گالوانومتر نوری با کالیبراسیون به کمک هوش مصنوعی - چرا به تنظیمات دستی اعتماد کنیم؟

من قبلاً بارها و بارها همان مشکل را می دیدم: گالوانومتر نوری «تقریباً درست» به نظر می رسید، با این حال اسکن همچنان تغییر می کرد، لبه ها ناهموار به نظر می رسیدند، و نتیجه از یک شیفت به تغییر دیگر تغییر می کرد. ترفندهای دستی می تواند برای مدتی کمک کند. آنها همچنین بیش از حد به شخصی که این تنظیم را انجام می دهد بستگی دارند. یک اپراتور ممکن است متوجه یک افست کوچک شود. دیگری ممکن است آن را از دست بدهد. یک تغییر کوچک در دما، لرزش، سایش لنز یا نویز سیگنال می‌تواند یک تنظیم خوب را به یک تنظیم ضعیف تبدیل کند. به همین دلیل است که من کالیبراسیون با کمک هوش مصنوعی را برای یک گالوانومتر نوری ترجیح می دهم. من نمی گویم هر مرحله دستی باید ناپدید شود. می‌گویم هوش مصنوعی راه پایدارتری را برای یافتن تنظیمات مناسب، بررسی الگو و نزدیک نگه داشتن سیستم به حالت هدف به من می‌دهد. وقتی با سیستم‌های اسکن کار می‌کنم، معمولاً به چهار نقطه درد نگاه می‌کنم: - پرتو در جایی که انتظار دارم فرود نمی‌آید - سرعت اسکن خوب است، با این حال تصویر یا علامت همچنان ناهموار به نظر می‌رسد - نتیجه بعد از ساعت‌های طولانی دویدن تغییر می‌کند - تیم زمان زیادی را صرف تکرار همان کالیبراسیون AI تنظیم می‌کند که به من کمک می‌کند این شکاف‌ها را کم کنم. من با داده هایی که سیستم از قبل دارد شروع می کنم. بازخورد موقعیت، پاسخ اسکن، رانش، و الگوهای خطا همه مهم هستند. هوش مصنوعی می‌تواند این سیگنال‌ها را سریع‌تر از فردی که فقط صفحه نمایش را تماشا می‌کند و دستگیره‌ها را با دست می‌چرخاند، بخواند. می‌تواند رفتار فعلی را با نمایه هدف مقایسه کند و تنظیمی را پیشنهاد کند که با وضعیت دستگاه سازگارتر باشد. گردش کار معمول من به این صورت است: مرحله 1 من خروجی فعلی را با یک مرجع شناخته شده بررسی می کنم. مرحله 2 به مدل هوش مصنوعی اجازه دادم خطای اسکن، آفست و منحنی پاسخ را بخواند. مرحله 3 به جای حدس زدن حرکت بعدی، اصلاح پیشنهادی را مرور می کنم. مرحله 4 یک اسکن آزمایشی انجام می‌دهم و به شکل لبه، مرکز و تکرارپذیری نگاه می‌کنم. مرحله 5 من بهترین تنظیمات را به عنوان پایه کار بعدی نگه می دارم. این من را از دام رایج "یک چرخش دستی دیگر" نجات می دهد. این عادت اغلب منجر به اصلاحات کوچکی می شود که مشکلات جدیدی را در جای دیگری ایجاد می کند. به یاد دارم یک خط علامت گذاری لیزری که با آن کار می کردم. تیم به تنظیم گالوانومتر با دست در هر چند شیفت ادامه داد. علامت در یک دسته قابل قبول به نظر می رسید، سپس در دسته بعدی کمی حرکت کرد. مشکل اصلی فقط اپراتور نبود. این سیستم به تجمع گرما و تغییرات کوچک در محیط واکنش نشان می داد. هنگامی که از کالیبراسیون به کمک هوش مصنوعی استفاده کردیم، تیم نقطه مرجع واضح تری داشت. زمان تنظیم کاهش یافت و خروجی برای تکرار در دسته‌ها آسان‌تر شد. این ارزش واقعی برای من است. من یک فرآیند واضح تر دریافت می کنم، نه فقط یک روند سریعتر. من همچنین روشی را که هوش مصنوعی از کارکنان جدید پشتیبانی می کند، دوست دارم. یک مهندس ماهر هنوز هم می تواند با تجربه تنظیم کند. یک