کاربرد هوش مصنوعی و یادگیری ماشین در آزمون اولتراسونیک عیوب جوشکاری

در سالهای اخیر که فناوری هوش مصنوعی در تمام جنبه های زندگی روزمره انسانها از جمله علوم کامپیوتر ،تجارت ،کشاورزی ،هوانوردی ،پزشکی، صنعتی و حتی موسیقی و سرگرمی کاربردهای روزافزونی پیدا کرده است انتظار میرود فعالان حوزه بازرسی نیز تکنولوژی یادگیری ماشین را در تجزیه و تحلیل دادههای حاصل از بازرسی به خدمت گیرند.

فرایند جوشکاری به عنوان فرایندی خاص و کاربردی در صنایع هسته ای و نفت و گاز همواره توجهات زیادی را به خود جلب نموده و تاکنون اقدامات کنترلی متنوعی با کمک تجهیزات پیشرفته برای شناسایی عیوب این فرایند در ابعاد بسیار ریز به صنعت بازرسی دنیا معرفی شده است. استفاده از امواج فراصوت یکی از روشهای بسیار رایج آزمون غیر مخرب فلز جوش میباشد.

تفسیر نشانه‌های مشاهده شده در روش اولتراسونیک ارزیابی نتایج کمی سازی و سایزینگ عیوب، بهینه سازی الگوهای اسکن کردن و تشخیص محل دقیق نواقص جوش، افزایش دقت و صحت ،آزمون حذف اکوهای نامرتبط و تبدیل مود امواج فراصوت در گذر از فصل مشترک محیطهای مختلف همواره جزء دغدغه های اوپراتوران این تست مهندسان جوش مدرسان این روش بوده و با محدودیتهایی از جمله اتکای بسیار زیاد به تجربه و مهارت آزمونگر همراه است.

در همین راستا استفاده از سنسورها مبدلها ترانسدیوسرها به عملگرهای پیشرفته منجر به ایجاد روشهای نوین تست اولتراسونیک از جمله EMAT Guided Wave TOFD PAUTو Acoustic Emission شده که تا حدود زیادی محدودیتهای بالا را مرتفع نموده است. بدیهی است در خودکار کردن فرایندهای بازرسی و آزمون با ارسال و دریافت سیگنال‌ها توسط ترانسدیوسرها شناسایی آنها توسط سنسورها و ارسال بازخورد

به عملگرهای مختلف مکانیکی و الکتریکی خروجی‌های مطلوب کاربران از جمله نماهای گرافیکی و بصری مناسب حاصل میشود اما هوش مصنوعی گام خود را فراتر گذاشته با استفاده از دادههای مشترک و فراوانی داده‌ها در آزمایشات تکرار شده مدل‌های آماری و الگوریتم های منطقی را بین ورودی و خروجی فرایندهای مختلف استنباط کرده و منجر به بهبود مستمر، فرایند حذف بازرسیهای غیر ضروری و به تبع آن صرفه جویی در زمان و هزینه بازرسی میشود. البته در روشهای استفاده از یادگیری ماشین (ML) نیز تنوع و تفاوتهای بسیاری وجود دارد یادگیری با نظارت، یادگیری بی نظارت، یادگیری نیمه نظارتی و یادگیری تقویتی از جمله این روشهاست. در این مقاله سعی بر این است فعالیتهای مختلفی که در اقصی نقاط جهان در حوزه هوشمندسازی تست اولتراسونیک با کمک ML صورت گرفته است طبقه بندی و ارائه گردد در تحقیقی که هانگبین،سان پرادیپ راموهالی و ریچارد جیکوب در سال ۲۰۲۳ در ایالات متحده آمریکا انجام داده اند حدود ۲۰۰ مقاله مرتبط با این موضوع شناسایی شده که از نظر منابع، مدیریت داده ها، روش‌های پردازش، حساسیت نتایج به پارامترها، معیارهای ارزیابی عملکرد و روشهای تایید و اعتبار سنجی در ۱۳۵ دسته متمایز می‌گنجند. با این وجود با توجه به پیشرفت‌های سریع در هوش مصنوعی و یادگیری ماشین این اعداد به سرعت رو به افزایش است. در شکل ۱ زیر درصد اقدامات مرتب شده بر اساس نوع دادههای اولتراسونیک (a)، فرکانس استفاده شده برای بازرسی (b)، مواد تحت بازرسی (C) را نشان میدهد

گردش کار یادگیری ماشین برای آزمون اولتراسونیک بدین صورت است که ابتدا تمایز بین داده های جوش معیوب و جوش بدون نقص استخراج و به عنوان ورودی الگوریتم ML استفاده میشوند. بخشی از این داده ها به نام مجموعه داده های آموزشی برای آموزش مدل استفاده می‌شود. فرآیند آموزش، مدل ML را بهینه می‌کند. مرحله آموزش عموما با یک مرحله اعتبار سنجی همراه است و برای یافتن بهترین مجموعه پارامترهای مدل ML ممکن است این مراحل چندین بار انجام شوند. شکل ۳ این چرخه را به خوبی نشان میدهد که در ،آن مراحل آبی رنگ بصورت اجباری و مراحل طوسی رنگ بصورت اختیاری اعمال میشوند. همچنین ممکن است یک مرحله چندین بار برای رسیدن به اهداف مختلف تکرار شود. الگوریتمهای یادگیری عمیق مدرن، اغلب مرحله استخراج ویژگی Feature extraction را نادیده میگیرند و ترجیح میدهند به الگوریتم اجازه دهند نمایش ضمنی ویژگیهای مرتبط را در طول مرحله یادگیری استخراج کند.

