طراحی ماشین ابزار هوشمند با استفاده از مکاترونیک

محققان از تکنیک های مکاترونیک برای کاربردهای مختلف استفاده کردند. یکی از کاربردها طراحی ماشین ابزار هوشمند است [7]. این برنامه کاربرد ابزارهای CAx یکپارچه را برای راه اندازی یک نمونه اولیه مجازی توضیح می دهد که امکان ارزیابی و بهینه سازی پویایی حرکت کل ماشین ابزار را در مراحل اولیه فرآیند توسعه فراهم می کند. با توجه به توسعه طراحی ماشین و فن آوری محرکه، ماشین ابزارهای مدرن با کنترل عددی را می توان به میزان فزاینده ای به عنوان نمونه های مشخصی از سیستم های مکاترونیک پیچیده توصیف کرد [8]. یکی از ویژگی‌های متمایز سیستم‌های مکاترونیک دستیابی به عملکرد سیستم از طریق یکپارچه‌سازی شدید زیرعملکردهای الکترونیکی و اطلاعاتی بر روی یک حامل مکانیکی است [9].

 

در تحقیقی دیگر، درونیابی مسیر ابزار کنترل حرکت NC برای دینامیک حرکت قابل حصول و خطای کانتور ناشی از آن، به ویژه برای حرکات ماشین بسیار پویا، اهمیت زیادی دارد. خطای کانتور شامل خطای ردیابی محورهای تغذیه و انحرافات TCP ناشی از اثرات فیزیکی ساختار ماشین انعطاف پذیر است. به منظور کاهش خطای کانتورینگ، کنترل‌کننده‌های NC مدرن از دو رویکرد تکنولوژیکی اصلی استفاده می‌کنند [10].

 

فن‌آوری نوری با سرعتی سریع در سیستم‌های مکاترونیک گنجانده شده است و در نتیجه تعداد زیادی ماشین/سیستم با اجزای نوری هوشمند ارائه شده است که با تجزیه و تحلیل ویژگی‌های فناوری، مفهوم، تعریف و ویژگی‌های اساسی فناوری را معرفی می‌کند. انواع سیستم های اپتو مکاترونیک عملی [11]. عناصر نوری به طور فزاینده ای با سرعتی شتابان در سیستم های مکاترونیک گنجانده شده اند و بالعکس [12-19].

 

اپتو مکاترونیک ریشه در پیشرفت های تکنولوژیک مکاترونیک و اپتوالکترونیک دارد. شکل 3 زمان بندی آن تحولات را نشان می دهد [20]. در دهه 1960، انقلاب الکترونیکی با ادغام ترانزیستورها و سایر دستگاه های نیمه هادی در مدارهای یکپارچه به وقوع پیوست، و در سال 1971، فناوری ساخت نیمه هادی تأثیر شگرفی بر طیف وسیعی از زمینه های تکنولوژیکی گذاشت. در دهه 1980، فناوری نیمه هادی سیستم های میکروالکترومکانیکی (MEMS) را نیز ایجاد کرد و این امر باعث ایجاد بعد جدیدی از ماشین ها/سیستم ها شد و ابعاد آنها را ریز اندازه کرد.

کارکردها و نقش‌های اصلی عناصر مکاترونیک در سیستم‌های اپتومکاترونیک را می‌توان به پنج حوزه فن‌آوری زیر طبقه‌بندی کرد [21]: حس کردن، فعال‌سازی، بازخورد اطلاعات، کنترل حرکت/حالت، و هوش تعبیه‌شده با ریزپردازنده.

 

در چند سال اخیر طراحی مجازی ماشین ابزار به طور گسترده در چندین آزمایشگاه اتوماسیون ساخت و مهندسی تولید دانشگاه ها و موسسات تحقیقاتی مورد مطالعه قرار گرفته است. این فناوری جدید عمدتاً در مراکز ماشینکاری (MCs) برای فرزکاری با سرعت بالا (HSM) مورد مطالعه و اعمال قرار می گیرد، ساخت قالب های پیچیده، قالب ها و قطعات هوافضا در حال حاضر یک بخش استراتژیک مهندسی تولید است. تقریباً صد مقاله مرتبط [7، 22-25] اخیراً در مورد این موضوعات در مجلات مهندسی پیشرو منتشر شده و در چندین کنفرانس فنی ارائه شده است. این نشان دهنده علاقه قابل توجه، چه صنعتی و چه دانشگاهی، به طراحی مجازی است.