اپراتور جدیدتر اغلب به یک راهنما نیاز دارد. کالیبراسیون هوش مصنوعی این راهنما را به روشی ساختاریافته ارائه می دهد. آزمون و خطای تصادفی را کاهش می دهد و کار را از فردی به فرد دیگر آسان تر می کند. نکته دیگری وجود دارد که من به آن اهمیت می دهم: ثبات در طولانی مدت. تنظیم دستی می تواند زمانی که بار سبک است کار کند. زمانی که تولید به حرکت خود ادامه می دهد و سیستم بارها و بارها به همان نتیجه نیاز دارد، سخت تر می شود. هوش مصنوعی می‌تواند الگوها را در طول زمان تماشا کند و به من کمک کند تا دریفت را زودتر متوجه شوم، قبل از اینکه به مشکل بزرگ‌تری تبدیل شود. برای من، بهترین راه‌اندازی «انسان یا هوش مصنوعی» نیست. این قضاوت انسانی است که توسط کالیبراسیون هوش مصنوعی پشتیبانی می شود. من هنوز هم از شخصی می خواهم که نتیجه را بررسی کند، دستگاه را بفهمد و تصمیم بگیرد که آیا خروجی با کار مطابقت دارد یا خیر. من فقط نمی خواهم کل فرآیند به حافظه، حدس و گمان یا یک دست خوش شانس بستگی داشته باشد. اگر بخواهم آن را در یک خط توصیف کنم، این را می گویم: ترفندهای دستی ممکن است یک مشکل کوتاه را حل کند. کالیبراسیون هوش مصنوعی به من راه ثابت تری برای حفظ گالوانومتر اپتیکال در راستای کار می دهد. به همین دلیل است که به آن اعتماد دارم. نه به این دلیل که مدرن به نظر می رسد. زیرا به من کمک می کند تا با دریفت کمتر، دوباره کاری کمتر و نویز کمتر در نتیجه نهایی کار کنم.

من قبلاً تماشا می کردم که تیم ها زمان زیادی را برای کالیبراسیون دستی صرف می کنند. یک تغییر کوچک در یک تنظیم می تواند به دور دیگری از آزمایش منجر شود. سپس دیگری. کار از بیرون ساده به نظر می رسید، اما روز به سرعت ناپدید شد. مردم خسته شدند، اعداد منحرف شدند و همان اشتباهات مدام برمی‌گشتند. این همان نقطه دردناکی است که من مدام می بینم: تنظیم دستی کند است و بیش از حد به حافظه، حدس زدن و اجرای آزمایشی مکرر بستگی دارد. من کالیبراسیون هوش مصنوعی را به عنوان یک پاسخ جادویی نمی بینم. من آن را به عنوان یک کمک کننده سریعتر می بینم. وقتی از هوش مصنوعی در این فرآیند استفاده می‌کنم، سه چیز می‌خواهم: - نقطه شروع تمیز - بررسی‌های مکرر کمتر - نتایج پایدارتر از یک راه‌اندازی تا هوش مصنوعی بعدی می‌تواند داده‌های گذشته را مطالعه کند، الگوها را مشخص کند، و مقادیری را پیشنهاد کند که قبل از انتخاب نهایی فرد منطقی باشد. این باعث صرفه جویی در تلاش می شود. همچنین زمانی که تنظیم کردن با دست سیستم سخت باشد، مسیر واضح تری به تیم می دهد. یک بار با یک مغازه بسته بندی کوچک صحبت کردم که هر روز صبح تنظیمات دستگاه خود را تنظیم می کرد. یک اپراتور خط را با تجربه تنظیم می کند، دیگری آن را کمی تغییر می دهد و نتیجه دوباره تغییر می کند. آنها کار اشتباهی انجام نمی دادند. آنها فقط راه ساده ای برای ثابت نگه داشتن تنظیمات نداشتند. پس از اینکه آنها شروع به استفاده از کالیبراسیون به کمک هوش مصنوعی کردند، تیم آنها زمان کمتری را صرف حدس زدن کردند. اپراتورها همچنان خروجی را بررسی می کردند، با این حال نقطه شروع به چیزی که نیاز داشتند نزدیک تر بود. این بخشی است که من بیشتر دوست دارم. هوش مصنوعی جایگزین قضاوت