Mae deallusrwydd artiffisial (AI) a dysgu â pheiriant (ML) yn chwyldroi'r broses rheoli ansawdd wrth gynhyrchu dur ongl A36. Gall y technolegau hyn ddadansoddi llawer iawn o ddata o wahanol gamau cynhyrchu, gan alluogi monitro ansawdd mwy cywir ac effeithlon.
Yn ystod y broses gwneud dur, gall algorithmau AI a ML ddadansoddi data o synwyryddion sydd wedi'u gosod mewn ffwrneisi, casters parhaus, a melinau rholio. Trwy fonitro paramedrau fel tymheredd, cyfansoddiad cemegol, a chyflymder rholio mewn amser - go iawn, gall yr algorithmau hyn ragweld materion ansawdd posibl cyn iddynt ddigwydd. Er enghraifft, os yw'r tymheredd yn y ffwrnais yn gwyro o'r ystod orau bosibl, gall y system rybuddio gweithredwyr ac awgrymu camau cywirol i sicrhau cyfansoddiad cemegol a phriodweddau mecanyddol dur ongl A36 yn aros o fewn y fanyleb.
Yn y cyfnod arolygu, gellir defnyddio systemau adnabod delwedd wedi'u pweru ai - i ganfod diffygion arwyneb ar ddur ongl A36. Mae'r systemau hyn yn cael eu hyfforddi gan ddefnyddio setiau data mawr o ddelweddau dur diffygiol diffygiol a di --. Gallant nodi gwahanol fathau o ddiffygion, megis craciau, garwedd arwyneb, ac anghywirdebau dimensiwn, gyda manwl gywirdeb uchel. Mae hyn nid yn unig yn cyflymu'r broses arolygu ond hefyd yn lleihau'r gwall dynol sy'n gysylltiedig ag archwilio â llaw.
Gall algorithmau ML hefyd ddadansoddi data ansawdd hanesyddol i nodi patrymau a chydberthynas. Trwy ddeall y ffactorau sy'n effeithio ar ansawdd dur ongl A36, gall gweithgynhyrchwyr wneud y gorau o'u prosesau cynhyrchu, gwella cysondeb cynnyrch, a lleihau gwastraff. Er enghraifft, efallai y bydd yr algorithm yn canfod bod cyfuniad penodol o gyflenwyr deunydd crai a pharamedrau cynhyrchu yn arwain at ddur ongl - ansawdd A36, gan ganiatáu i'r gwneuthurwr wneud penderfyniadau gwybodus i wella ansawdd cyffredinol.