 

با این حال، برای تولیدکنندگان CNC و کاربران MC، بهره‌برداری کامل از فناوری ابزار ماشین مجازی هنوز نیازمند پیشرفت‌های اساسی [22] است که عمدتاً در زمینه‌های شبیه‌سازی فرآیند برش و ادغام کامل همه ماژول‌های تحلیل در یک محیط کاربرپسند است. ادغام دو مدل در یک محیط شبیه‌سازی در حال حاضر امکان‌پذیر است و امکان مطالعه برهم‌کنش‌های بین دینامیک این ساختارهای مکانیکی فعال و غیرفعال را فراهم می‌کند [22، 26]. بهینه سازی عملکرد آنها یک پیش نیاز اساسی برای اطمینان از بهره وری در سطح کارگاه است: زمان ماشینکاری سریع، دقت ابعادی مورد نیاز، و کیفیت سطح خوب قطعات کار. گوربوز [27] رویکرد مکاترونیک را برای طراحی دستگاه فرز CNC رومیزی ارائه کرد.

 

زیمنس طراح مفهومی مکاترونیک را با یک راه حل جدید طراحی ماشین یکپارچه معرفی کرد که ماشین ابزار و ماشین آلات تولید را توسعه و به بازار عرضه می کند [28]. طراح مفهومی مکاترونیک یک تغییر پارادایم را برای صنعت با رویکرد مهندسی سیستم جدید به طراحی ماشین نشان می دهد که ورودی "صدای مشتری" را دریافت می کند، نیازهای اولیه را مدیریت می کند، و تعریف و شبیه سازی همزمان پیچیده مکانیکی، الکتریکی و اتوماسیون را تسهیل می کند. نرم افزاری که در ماشین ابزارهای پیچیده امروزی یافت می شود. با استفاده آسان و قابلیت شبیه سازی تعاملی مبتنی بر فناوری پیشگامانه «بازی»، طراح مفهومی مکاترونیک می تواند به کاهش قابل توجه زمان توسعه و بهبود کیفیت محصول برای صنعت طراحی ماشین آلات جهانی کمک کند.

سییستم یادگیری ماشین های صنعتی

محاسبات را به عنوان زبان رایج بخوان، ما راه درازی را پیموده ایم، اما سفر پیش رو هنوز طولانی است. هیچ یک از ماشین های هوشمند امروزی به وسعت و عمق هوش انسان نزدیک نمی شوند. در بسیاری از برنامه‌های کاربردی دنیای واقعی، همانطور که توسط AlphaGo و چالش علمی Allen AI نشان داده شده است، مشخص نیست که آیا فرمول‌بندی مسئله به طور منظم در یادگیری کامل قرار می‌گیرد یا خیر. مشکل ممکن است دارای یک جزء بزرگ باشد که می‌توان آن را با استفاده از یک الگوریتم هوش مصنوعی بدون مؤلفه یادگیری مدل‌سازی کرد، اما ممکن است محدودیت‌های اضافی یا دانش گمشده وجود داشته باشد که مشکل را خارج از رژیم خود قرار دهد و یادگیری ممکن است به پر کردن شکاف کمک کند. به طور مشابه، دانش برنامه ریزی شده و استدلال ممکن است به یادگیرندگان کمک کند تا شکاف های خود را پر کنند. بین هوش مصنوعی و ML تفاوت متقارن وجود دارد، و رفتار هوشمند در ماشین‌ها یک جست‌وجو مشترک است، با بسیاری از مشکلات تحقیقاتی باز گسترده و جذاب:

 

• چگونه کامپیوترها می توانند در مورد داده های پیچیده مانند داده های چندوجهی، نمودارها و پایگاه های داده نامشخص استدلال کنند و یاد بگیرند؟

 

• چگونه می توان از دانش از قبل موجود بهره برداری کرد؟

 

• چگونه می توانیم اطمینان حاصل کنیم که ماشین های یادگیری محدودیت های داده شده را برآورده می کنند و تضمین های خاصی را ارائه می دهند؟

