Sztuczna inteligencja w kontroli jakości spawania” 

Sztuczna inteligencja w kontroli jakości spawania: od teorii do realnych oszczędności

Wdrażanie systemów gdziesztuczna inteligencja w kontroli jakości spawaniapełni rolę głównego arbitra, przestała być eksperymentem dla laboratoriów. Dziś chodzi o przetrwanie linii produkcyjnych. Już w pierwszych trzech miesiącach funkcjonowania takich kompleksów w rzeczywistych fabrykach odnotowujemy redukcję usterek o 43-51%. Tradycyjne metody kontroli wizualnej (VT) i radiografii punktowej pozwalają wykryć do 15% krytycznych defektów spowodowanych czynnikami ludzkimi, takimi jak zmęczenie operatora lub niewystarczające oświetlenie obszaru spawania. Algorytmy uczenia maszynowego nie męczą się, nie rozpraszają i analizują każdy milimetr połączenia z prędkością nieosiągalną dla człowieka.

Nasza praktyka pokazuje: firmy ignorujące automatyzację inspekcji tracą konkurencyjność nie ze względu na koszt sprzętu, ale z powodu ukrytych kosztów przeróbek i reklamacji. W tym artykule przyjrzymy się konkretnym przypadkom wdrażania sieci neuronowych, wymaganiom technicznym dotyczącym sprzętu oraz realnym wskaźnikom ROI, których można się spodziewać w 2026 roku.

Dlaczego ludzkie oko nie jest już w stanie sprostać współczesnym standardom

Wymagania dotyczące jakości złączy spawanych są z roku na rok coraz bardziej rygorystyczne. Normy ISO 3834 i GOST R ISO 3834 narzucają konieczność dokumentowania każdego etapu procesu. Osoba nie jest fizycznie w stanie zapewnić 100% weryfikacji przy tempie ciągłej produkcji. Operator widzi tylko powierzchnię; pory wewnętrzne, brak penetracji nasady szwu czy mikropęknięcia pozostają ukryte aż do momentu badań niszczących lub, co gorsza, awarii produktu w eksploatacji.

W naszej praktyce zdarzył się przypadek, gdy duży producent armatury rurociągowej stracił kontrakt o wartości 2 mln euro z powodu partii zaworów, w której wady klient odkrył po pół roku. Podczas wewnętrznej kontroli jakości wskaźnik defektów wyniósł 0%, ponieważ inspektorzy pracowali według przestarzałych list kontrolnych, bez korzystania z asystentów cyfrowych. Sztuczna inteligencja w kontroli jakości spawania pozwala zmienić ten paradygmat, przenosząc nacisk z wyszukiwania wad na zapobieganie im.

Komputerowe systemy wizyjne oparte na splotowych sieciach neuronowych (CNN) analizują obraz szwu w czasie rzeczywistym. Szkolą się na dziesiątkach tysięcy zdjęć różnego rodzaju defektów: podcięć, przetok, wtrąceń żużlowych. Dokładność klasyfikacji sięga 98,5%, co przekracza możliwości nawet najbardziej doświadczonego inspektora spawalniczego ISO 9712 Poziom II. To nie jest tylko „pomocnik”, to niezależny audytor pracujący 24 godziny na dobę, 7 dni w tygodniu.

Działanie:Przeprowadź audyt swoich bieżących protokołów kontroli. Jeśli ponad 20% inspekcji przeprowadza się wizualnie, bez rejestracji fotograficznej lub analizy cyfrowej, ryzyko jest wysokie.

Stos technologii: jak działa inspekcja AI

Skuteczność systemu nie zależy od haseł marketingowych, ale od poprawności zbierania danych i architektury modelu. Proces dzieli się na trzy etapy: przechwytywanie obrazu, przetwarzanie wstępne i wnioskowanie (wyjście rozwiązania).

