Архив

Tag Archives: machine learning

В журнале «В мире НК» вышла статья Тейера Питера: «Неизбежность четвертой промышленной революции и роль НК и мониторинга». Статья переведена и перепечатана из журнала  Insignt за сентябрь 2017 года.

В статье анализируются итоги прогнозов касательно тенденций развития технологий неразрушающего контроля, сделанные 5 лет назад (в целом сбываются) и сделаны прогнозы на 5, 10 и 20 лет.

Ряд положений мне не совсем понятен и не кажется пока реализуемым, а именно:

  • существенное сокращение применения разрушающего контроля за счет измерения механических свойств материала
  • полное оснащение автономными системами с дальностью работы 10-100 км
  • биологические датчики — это уже чем-то напоминает придуманный в шутку к юбилею ЭХО+ наноавгур

 

Однако ряд технологий или уже на грани внедрения или уже внедрен, в том числе в продукции нашей компании ООО «НПЦ «ЭХО+».

Применение роботизации, контроль объектов сложной формы и неконтролепригодных ранее

Мы занимаемся автоматизированным УЗК уже более 20 лет и разработали множество систем контроля, в основном для кольцевых и продольных сварных соединений. В системе АВГУР-ТФ, прошедшей аттестацию в Газпроме реализован также и метод автоматизированного визуального контроля, когда с применением лазерного профилометра строится профиль сварного шва и выполняется оценка качества, а также вырабатывается вспомогательная информация для оператора ультразвукового контроля.

Тут есть еще куда стремиться, учитвая наличие не слишком дорогих манипуляторов, типа Kuka, которые можно подружить с дефектоскопом и научить водить датчиком по сложной траектории сложного объекта контроля. Мы находимся в поиске клиентов, которым требуется решение подобных задач.

maxresdefault.jpg

Что касается неконтролепригодных объектов, то мы их любим и решаем уникальные задачи, такие как контроль неоднородных сварных соединений, в которых при эксплуатации обнаруживаются трещины, контроль сварных соединений большой толщины в условиях ограниченного доступа с высочайшим (порядка 1 мм) разрешением на глубинах более 150 мм.

Применение искусственного интеллекта

Уже сейчас реализован сервис по расшифровке медицинских радиографических снимков, в ближайшее время подобный серсис появится и для снимков радиографического контроля. Пока речь не идет о том, чтобы полностью заменить оператора, однако для аудита за выполнением работ этот инструмент очень полезен.

Мы в ЭХО+ еще в начале 2000-х годов начали применять нейросети для анализа данных ультразвукового контроля, однако пошли по несколько иному пути. Теперь, чтобы встретить вызовы времени мы возобновляем работы, связанные с применением искусственного интеллекта к анализу данных УЗК и наиболее подходящими данными для анализа представляются данные TOFD. В сущности это двумерные растровые изображения, что облегчает работу с ними в отличии от трехмерных изображений, получаемых в режимах фазированной решетки и акустической голографии. Есть основание полагать, что нейросети позволят решить задачу выявления и классификации различных дефектов сварных швов.

TOF2-e1423006777737.jpg

Автоматическая адаптация к свойствам объекта контроля

Данная серия алгоритмов позволяет например:

  • учитывать форму наружной (измеренной лазером) и внутренней (измеренной ультразвуком)  поверхности в зоне сварного шва с тем, чтобы точно сфокусировать пучок ультразвука на требуемой глубине по требуемой траектории для выявления дефекта и определения его типа
  • учитывать анизотропию сварного шва для обеспечения фокусировки по всему сечения аустенитного сварного шва
  • На подходе алгоритм, который позволяет выявлять аномалии в виде областей со скоростью звука, отличающейся от номинальной на 1-2%.

Изображение в заварке.jpg

Усложнение расчетных моделей

С развитием вычислительной техники намного легче стало реализовывать алгоритмы моделирования распространения упругих волн в твердых телах и рассчитывать поля и отклики от различных дефектов. Мы пользуемся как коммерческим программным обеспечением Civa, так и самописными программами с расчетами в приближении геометрической оптики и методом конечных элементов. Эти расчеты помогают при разработке и аттестации методик, при разъяснении непонятных данных контроля и в сочетании с применением искусственного интеллекта подталкивают к совершенствованию технологии контроля, сокращают рутинную экспериментальную работу.

Беспроводное управление и интернет вещей

Уже сейчас это становится стандартом — управление дефектоскопами и толщиномерами по WiFi и Bluetooth. Наши современные модели дефектоскопов в составе автоматизированных систем также имеют управление по WiFi.