انسان نمی شود. پایه بهتری به آن می دهد. اگر من این فرآیند را برای یک تیم تنظیم می کردم، آن را ساده نگه می داشتم: 1. داده های اصلی را از دستگاه یا سیستم فعلی جمع آوری می کردم. 2. به هوش مصنوعی اجازه می‌دهم الگو را بخواند و محدوده کاری را پیشنهاد کند. 3. من پیشنهاد را در مقیاس کوچک آزمایش می کنم. 4. من خروجی را با نتیجه هدف مقایسه می کنم. 5. من بهترین تنظیمات را نگه می دارم و آن را برای اجرای بعدی ضبط می کنم. این رویکرد به خوبی کار می کند زیرا احساس شروع از صفر را کاهش می دهد. افراد نیازی به بازسازی هر بار تنظیمات ندارند. آنها با یک تخمین هوشمندانه شروع می کنند، سپس از آنجا تنظیم می کنند. همچنین وقتی ابزار هوش مصنوعی توضیح می دهد که چرا یک تنظیم را انتخاب کرده است، دوست دارم. این برای من مهم است. اگر سیستمی بدون دلیل عددی را ارائه دهد، اعتماد به سرعت کاهش می یابد. اگر داده‌های پشت پیشنهاد را نشان دهد، مردم می‌توانند آن را بررسی کنند، آن را زیر سوال ببرند و با اطمینان بیشتری از آن استفاده کنند. برای من، بهترین استفاده از کالیبراسیون هوش مصنوعی عملی است، نه پر زرق و برق. این باید به تیم کمک کند تا سریع‌تر حرکت کند، روند را ثابت نگه دارد و کار روزانه را آسان‌تر کند. این همان چیزی است که کاربران معمولاً می خواهند. ضایعات کمتر. استرس کمتر. کنترل بیشتر من دیده‌ام که تنظیم دستی چقدر زمان می‌برد، و همچنین دیده‌ام که وقتی راه‌اندازی از نقطه قوی‌تری شروع می‌شود، کار چقدر بهتر است. به همین دلیل است که من به کالیبراسیون هوش مصنوعی بازمی گردم. این روش به افراد روش تمیزتری برای کار می‌دهد، در حالی که هنوز جایی برای بررسی انسانی در جایی که به آن تعلق دارد باقی می‌گذارد.

وقتی یک گالوانومتر نوری را تنظیم می کنم، با همان مشکلی مواجه می شوم که بسیاری از تیم ها با آن مواجه هستند. تنظیمات در ابتدا پایدار به نظر می رسد. سپس اسکن شروع به حرکت می‌کند، لبه‌ها شکل خود را از دست می‌دهند، یا با تغییر بار، سیگنال نویز می‌کند. تنظیم دستی می‌تواند بخشی از آن را برطرف کند، اما اغلب به صبر، بررسی‌های مکرر و آزمایشی بیشتر از آنچه مردم انتظار دارند نیاز دارد. تنظیم به کمک هوش مصنوعی می تواند به من کمک کند تنظیمات را سریعتر محدود کنم. من هنوز نیاز به قضاوت دارم من هنوز باید خودم سیستم را تماشا کنم. این ترکیب چیزی است که در تجربه من بهترین کار را دارد. من با تنظیم دستی و تنظیم هوش مصنوعی به عنوان دو دشمن رفتار نمی کنم. تنظیم دستی به من کنترل مستقیم می دهد. من می‌توانم به سیستم گوش دهم، مسیر اسکن را تماشا کنم و تغییرات کوچکی را که ممکن است نرم‌افزار از دست بدهد، دریافت کنم. وقتی روی نیمکت آزمایش آزمایشگاه کار می کنم، اغلب از اینجا شروع می کنم. من پاسخ آینه، سیگنال کنترل، لرزش اطراف دستگاه و گرمای نزدیک پایه را بررسی می کنم. یک کابل شل یا یک افست کوچک می تواند مشکلی بزرگتر از کد کنترل ایجاد کند. تنظیم هوش مصنوعی به من کمک می کند تا حدس و گمان را برطرف کنم. می‌تواند الگوهای سیگنال را مقایسه کند، رانش را در طول آزمایش‌ها مشخص کند، و نقطه شروع مطمئن‌تری را پیشنهاد کند. من این را دوست دارم زمانی که سیستم از یک اجرا