KnitVision؛ وقتی هوش مصنوعی ایراد پارچه را همان لحظه روی ماشین گردبافی تشخیص میدهد
در صنعت بافندگی، بسیاری از مشکلات کیفی زمانی شناسایی میشوند که بخشی از تولید انجام شده است. یک ایراد کوچک در نخ، سوزن یا تنظیمات ماشین میتواند در صورت تشخیص دیرهنگام، در طول دهها یا حتی صدها متر پارچه تکرار شود و علاوه بر افت کیفیت، ضایعات و هزینه قابل توجهی برای کارخانه ایجاد کند.
شرکت Joula با توسعه سیستم KnitVision تلاش کرده این مسئله را به نقطهای بسیار زودتر از کنترل نهایی پارچه منتقل کند؛ یعنی درست به زمانی که پارچه روی ماشین گردبافی در حال تولید است.
KnitVision یک سیستم هوشمند پایش پارچه است که با استفاده از تصویربرداری و پردازش مبتنی بر هوش مصنوعی، پارچه را در حین بافت بررسی کرده و انواع ناهنجاریها و ایرادات را شناسایی میکند. هدف اصلی این فناوری ساده اما مهم است: تشخیص سریعتر ایراد، توقف بهموقع ماشین و جلوگیری از ادامه تولید پارچه معیوب.
KnitVision چگونه کیفیت پارچه را هنگام تولید کنترل میکند؟
براساس اطلاعات ارائهشده از سوی Joula، این سیستم قادر است پارچه را هنگام بافت تحت پایش قرار دهد و ایرادهای مختلف را شناسایی کند.
سیستم تنها به یک نوع عیب محدود نیست و میتواند ایرادهای عمودی، افقی و نامنظم را مورد بررسی قرار دهد.
در یکی از نمونههای ارائهشده، ایرادی بسیار کوچک روی پارچه نمایش داده شده که شاید در شرایط عادی بهراحتی از چشم اپراتور دور بماند. همین مسئله یکی از نکات کلیدی کنترل کیفیت در تولید پارچه است: یک ایراد کوچک، اگر بهموقع تشخیص داده نشود، میتواند بارها در طول تولید تکرار شود.
KnitVision برای مقابله با این مشکل، فرآیند کنترل کیفیت را از یک فعالیت صرفاً انسانی و دورهای به یک فرآیند پیوسته در کنار ماشین تبدیل میکند.
از تشخیص ایراد تا توقف سریع ماشین
یکی از قابلیتهای مهم KnitVision، امکان واکنش سریع پس از تشخیص مشکل است.
براساس توضیحات Joula، سیستم میتواند ایرادهای پارچه را شناسایی کرده و در صورت لزوم سیگنال توقف ایجاد کند. این موضوع به اپراتور فرصت میدهد قبل از آنکه حجم بیشتری از پارچه معیوب تولید شود، مشکل را بررسی کند.
در این سیستم، انواع ایرادها میتوانند براساس نوع و فراوانی دستهبندی شوند. این اطلاعات فقط برای تشخیص لحظهای مشکل کاربرد ندارد، بلکه میتواند دید دقیقتری از وضعیت کیفی فرآیند تولید در اختیار مدیران و اپراتورها قرار دهد.
به این ترتیب کنترل کیفیت از مرحله «پیدا کردن ایراد در محصول تولیدشده» به سمت پیشگیری از ادامه تولید معیوب حرکت میکند.
همچنین بخوانید: مصاحبه با مهندس رضا معتمدی، مدیرعامل گروه مهندسی و بازرگانی معتمدتکس و معرفی تکسورا: اولین دستیار هوشمند نساجی
سنسور کنترل پارچه و پردازش تصویر مبتنی بر هوش مصنوعی
بخش مهمی از KnitVision به سیستم تصویربرداری آن مربوط میشود.
Joula اعلام کرده است که سنسور کنترل پارچه KnitVision با استفاده از هوش مصنوعی و پردازش تصویر اختصاصی، هنگام بافت نقش چشم سیستم را ایفا میکند.
تصاویر پارچه به سیستم منتقل میشوند و الگوریتمها به دنبال الگوهای غیرعادی و ایرادات احتمالی میگردند. مزیت این رویکرد آن است که کنترل کیفیت میتواند همزمان با فرآیند تولید انجام شود، نه اینکه کارخانه برای مشاهده بسیاری از مشکلات تا مراحل بعدی منتظر بماند.
گزارشهای خودکار؛ از تشخیص مشکل تا شناخت الگوی ایرادات
ارزش یک سیستم کنترل کیفیت هوشمند تنها در اعلام وجود یک ایراد نیست. اطلاعات جمعآوریشده زمانی ارزش بیشتری پیدا میکنند که بتوان از آنها برای شناخت بهتر فرآیند تولید استفاده کرد.