Мониторинг всего цикла производства и жизни объекта

Еще с 2004 года программное обеспечение АВГУР построено на использовании баз данных, что обеспечивает мониторинг всех данных, попавших в эту базу, с привязкой объектов контроля по дате, географической координате, условиям контроля, динамике числа и размера дефектов.

В случае необходимости эта информация может быть передана в автоматизированную систему управления жизненным циклом завода, АЭС, компрессорной станции или иного объекта, на котором проводился контроль.

1

 

Что бы еще хотелось попробовать

  • Расширить область применения роботизированных систем и увеличить число методов контроля — добавить к АУЗК и АВИК еще контроль методом ЭМА, телевизионный контроль
  • Контроль изделий, выполненных по аддитивным технологиям, тут, вероятно целесообразно будет применять вихретоковый контроль, автоматизированный визуальный контроль.
  • Работа с умными датчиками, постоянно установленными на объектах контроля.
Реклама

Говорят, что это любимая техника МакКинзи, которой обучают всех консультантов. Что же это значит?

Взаимо-Исключающее Совместно-Исчерпывающее.

Подход к структурированию информации, когда проблема, ситуация целиком описывается сущностями, каждая из которых  не является частью частью друг друга и не пересекается.

Предполагается, что при этом удается расставить все по полочкам, сделать хорошую презентацию, упорядочить мысли.

Простейший пример: дерево иерархии в предприятии. Да и вообще — в конечном итоге это как всегда дерево, оно же mindmap, оно же диаграмма Исикавы, оно же иерархическая структура работ. Сложно изобрести колесо если оно уже есть.

iris_knn

Сложно также не увидеть связи с задачами классификации-кластеризации — одной из основных задач Machine Learning.

 

Где можно попробовать применить этот принцип на практике:

  • В создании матрицы распределения функционала по подразделениям предприятия
  • В расстановке тегов в записях блога или менеджере задач
  • В создании структуры папок для джедайской техники пустого инбокса
  • В создании директорий в папке с проектами. Тут, например, у меня возникает проблема, когда есть папка «Переписка», а ее содержимое частично пересекается с папкой, в которой лежит разрабатываемый документ и есть искушение согласующее письмо положить в два места сразу
  • В оглавлении отчета. Тут тоже возникает вопрос — например, как совместить выводы по каждой из глав с общими выводами по отчету, если формулировки будут повторяться?
  • В составлении структуры коммерческого предложения
  • В описании требований к интерфейсу пользователя на основе анализа use case. Кажется, это должно позволить обеспечить монотонность интерфейса


А вот смешной пример применения ВИСИ из мультика про робота-мусорщика.

 

Из вашего опыта есть практика удачного применения этого принципа?

 

 

 

 

 

 

 

С удивлением обнаружил, что ужасно модная штука под названием machine learning это примерно то что я изучал на 3-5 курсах своей кафедры математической кьебирнетики на факультете прикладной математики.

iris_knn

Классическая картинка про классификацию

Все эти двойственные задачи, функционалы, регуляризация, нейросети и проч и проч.

А я то еще думал тогда — ну как то это все не очень актуально. А тут вон как — ни в поисковиках, ни в информационных системах, ни в диагностике уже шагу не ступить без перцептрона. А уж про финансовый скоринг и вовсе не говорю =)

При прохождении курса на Coursera проникся программированием на python в режиме командной строки. То есть конечно не проникся, для меня это жуткая рутина и линейность. А вот помню мой одногруппник Костик так любил командную строку и всякие регулярные выражения, что даже mp3-проигрыватель у него на ноутбуке управлялся в текстовом режиме.

Если серьезно, то я рассчитываю на то что подходы с обучением, классификацией и распознаванием образов помогут и в нашей работе в области автоматизированного ультразвукового контроля.

Насколько я знаю в области вихретокового контроля есть алгоритмы автоматической классификации. Но там интересно то что у сигнала в каждой точке можно анализировать и амплитуду  фазу. То есть как минимум два легко выделяемых признака есть.

В области ультразвука можно помимо амплитуды анализировать и фазу тоже на самом деле (в режиме TOFD), а также размеры бликов, их взаимное положение.

Также тестируется сейчас решение задачи с автоматическим распознаванием формы дна при проведении ультразвуковой толщинометрии, есть в планах и задача по распознаванию контуров сварного соединения по изменению «структуры» изображения наподобие приложенной ниже картинки.

2016-02-19 17-32-52 Анализ данных Авгур-5E ( 130.) - [.. 110-2 05.02.2016 14 23(5) 1NS 12.02.2016 12 22(Нормировка данных Ц