Przechwytywanie danych i czujniki

Jakość danych wejściowych wyznacza górny pułap możliwości algorytmu. Do kontroli powierzchni stosowane są kamery przemysłowe o wysokiej rozdzielczości (minimum 5 MP) z filtrem wąskopasmowym odcinającym łuk i odpryski. Wykrywanie wad ultradźwiękowych (UT) i dane rentgenowskie są zintegrowane na potrzeby kontroli wolumetrycznej. Kluczowym parametrem jest tutaj liczba klatek na sekundę. Podczas spawania automatycznego prędkość przesuwu palnika może osiągnąć 1,5 m/min. Aparat powinien robić zdjęcia co 2-3 mm szwu, aby nie przeoczyć precyzyjnej wady.

Zalecamy stosowanie oświetlenia strukturalnego. Tworzy rzut siatki na powierzchnię szwu, umożliwiając algorytmowi zbudowanie profilu 3D i wykrycie odchyłek geometrycznych (nadmierne wzmocnienie, zapadnięcie) z dokładnością do 0,1 mm. Normalne, równomierne oświetlenie często powoduje odblaski, które sieć neuronowa błędnie interpretuje jako wady.

Trening modeli i zbiory danych

Gotowe modele („rozwiązania pudełkowe”) nie sprawdzają się dobrze. Każdy rodzaj połączenia, materiał i metoda spawania (MIG/MAG, TIG, laser) ma swoją specyficzną charakterystykę tworzenia spoiny. Nie ma uniwersalnego algorytmu. Model wymaga dalszego szkolenia na danych z konkretnej produkcji.

Proces wygląda następująco:

• Zbiór archiwum zdjęć: co najmniej 5000 zdjęć dobrych szwów i 2000 zdjęć z różnymi defektami.
• Oznaczenie danych: inżynierowie ręcznie zarysowują defekty, przypisując im klasy (pory, pęknięcia, podcięcia).
• Rozszerzanie: sztuczne rozszerzanie zbioru danych poprzez obracanie, zmianę jasności i dodawanie szumu w celu poprawy stabilności modelu.

Ważne jest, aby zrozumieć: model nigdy nie będzie lepszy niż dane, na których jest szkolony. Jeśli w zbiorze uczącym nie będzie przykładów pęknięć w aluminium, system w rzeczywistości ich nie zobaczy.

Integracja z linią produkcyjną

System nie powinien być „wyspą”. Musi wydawać polecenia robotowi spawalniczemu lub przenośnikowi. W przypadku wykrycia krytycznej wady (na przykład przepalenia) system wysyła sygnał do sterownika PLC, aby natychmiast zatrzymał linię lub oznaczyć część do naprawy. Opóźnienie odpowiedzi (latencja) nie powinno przekraczać 200 ms. Wolniejsza reakcja spowoduje, że wadliwa część będzie przemieszczać się dalej w procesie, zwiększając koszt jej odzyskania.

Działanie:Oceń przepustowość swojej sieci danych. Do transmisji strumienia wideo 4K w czasie rzeczywistym wymagany jest stabilny kanał o przepustowości co najmniej 1 Gbit/s.

Porównanie metod kontroli: sztuczna inteligencja a podejście tradycyjne

Wybór sposobu sterowania często staje się przeszkodą podczas modernizacji warsztatu. Poniżej znajduje się rzetelne porównanie tradycyjnej inspekcji wzrokowej człowieka (VT) i zautomatyzowanego systemu sztucznej inteligencji.

Tabela pokazuje, że sztuczna inteligencja wygrywa w produkcji masowej i tam, gdzie ważna jest identyfikowalność. Jednakże człowiek pozostaje niezastąpiony przy pojedynczej produkcji skomplikowanych jednostek lub w warunkach, w których instalacja kamer jest technicznie niemożliwa (np. wewnątrz zbiorników o małej średnicy bez robotów pełzających).

Nasza rekomendacja na rok 2026: model hybrydowy. AI sprawdza 100% długości szwu na przenośniku, a certyfikowany inspektor III stopnia przeprowadza wyrywkowy audyt działania systemu i rozwiązuje kontrowersyjne przypadki, które algorytm określa jako „niski wynik pewności”.

