznati prvo neprekinjeno razpoko. Ročne metode so nagnjene k napakam in zelo odvisne od posameznega operaterja. Tradicionalni algoritmi za obdelavo slik ponujajo večjo doslednost, vendar dosežejo svoje meje pri delu s široko paleto materialov. In prav tukaj pride na vrsto umetna inteligenca.
Tradicionalni algoritmi za obdelavo slik, ki temeljijo na pravilih, sicer ponujajo večjo doslednost, vendar zahtevajo prilagoditev specifičnih parametrov za vsako vrsto materiala. Za nove tipe vzorcev je treba najprej določiti ustrezen nabor parametrov, kar je zamudno. Pri menjavi vzorca je pomembno zagotoviti, da je za vzorec izbran pravilen nabor parametrov. Zaznavanje razpok na osnovi umetne inteligence odpravlja te izzive: Zanesljivo zazna razpoke brez ročnega nastavljanja in se samodejno prilagodi različnim materialom.
Odkrivanje robnih razpok: Zato tradicionalne metode dosegajo svoje meje.
Ročno zaznavanje razpok zahteva polno koncentracijo in izkušnje operaterja. Stopnja napak se poveča, zlasti pri višjih hitrostih preskušanja. Čeprav je tradicionalna industrijska obdelava slik bolj dosledna, ji pogosto manjka fleksibilnosti, ki je potrebna za nove ali kompleksne materiale. Rezultat: pozno ali napačno zaznavanje razpok. In prav to včasih vodi do netočnih rezultatov preskusov in neželenih ponovitev.
Zaznavanje razpok v realnem času z umetno inteligenco: Kako deluje nevronska mreža ZwickRoell
ZwickRoell je v svojo programsko opremo za preskušanje testXpert integriral posebej razvito nevronsko mrežo. To zazna razpoke v realnem času – neposredno med preskusom. Obdelava slik traja le 50 milisekund na sliko, tudi na standardnem preskusnem računalniku.
Podatkovna baza za zanesljive rezultate umetne inteligence: 657.000 slik, 2.700 vzorcev
Umetna inteligenca podjetja ZwickRoell je bila usposobljena z uporabo več kot 657.000 slik iz 2.700 vzorcev. Podatki so pridobljeni iz projektov strank, internih preskusov in zagona. Opombe o razpokah strogo upoštevajo standard ISO 16630, kar zagotavlja skladnost s standardom. In rezultati so jasni: Umetna inteligenca zanesljivo zazna razpoke v znanih materialih z 99-odstotno natančnostjo, v novih materialih pa z 98–99-odstotno natančnostjo.
Avtomatizirano preskušanje pločevine z BUP – kjer se natančnost sreča z učinkovitostjo
BUP (stroj za preskušanje pločevine) podjetja ZwickRoell je idealna platforma za preskuse raztezanja lukenj. Zasnovan je bil posebej za deformacijske preskuse pločevine in ponuja različne funkcije, ki naredijo postopek preskušanja učinkovitejši in varnejši. Poseben poudarek: avtomatizirano ravnanje z vzorci. S šaržerjem, ki lahko sprejme do 100 vzorcev, in integriranim 2D-zaznavanjem kode se preskusi izvajajo v načinu »Nočna izmena« – brez posredovanja operaterja. To prihrani čas in zmanjša vire napak. BUP je tudi popolnoma združljiv z ekstenziometrom videoXtens, ki integrira zaznavanje razpok z umetno inteligenco. To ustvarja brezhiben, avtomatiziran postopek preskušanja – od identifikacije vzorca do dokumentiranja rezultatov.
Prilagodljivost za nove materiale: Na ta način se umetna inteligenca prilagaja ponovnemu usposabljanju
Druga prednost rešitve z umetno inteligenco je njena možnost ponovnega usposabljanja. Pri preskušanju novih, eksotičnih materialov je mogoče umetno inteligenco ponovno izobraziti z dodatnimi podatki – bodisi na kraju samem pri stranki bodisi v oblaku. ZwickRoell bo od leta 2026 naprej ponujal poseben program prekvalifikacije, ki strankam omogoča razvoj lastnih modelov na podlagi specifičnih materialov.
Zaključek:
Preskus širjenja lukenj z zaznavanjem razpok z umetno inteligenco predstavlja pomemben napredek pri preskušanju materialov. Kombinacija inteligentne programske opreme in zmogljivega preskusnega stroja BUP zagotavlja novo raven kakovosti rezultatov preskusov: natančne, obnovljive in neodvisne od operaterja. Umetna inteligenca zanesljivo zazna razpoke v realnem času, s čimer prihrani čas in materiale, hkrati pa zmanjša vpliv človeških napak. Hkrati je BUP robusten sistem preskušanja, ki ga je mogoče avtomatizirati in brezhibno integrirati v sodobne proizvodne procese in procese zagotavljanja kakovosti. Z možnostjo nadaljnjega učenja umetne inteligence je sistem pripravljen na prihodnost in prilagodljiv novim materialom in zahtevam. Podjetja, ki se zanašajo na to tehnologijo, ne vlagajo le v boljše rezultate preskušanj, temveč tudi v učinkovitost, varnost in inovacije.
