Sztuczna inteligencja wykrywa wady w produkcji, adaptując się do zmiennych warunków
Wraz z rozwojem idei inteligentnych fabryk, systemy detekcji wad oparte na sztucznej inteligencji stają się coraz powszechniejsze. Dotychczas jednak napotykały na poważny problem: gdy tylko proces produkcyjny ulegał zmianie – czy to poprzez wymianę maszyn, czy fluktuacje warunków otoczenia – skuteczność tych systemów dramatycznie spadała.
Zespół badawczy pod kierownictwem profesora Jae-Gil Lee z KAIST (Korea Advanced Institute of Science and Technology) znalazł rozwiązanie. Stworzyli oni nową technologię adaptacji domen w szeregach czasowych, która pozwala modelom AI zachować wysoką skuteczność detekcji wad, nawet w zmiennym środowisku, bez konieczności kosztownego i czasochłonnego ponownego uczenia.
Klucz do sukcesu: Adaptacja do zmian w czasie rzeczywistym
Technologia ta umożliwia modelom AI, analizującym dane zmienne w czasie (temperatura, wibracje maszyn, zużycie energii, sygnały z czujników), utrzymanie stabilnej wydajności, nawet gdy środowisko uczenia różni się od środowiska rzeczywistego zastosowania. Zespół profesora Lee zwrócił uwagę na fakt, że problem polega nie tylko na różnicach w rozkładzie danych, ale także na zmianach w samych wzorcach występowania wad.
„Przykładowo, w procesach produkcji półprzewodników modyfikacja sprzętu może wpłynąć na proporcje wad w kształcie pierścienia i zarysowań,” tłumaczą autorzy.
TA4LS: Nowe podejście do analizy danych
Opracowana metoda polega na dekompozycji danych z czujników nowego procesu na trzy komponenty: trendy, nietrendy i częstotliwości. AI analizuje te składowe indywidualnie, podobnie jak człowiek rozpoznaje anomalie, łącząc informacje o wysokości dźwięku, wzorcach wibracji i okresowych zmianach w odgłosach maszyn. W ten sposób powstała technologia TA4LS (Time-series domain Adaptation for mitigating Label Shifts), która automatycznie koryguje prognozy, porównując wyniki istniejącego modelu z informacjami o klastrach danych nowego procesu, precyzyjnie dostosowując je do nowych warunków.
Jedną z kluczowych zalet tego rozwiązania jest jego praktyczność. Może być ono łatwo zintegrowane z istniejącymi systemami AI jako dodatkowy moduł, niezależnie od stosowanej technologii.
Potwierdzona skuteczność
W eksperymentach z wykorzystaniem czterech zbiorów danych referencyjnych, reprezentujących różne rodzaje zmienionych danych z czujników, technologia TA4LS osiągnęła poprawę dokładności do 9.42% w porównaniu z dotychczasowymi metodami. Szczególnie imponujące wyniki odnotowano w sytuacjach, gdy zmiany w procesie powodowały duże różnice w rozkładzie etykiet, czyli we wzorcach występowania wad.
Przyszłość inteligentnej produkcji
Profesor Jae-Gil Lee podkreśla, że opracowana technologia rozwiązuje problem ponownego uczenia modeli, będący dotychczasową barierą we wdrażaniu sztucznej inteligencji w produkcji. Komercjalizacja tego rozwiązania może znacząco przyczynić się do upowszechnienia inteligentnych fabryk, poprzez redukcję kosztów utrzymania i poprawę wskaźników wykrywalności defektów.
Szczegółowe informacje na temat badania dostępne są w publikacji Jihye Na et al., Mitigating Source Label Dependency in Time-Series Domain Adaptation under Label Shifts, Proceedings of the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (2025). DOI: 10.1145/3711896.3737050.