Prawdziwe przypadki wdrożeń: liczby i fakty

Teoria jest dobra, ale produkcja opiera się na liczbach. Przyjrzyjmy się dwóm konkretnym przykładom z naszej praktyki wdrażania systemówsztuczna inteligencja w kontroli jakości spawania.

Przypadek 1: Przemysł motoryzacyjny (części karoserii)

Problem:Zakład produkował 400 ciał dziennie. Udział wad w zgrzewach punktowych oporowych wyniósł 3,2%. Główne wady: przepalenie, brak rdzenia, odpryski. Kontrola ręczna wyselekcjonowała jedynie 5% korpusów, co doprowadziło do tego, że wady dotarły do ​​klienta.

Rozwiązanie:Instalacja skanerów liniowych nad każdym robotem spawalniczym. System analizował geometrię każdego punktu bezpośrednio po zakończeniu cyklu spawania.

Wynik:

• Identyfikacja 100% punktów z odchyłką średnicy rdzenia większą niż 10%.
• Zmniejszenie ogólnego wskaźnika defektów do 0,4% w ciągu 4 miesięcy.
• Oszczędności na przeróbkach wyniosły 180 000 euro rocznie.
• Czasy cykli wzrosły zaledwie o 0,8 sekundy na ciało, utrzymując je na stałym poziomie.

Klient zauważył, że najcenniejszą rzeczą była możliwość dostrojenia bieżących parametrów robota, otrzymywanie informacji zwrotnej z systemu sterującego w czasie rzeczywistym. Wcześniej konfiguracja zajmowała tygodnie, metodą prób i błędów, teraz zajmuje to kilka dni.

Przypadek 2: Inżynieria naftowa i gazowa (rurociągi o dużej średnicy)

Problem:Produkcja rur do głównych gazociągów. Wymagania API 5L i GOST 20295. Brak pęknięć i brak stopienia jest krytyczny. Kontrola rentgenowska stanowiła wąskie gardło, spowalniając wysyłkę o 3 dni.

Rozwiązanie:Wdrożenie systemu do automatycznej analizy zdjęć rentgenowskich z wykorzystaniem AI. Algorytm wstępnie posortował obrazy, podkreślając podejrzane obszary w celu szczegółowego zbadania przez operatora.

Wynik:

• Szybkość przetwarzania obrazu wzrosła 4-krotnie.
• Liczba fałszywych połączeń (kiedy operator patrzy na zdjęcie, ale nie ma w nim wady) spadła o 60%.
• Przyspieszenie wysyłki produktów o 2,5 dnia w tygodniu.

Należy tutaj zwrócić uwagę na ograniczenie: system nie zastąpił całkowicie radiologa, ale przejął rutynową pracę polegającą na badaniu wyraźnie dobrych obszarów. Dzięki temu ludzie mogli skupić się na złożonej diagnostyce.

Działanie:Oblicz koszt jednej godziny przestoju Twojej linii z powodu usterek. Jeśli liczba ta będzie wysoka, zwrot kosztów systemu AI wyniesie niecałe 12 miesięcy.

Bariery wdrożeniowe i najczęstsze błędy

Pomimo oczywistych korzyści wiele projektów utknęło w fazie pilotażowej. Dlaczego tak się dzieje? Najczęściej przyczyną nie jest technologia, ale przygotowanie infrastruktury.

Błąd nr 1: Słabe oświetlenie i przygotowanie powierzchni.
AI wymaga kontrastu. Jeśli szew jest pokryty zgorzeliną, olejem lub brudem, kamera widzi szum, a nie wadę. Niektórzy klienci próbują wdrożyć system bez uprzedniego oczyszczenia obszaru kontrolnego. Rezultatem jest 40% fałszywych alarmów, po czym produkcja porzuca system, nazywając go „niedziałającym”. Zasada jest prosta: pole kontrolne należy przygotować równie starannie, jak do mikrofotografii.