KnitVision گزارشهایی از ایرادات شناساییشده ارائه میکند و آنها را براساس نوع و فراوانی دستهبندی میکند.
چنین اطلاعاتی میتواند به تیم تولید کمک کند تا متوجه شود کدام ایرادات بیشتر تکرار میشوند و چه بخشهایی از فرآیند نیاز به بررسی بیشتری دارند.
در واقع کارخانه به جای اتکا صرف به مشاهده موردی اپراتورها، میتواند سابقهای ساختاریافتهتر از مشکلات کیفی تولید در اختیار داشته باشد.
اتصال KnitVision به اکوسیستم دیجیتال Joula
یکی دیگر از نکات قابل توجه این سیستم، اتصال آن به زیرساخت دیجیتال Joula است.
در معماری معرفیشده، تصاویر پارچه و اطلاعات مربوط به ایرادات از طریق سیستم جمعآوری و پردازش شده و دادههای KnitVision میتوانند به سامانه KnitNet منتقل شوند. همچنین ارتباط با زیرساخت ابری امکان دسترسی و مدیریت اطلاعات تولید را در سطح گستردهتری فراهم میکند.
این ساختار نشان میدهد که KnitVision صرفاً یک دوربین تشخیص عیب نیست، بلکه بخشی از یک اکوسیستم گستردهتر برای پایش و مدیریت هوشمند تولید بافندگی محسوب میشود.
چرا تشخیص لحظهای ایراد برای کارخانه اهمیت دارد؟
یکی از پرهزینهترین سناریوها در تولید پارچه زمانی اتفاق میافتد که ماشین بدون تشخیص یک مشکل به کار خود ادامه دهد.
تنظیم نامناسب ماشین، ایرادات ایجادشده در لحظه بافت یا مشکلاتی که از دید اپراتور پنهان میمانند، میتوانند باعث ادامه تولید پارچهای شوند که در نهایت قابل عرضه با کیفیت مورد انتظار نیست.
Joula در معرفی KnitVision بر همین مسئله تمرکز کرده است: هرچه فاصله میان ایجاد ایراد و تشخیص آن کوتاهتر شود، امکان جلوگیری از تولید ضایعات بیشتر خواهد بود.
این موضوع بهویژه در خطوط تولیدی که ماشینها با سرعت بالا و برای مدت طولانی فعالیت میکنند، اهمیت بیشتری پیدا میکند.
یک ایراد کوچک چگونه میتواند به یک مشکل بزرگ تبدیل شود؟
در یکی از نمونههای ارائهشده برای KnitVision، یک ایراد کوچک روی سطح پارچه در مقیاس بزرگنماییشده نمایش داده شده است. در ظاهر ممکن است چنین ایرادی ناچیز به نظر برسد، اما اگر همان نقص در طول تولید بارها تکرار شود، نتیجه میتواند مقدار قابل توجهی پارچه خارج از استاندارد موردنظر کارخانه باشد.
این دقیقاً همان نقطهای است که سیستمهای کنترل کیفیت حین تولید میتوانند ارزش خود را نشان دهند.
هدف این نیست که کنترل انسانی کاملاً حذف شود؛ بلکه فناوری میتواند به اپراتور کمک کند زودتر ببیند، سریعتر تصمیم بگیرد و قبل از گسترش مشکل واکنش نشان دهد.
KnitVision و حرکت به سمت کارخانه بافندگی هوشمند
دیجیتالیشدن صنعت نساجی زمانی ارزش واقعی پیدا میکند که مستقیماً روی کیفیت، ضایعات، بهرهوری و تصمیمگیری کارخانه اثر بگذارد.
راهکارهایی مانند KnitVision نمونهای از حرکت کنترل کیفیت از روشهای سنتی و واکنشی به سمت سیستمهای پیوسته، دادهمحور و هوشمند هستند.
ترکیب تصویربرداری، هوش مصنوعی، تشخیص خودکار ایراد، امکان توقف ماشین، گزارشدهی و اتصال به اکوسیستم دیجیتال میتواند اطلاعاتی ایجاد کند که هم برای اپراتور ماشین و هم برای مدیریت تولید قابل استفاده باشد.
برای صنعت بافندگی، سؤال مهم دیگر صرفاً این نیست که «پارچه معیوب است یا خیر؟»؛ بلکه سؤال این است که ایراد در چه زمانی ایجاد شد، چند بار تکرار شد و کارخانه با چه سرعتی توانست آن را تشخیص دهد و متوقف کند؟
فناوریهایی مانند Joula KnitVision دقیقاً بر کاهش این فاصله میان ایجاد مشکل و واکنش کارخانه تمرکز دارند؛ موضوعی که میتواند یکی از اجزای مهم حرکت کارخانههای بافندگی به سمت تولید هوشمندتر و کنترل کیفی دقیقتر باشد.