بنابراین هرچند در حال حاضر هیچ بسته نرم افزاری تحلیل دادههای بازرسی جوش UT تمام هوشمند بدون اتکا به داده های کاربران به صورت تجاری و در مقیاس صنعتی به ویژه در صنعت نفت و گاز و پایپینگ وجود ندارد، اما تحقیقات نشان میدهد، الگوریتمهایی که کاملا بر ML متکی هستند،. در صورت کسب تجربه و یادگیری کافی ممکن است در نهایت جایگزین بازرس انسانی شوند

اولین اقدام هوشمند سازی فرایند اولتراسونیک تعریف مجموعه داده ها برای یادگیری ماشین میباشد که مسلما میبایست از جفتهای ورودی – خروجی ساده سازی شده الهام گرفته شود تا بوسیله آنها سیستم بصورت اتوماتیک تلاش کند تابعی از ورودی به خروجی را فرا گیرد و دادههای خود را تکمیل نماید. به عنوان مثال طرح ساده شکل ۲ زیر میتواند سرآغاز یادگیری با نظارت عیوب جوشکاری و تشخیص آنها از جوش بدون نقص باشد.

مرحله استخراج ویژگی معمولاً نیاز به پیش پردازش اکوی ناپیوستگی (Signal Preprocessing) دارد برای متدهای A-Scan (به عنوان مثال پالس اکو و TOFD)، این پارامترها را میتوان از سیگنال حوزه زمان مانند زمان رسیدن، سرعت موج، تضعیف موج، حداکثر دامنه، زمان افزایش و زمان سقوط اکو استخراج کرد. ویژگی سیگنالهای اولتراسونیک برای تصاویر B-Scan شامل کنتراست، همبستگی،انرژی،آنتروپی، ماتریس همزمانی و غیره میباشد. مشابه سیگنالهای A-Scan، پارامترهای آماری را میتوان مستقیماً روی تصاویر B-Scan نیز اعمال کرد.

الگوریتم های هوش مصنوعی برای یافتن تابعی منطقی میان جفت داده های (x,y) از یک شبکه عصبی مصنوعی استفاده میکنند این شبکه، یک گراف متصل با چندین لایه است و هر لایه دارای چندین گره (نورون) میباشد. ورودیهای شبکه عصبی میتوانند هر یک از ویژگیهای مرتبط با حوزه ،زمان ویژگیهای مرتبط با دامنه فرکانس و ویژگیهای ظاهری اکو را در برگیرند. شبکه عصبی کم عمق که در شکل ۴ (a) مشخص شده است، دارای یک ساختار نسبتا ساده با یک لایه ورودی یک تا دو لایه میانی (پنهان) و یک لایه خروجی است برای طبقه بندی عیوب جوشکاری، اکثر مطالعات از شبکههای عصبی کم عمق با تنها یک یا دو لایه پنهان استفاده میکنند. برای دستیابی به بهترین عملکرد مدل، میتوان تعداد نورونها را در لایه های پنهان بهینه کرد. مدل‌های یادگیری عمیق مانند شبکههای عصبی عمیق در چند سال اخیر برای شناسایی خودکار نقص در آزمونهای غیر مخرب به کار گرفته شدهاند و یک شبکه پیچیده حاوی گرههای ورودی و لایه‌های پنهان بیشتری نسبت به یک شبکه عصبی کم عمق است. این مدلها میتوانند سیگنالهای حوزه زمان یا فرکانس را به عنوان ویژگیهای ورودی بپذیرند (شکل ۴ (b))

در پایان برای تایید و اعتبار سنجی روشهای یادگیری ماشین، تکنیکهایی وجود دارد که پیشنهاد می کنند یک مجموعه داده جداگانه که به عنوان بخشی از فرآیند آموزش استفاده نمی شود، باید حفظ شود تا یک تخمین قوی از عملکرد مدل را ارائه کند. بخشی از چالش حفظ مجموعه دادههای آزمایشی این است که دادههای موجود معمولا برای شروع کم تعداد هستند و کنار گذاشتن داده ها از این مجموعه میتواند توانایی مدل ML را برای یادگیری موثر محدود کند.

نتیجه گیری

با افزایش قدرت کامپیوتر و کاهش تعداد بازرسان واجد شرایط NDT، علاقه مندی صنعت به خودکارسازی و هوشمندسازی آزمونهای غیر مخرب و تفسیر و ارزیابی نتایج حاصل از آن رو به فزونی یافته است. بطوری که الگوریتمهای یادگیری ماشین (به ویژه یادگیری عمیق) در حوزه بازرسی فنی هم پای سایر کاربردهای علمی و مهندسی یک راه حل بالقوه برای افزایش قابلیت اطمینان تجزیه و تحلیل داده‌های NDT، در نظر گرفته میشود. اگرچه افزایش قابل توجهی در تعداد انتشارات اخیر در این زمینه ( ML برای NDE) وجود داشته است، به نظر میرسد تفاوتهای زیادی در نحوه به کارگیری و تنوع زیادی در خود روشها وجود دارد که گسترش آنها در آینده ای نه چندان دور میتواند منجر به جایگزینی هوش مصنوعی به جای نیروی انسانی در این زمینه شود.

بررسی آماری نتایج حاصل از مدلهای مختلف یادگیری ماشین در تست اولتراسونیک در قالب منحنی مشخصه عملکرد سیستم (ROC) به صورت شکل ۵ است که بالا بودن نرخ مثبت واقعی در برابر نرخ مثبت کاذب در شروع منحنی، نشان دهنده عملکرد بسیار مطلوب این مدلها در مطالعات آماری میباشد.

نویسنده : علی صفاری