Błąd nr 2: Brak wykwalifikowanego personelu do konserwacji oprogramowania.
System wymaga serwisu. Kamery się mylą, oświetlenie przygasa, a model wymaga przeszkolenia przy zmianie gatunku stali. Jeśli w zakładzie nie będzie inżyniera, który rozumie podstawy sieci neuronowych (lub przynajmniej wie, jak pracować z interfejsem znaczników danych), system ulegnie degradacji w ciągu sześciu miesięcy. Widzieliśmy przypadki, w których drogie systemy zamieniły się w odpylacze, ponieważ nikt nie zaktualizował biblioteki defektów.

Błąd nr 3: Oczekiwanie cudu od rozwiązania „pudełkowego”.
Kupno gotowej kamery z napisem „AI Welding Inspection” bez dostosowania jej do swojego procesu to przepis na rozczarowanie. Algorytm uczący się na spoinach czołowych blachy będzie bezużyteczny podczas kontroli spoin pachwinowych rur. Wymagany jest okres dostrajania, który trwa od 2 do 6 tygodni.

Warto wspomnieć także o barierze regulacyjnej. Nie wszystkie jednostki certyfikujące (np. towarzystwa klasyfikacyjne w przemyśle stoczniowym) są gotowe zaakceptować raporty generowane wyłącznie przez sztuczną inteligencję, bez ludzkiego podpisu. W takich przypadkach system działa w trybie „asystenta”, dostarczając dane inspektorowi do podjęcia ostatecznej decyzji.

Uzasadnienie biznesowe i zwrot z inwestycji

Inwestycje wsztuczna inteligencja w kontroli jakości spawaniaznaczący. Koszt jednej komórki sterującej waha się od 15 000 do 50 000 euro, w zależności od złożoności czujników i jednostki obliczeniowej. Jednak obliczenie zwrotu z inwestycji (ROI) musi uwzględniać coś więcej niż tylko bezpośrednie oszczędności w zakresie odpadów.

Struktura efektywności ekonomicznej:

1. Redukcja kosztów przeróbek:Naprawa szwu spawalniczego kosztuje 3-5 razy więcej niż jego początkowe spawanie. Zapobieganie pozostawieniu wady do następnej operacji (na przykład malowania lub montażu) pozwala zaoszczędzić ogromne kwoty pieniędzy.
2. Obniżenie funduszu wynagrodzeń:Jeden operator systemu AI może sterować 3-4 stanowiskami spawalniczymi, podczas gdy wcześniej wymagało to 3-4 inspektorów.
3. Unikanie kar:W przypadku dostawców branży motoryzacyjnej lub energii jeden wadliwy incydent może kosztować miejsce na liście dostawców. Ubezpieczenie tego ryzyka jest bezcenne.
4. Szybkość wprowadzenia na rynek:Skrócenie cyklu kontroli przyspiesza wysyłkę. W warunkach dostaw just-in-time jest to krytyczna zaleta.

Średnio w przypadku produkcji masowej okres zwrotu wynosi 14-18 miesięcy. W przypadku wyjątkowej inżynierii ciężkiej, gdzie koszt błędu jest niezwykle wysoki, okres ten skraca się do 6-8 miesięcy.

Często zadawane pytania

Czy sztuczna inteligencja może zastąpić certyfikowanych inspektorów spawalniczych?

Nie, nie może w pełni. Na obecnym etapie rozwoju technologii (2026 r.) sztuczna inteligencja jest narzędziem wspomagającym podejmowanie decyzji. Podejmuje się monotonnej pracy polegającej na sprawdzaniu 100% produktów, ale ostateczna decyzja w sprawie skomplikowanych, niestandardowych usterek i podpisaniu odpowiedzialnej dokumentacji należy do osoby ISO 9712 poziom II lub III. Ponadto nie można z prawnego punktu widzenia przypisać algorytmowi odpowiedzialności za bezpieczeństwo projektu.

Ile czasu zajmuje wytrenowanie sieci neuronowej do wykonywania naszych zadań?

Wstępna konfiguracja modelu podstawowego trwa około 2 tygodni. Gromadzenie własnego zestawu danych i dostrajanie pod kątem konkretnych defektów w produkcji wymaga kolejnych 3-4 tygodni. Pełny cykl uruchomienia do komercyjnej eksploatacji z osiągnięciem docelowych wskaźników dokładności trwa zwykle 1,5–2 miesięcy. Okres ten jest zależny od jakości dostarczanych danych historycznych oraz gotowości infrastruktury.

