Применение машинного обучения для радиографического контроля сварных соединений в аэрокосмической отрасли
Deploying Machine Learning for Radiography of Aerospace Welds
2024-01-28
SCID: 54.1/s6xrdkma
Discuss with AI
автоматическое распознавание дефектовпромышленная радиографиялазерные сварные швывероятность обнаружениясегментация сварных швов
Figures from the paper
Abstract (AI)
Искусственный интеллект открывает новые возможности для анализа в области промышленной радиографии. По мере развития соответствующих технологий возникает необходимость понимать, как внедрять их на практике и использовать преимущества автоматически генерируемой информации. В настоящем исследовании автоматическое распознавание дефектов на основе машинного обучения было внедрено для поддержки промышленного радиографического контроля лазерных сварных соединений в аэрокосмическом компоненте и использовано для получения статистических данных с целью повышения качества контроля. Мультимодельный подход с дополнительным этапом сегментации сварного соединения позволил повысить скорость инференса и сократить число ложных срабатываний, что улучшило возможности применения в производственных условиях. Для отображения результатов оценки был разработан пользовательский интерфейс с функциями визуализации. Набор данных из 451 радиографического снимка был автоматически проанализирован; в результате выявлено 10 037 индикаций с информацией об их размере и расположении, что обеспечило возможность статистического анализа, проведение которого вручную с разметкой изображений было бы непрактичным. Распределение индикаций моделировалось как произведение вероятности обнаружения и исходного распределения несплошностей, экспоненциально убывающего с размером, что открывает возможности для оценки надежности модели и разработки прогностических методов выявления дефектов сварных соединений. Анализ индикаций продемонстрировал способность автоматически выявлять как крупномасштабные тенденции, так и отдельные компоненты и сварные соединения, для которых существовал повышенный риск несоответствия требованиям контроля. Данная работа является шагом к более эффективному использованию данных неразрушающего контроля в производстве.
Key Findings
1
Мультимодельный подход с сегментацией сварных швов повысил скорость вывода и снизил число ложных срабатываний, улучшив пригодность метода для полевого применения.
2
Был разработан интерфейс визуализации; автоматический анализ 451 радиограммы выявил 10 037 индикаций с информацией о размере и расположении дефектов.
3
Автоматический анализ индикаций выявил как крупномасштабные тенденции дефектности, так и отдельные компоненты или сварные швы с повышенным риском непрохождения инспекции.
4
Автоматическое распознавание дефектов на основе машинного обучения было внедрено для поддержки промышленной радиографии лазерных сварных швов в аэрокосмическом компоненте.
5
Моделирование распределения индикаций как произведения вероятности обнаружения и экспоненциально убывающего распределения скрытых дефектов открывает возможности оценки надежности и прогнозирования дефектов сварных швов.
Research Object
лазерные сварные швы в аэрокосмическом компоненте, исследуемые методом промышленной радиографии
Research Subject
автоматическое распознавание дефектов на основе машинного обучения и статистический анализ индикаций сварных швов для контроля качества, оценки надёжности и выявления риска отказа
Publication Details
Publication Date
2024-01-28
Journal
Publisher
ISSN
Cited by
22
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Очень глубокие сверточные сети для масштабного распознавания изображений2014
ImageNet: крупномасштабная иерархическая база изображений2009
Обзор методов аугментации изображений для глубокого обучения2019
Обзор трансферного обучения2016
Автоматическое обнаружение дефектов при цифровой радиографии аэрокосмических сварных соединений с использованием глубокого обучения2022