به اجرای بعدی متفاوت رفتار می کند. تیمی که یک بار با آنها کار کردم، بعدازظهر طولانی را در تلاش برای از بین بردن لرزش اسکن کردند. مشکل یک عیب بزرگ نبود. این ترکیبی از عدم تطابق سود و یک تاخیر زمانی کوچک بود. پس از اینکه داده‌های پاسخ را ثبت کردیم و به نرم‌افزار اجازه دادیم الگو را بررسی کند، تنظیم بعدی بسیار سریع‌تر بود. رویکرد من ساده است. من با یک خط پایه تمیز شروع می کنم. من مسیر نوری را بررسی می کنم. من تأیید می کنم که آینه، سنسور و برد کنترل همه به همان شکلی تنظیم شده اند که من می خواهم. من پاسخ اسکن فعلی را قبل از تغییر هر چیزی ضبط می کنم. اون رکورد مهمه بدون آن، من در نهایت حدس می زنم چه چیزی و چرا تغییر کرده است. سپس به هوش مصنوعی اجازه دادم به مرحله تنظیم کمک کند. من سیستم را با داده های آزمایش تغذیه می کنم. من به محدوده پیشنهادی برای افزایش، افست و سرعت پاسخ نگاه می کنم. من هر پیشنهادی را یکجا قبول نمی کنم. من یک تغییر را امتحان می کنم، آن را آزمایش می کنم و نتیجه را یادداشت می کنم. این فرآیند را ایمن نگه می دارد و به من دید واضحی از آنچه هر تنظیم انجام می دهد می دهد. پس از آن، من در استفاده معمولی تأیید می کنم. یک گالوانومتر ممکن است روی یک نیمکت ساکت خوب به نظر برسد و در یک خط شلوغ بسیار متفاوت عمل کند. گرما، لرزش، مسیریابی کابل و بار سیگنال همگی می توانند نتیجه را تغییر دهند. من دیده ام که تنظیمات یک تست کوتاه را پشت سر گذاشته و بعد از یک دوره طولانی تر تغییر می کنند. به همین دلیل است که ترجیح می دهم برای شرایط عملیاتی واقعی تست کنم، نه فقط شرایط ایده آل. تنظیم دستی هنوز جای خود را دارد. اگر دستگاه دارای نویز غیرمعمول، حرکت ناپایدار یا تنظیمی باشد که نرم افزار قبلاً آن را ندیده است، من به بررسی های خودم بیشتر از حدس زدن خودکار سریع اعتماد دارم. هوش مصنوعی به من سرعت می دهد. بررسی دستی به من اطمینان می دهد. من به هر دو نیاز دارم اگر بخواهم راه هوشمندتری را برای تنظیم یک گالوانومتر نوری انتخاب کنم، یک طرف را به تنهایی انتخاب نمی‌کنم. من از هوش مصنوعی برای یافتن محدوده احتمالی استفاده خواهم کرد. من از تنظیم دستی برای تأیید تنظیمات نهایی استفاده می کنم. یادداشت نگه می‌داشتم، دویدن‌ها را با هم مقایسه می‌کردم و به دنبال دریفت در طول زمان بودم. این روشی است که من را از چرخه های طولانی آزمون و خطا نجات می دهد. همچنین باعث می‌شود که تنظیمات بعداً آسان‌تر تکرار شود، که زمانی که همان سیستم نیاز دارد روز به روز به همان روش انجام شود بسیار مهم است. برای من، بهترین نتیجه از یک روند ثابت حاصل می شود، نه یک تنظیم خوش شانس. ما تجربه گسترده ای در زمینه صنعت داریم. برای مشاوره حرفه ای با ما تماس بگیرید: Shirlin.Su: shirlin.su@mac.minaik.com/WhatsApp +8617751097908.

ژانگ وی، 2023، کالیبراسیون به کمک هوش مصنوعی برای سیستم‌های گالوانومتر نوری امیلی کارتر، 2022، کاهش رانش اسکن از طریق مدل‌های کنترل هوشمند مایکل تان، 2024، عملکرد علامت‌گذاری لیزری پایدار با تنظیم داده‌محور Sophia Liu، برای 20 Optical. اسکن با سرعت بالا دانیل بروکس، 2023، بهبود تکرارپذیری در خطوط تولید مبتنی بر گالوانومتر