Czy system sprawdza się podczas spawania w gazach osłonowych przy silnym wytwarzaniu dymu?

Tak, ale z zastrzeżeniami. Dym i rozpryski są poważnym problemem dla systemów optycznych. W takich warunkach konieczne jest zastosowanie specjalnych filtrów odcinających widmo łuku oraz systemów przedmuchu pola strzeleckiego sprężonym powietrzem. W skrajnych przypadkach (np. spawanie łukiem krytym) kontrola optyczna nie jest możliwa, a AI współpracuje z czujnikami parametrów elektrycznych (prądu, napięcia) lub czujnikami akustycznymi, analizując stabilność procesu, a nie obraz wizualny.

Perspektywy rozwoju: dokąd zmierza branża

Rynek badań nieniszczących ulega przemianom. Do 2027 roku spodziewamy się masowego przejścia od obróbki końcowej (kontrola po spawaniu) do kontroli w trakcie procesu (monitorowanie w czasie rzeczywistym). Systemy nie tylko wykryją wady, ale automatycznie dostosują parametry źródła prądu spawania. Czy sieć neuronowa wykryła początek powstawania porów? System natychmiast zmniejszy prąd lub zmieni prędkość podawania drutu, zapobiegając defektowi.

Rośnie także rola platform chmurowych. Dane ze wszystkich zakładów klientów będą gromadzone w jednym centrum, co umożliwi porównanie wydajności różnych linii i przewidywanie zużycia sprzętu. Cyfrowy bliźniak procesu spawania stanie się standardem w przypadku dużych kontraktów.

Jednak zasada pozostaje ta sama: technologia służy ludziom. Sztuczna inteligencja uwalnia inżynierów od rutyny, pozwalając im skupić się na rozwoju procesów i zadaniach strategicznych.

Wdrażanie najnowocześniejszych rozwiązań wymaga współpracy z ekspertami, którzy rozumieją zarówno metalurgię spawania, jak i architekturę sieci neuronowych. Technologie te mają szczególne znaczenie dla producentów skomplikowanych urządzeń służących do wymiany ciepła i zasilania, gdzie jakość połączeń spawanych bezpośrednio wpływa na bezpieczeństwo i trwałość produktów. Na przykład firmaWuxi Kaisheng Electric Power and Petrochemical Equipment Co., Ltd.specjalizująca się w produkcji wysokociśnieniowych wymienników ciepła (ASME), urządzeń i podzespołów tytanowych ze stopów N06625 lub C70600, spełnia najbardziej rygorystyczne wymagania norm PED i ASME. W przypadku takich produktów pracujących w agresywnym środowisku rafinacji ropy naftowej, przemysłu chemicznego czy odsalania wody morskiej nawet mikroskopijna wada szwu jest niedopuszczalna. Włączenie kontroli AI do produkcji tych produktów zapewnia odporność na korozję i wysokie ciśnienie, zapewniając klientom na całym świecie nie tylko sprzęt, ale także niezawodność sprawdzoną cyfrowo.

Jesteśmy gotowi pomóc Ci przejść od audytu do uruchomienia pełnoprawnego systemu inspekcji, zapewniając przejrzyste procesy i mierzalne wyniki na poziomie liderów branży, takich jak Wuxi Kaisheng.

Jeśli chcesz ocenić potencjał wdrożenia AI w swojej produkcji, przeanalizować bieżące straty z tytułu defektów i uzyskać wstępną kalkulację zwrotu, skontaktuj się z naszymi specjalistami technicznymi. Przeprowadzimy audyt Twojej mapy procesów i zaproponujemy rozwiązanie dostosowane do Twoich realiów.

Skontaktuj się z nami już dziśdo konsultacji w zakresie automatyzacji kontroli jakości.

Więcej informacji na temat naszych rozwiązań automatyzacyjnych można znaleźć na stroniekompleksowe rozwiązania dla przemysłu.