Nie przestajemy eksplorować zastosowań sztucznej inteligencji w badaniach nieniszczących. Dziś #AI w #NDT nie oznacza już futurystycznych wizji, lecz namacalne wsparcie codziennej pracy inspektorów i działów jakości. Najszybciej rozwijającym się obszarem są systemy software’owe, które automatyzują analizę danych, poprawiają powtarzalność badań i skracają czas interpretacji wyników.
Przygotowaliśmy dla Was krótkie porównanie trzech rozwiązań, które reprezentują różne podejścia do wykorzystania AI w NDT:
🔹COMPASS (VisiConsult) COMPASS to narzędzie wyspecjalizowane w analizie obrazów radiograficznych 2D. Jego główną wartością jest automatyczne wykrywanie i wstępna klasyfikacja wskazań, co znacząco skraca czas oceny dużych serii badań RT. To podejście sprawdza się tam, gdzie proces jest powtarzalny, a wolumen danych wysoki. AI pełni rolę filtra i wsparcia decyzyjnego – odpowiedzialność nadal pozostaje po stronie inspektora.
🔹ONDIA reprezentuje inne podejście. To platforma do pracy z danymi NDT w szerszym kontekście jakościowym. Obsługuje różne metody (m.in. RT, CT, UT), umożliwia analizę 2D i 3D, porównywanie wyników w czasie oraz integrację danych z procesami produkcyjnymi. Sprawdza się szczególnie tam, gdzie NDT jest elementem systemu zarządzania jakością, a nie wyłącznie końcowym etapem kontroli.
🔹NDIcate (AutoScan-AI) koncentruje się na uniwersalności. Punktem wyjścia są dane obrazowe (np. pliki graficzne konwertowane z formatów systemowych), co pozwala stosować platformę w praktycznie każdej metodzie NDT. Umożliwia analizę i porównywanie wyników z różnych technik równocześnie, identyfikację wskazań pozornych oraz ocenę jakości danych wejściowych – w tym artefaktów czy problemów typowych dla radiografii. To podejście jest szczególnie interesujące w środowiskach, gdzie stosuje się wiele metod i formatów danych.
Osobną kategorią są rozwiązania dla tomografii komputerowej. W CT rola AI jest często kluczowa ze względu na skalę i złożoność danych 3D. Przykładem jest ZEISS ZADD Segmentation, które automatyzuje segmentację oraz wykrywanie nieciągłości, znacząco redukując czas potrzebny na analizę i poprawiając jej powtarzalność.
AI w NDT nie ma jednej twarzy. Różne narzędzia odpowiadają na różne potrzeby:
-
specjalizacja i szybkość analizy,
-
praca na dużych zbiorach danych,
-
uniwersalność i porównywalność metod,
-
zaawansowana analiza danych 3D w CT.
Które z tych podejść Waszym zdaniem ma dziś największy potencjał w praktyce przemysłowej? Specjalizowane narzędzia, platformy systemowe czy rozwiązania uniwersalne?