 

• چگونه کامپیوترها می توانند به طور مستقل بهترین نمایش را برای داده های در دست تصمیم بگیرند؟

 

• چگونه الگوریتم های مختلف را که شامل الگوریتم های آموخته شده یا ناآموخته می شود، هماهنگ می کنیم؟

 

• چگونه ML و AI را دموکراتیک کنیم؟

 

• آیا نتایج آموخته شده از نظر فیزیکی قابل قبول یا به راحتی برای ما قابل درک است؟

 

• چگونه کامپیوترها را با ما در حلقه یاد بگیرند؟

 

• چگونه کامپیوترها را با کمک و داده های کمتری که ما ارائه می کنیم، یاد بگیرند؟

 

• آیا آنها می توانند به طور مستقل بهترین محدودیت ها و الگوریتم ها را برای یک کار در دست تصمیم گیری کنند؟

 

• چگونه می‌توانیم رایانه‌ها را به اندازه انسان‌ها، به شیوه‌ای سریع، انعطاف‌پذیر و قابل توضیح، درباره جهان یاد بگیرند؟

پاسخ به این سؤالات و سایر سؤالات مشابه، رویای ماشین های هوشمند و مسئولیت پذیر را در دسترس قرار می دهد. محاسبات کاملاً برنامه‌ریزی‌شده، همراه با محاسبات برنامه‌ریزی‌شده مبتنی بر یادگیری، به تعمیم بهتر، فراتر از داده‌های خاصی که دیده‌ایم، کمک می‌کنند که آیا تلفظ جدید یک کلمه یا یک تصویر به‌طور قابل‌توجهی با تلفظ‌هایی که قبلا دیده‌ایم متفاوت است. آنها به ما اجازه می دهند به طور قابل توجهی فراتر از یادگیری نظارت شده، به سمت یادگیری تصادفی و بدون نظارت برویم، که چندان به داده های آموزشی برچسب گذاری شده بستگی ندارد. آنها زمینه مشترکی برای دستکاری های مداوم، عمیق و نمادین فراهم می کنند. آنها به ما اجازه می دهند که بینش هایی را از علوم شناختی و سایر رشته ها برای ML و AI بدست آوریم. آنها به ما این امکان را می دهند که بیشتر بر روی کسب دانش عقل سلیم و استدلال علمی تمرکز کنیم، در حالی که مسیر روشنی را برای دموکراتیزه کردن فناوری ML-AI، همانطور که توسط De Raedt و همکاران پیشنهاد شده است، فراهم می کنند. (1395) و کردجمشیدی و همکاران. (2018). ساختن سیستم‌های هوشمند نیازمند تخصص در علوم کامپیوتر و مهارت‌های برنامه‌نویسی گسترده برای کار با روش‌های مختلف استدلال ماشینی و یادگیری در سطح نسبتاً پایینی از انتزاع است. ساختن سیستم های هوشمند همچنین نیازمند کاوش آزمایشی و خطای گسترده برای انتخاب مدل، پاکسازی داده ها، انتخاب ویژگی و تنظیم پارامتر است. در واقع فقدان درک نظری وجود دارد که بتوان از آن برای حذف این ظرافت ها استفاده کرد. زبان‌های برنامه‌نویسی مرسوم و پارادایم‌های مهندسی نرم‌افزار نیز برای رسیدگی به چالش‌هایی که متخصصان هوش مصنوعی و ML با آن مواجه هستند، مانند برخورد با داده‌های درهم و برهم و دنیای واقعی در سطح مناسب انتزاع و با تعاریف دائمی متغیر مسئله، طراحی نشده‌اند. در نهایت، علم داده محور یک کار اکتشافی است. با شروع از یک پایه اساسی دانش تخصصی حوزه، مفاهیم مرتبط و همچنین مدل‌های اکتشافی می‌توانند تغییر کنند، و حتی تعریف مسئله احتمالاً به طور همزمان در پرتو شواهد جدید تغییر شکل می‌دهد. ML و AI تعاملی می‌توانند مبنای روش‌های جدیدی باشند که اهداف در حال تکامل پویا را مدل‌سازی می‌کنند و دانش تخصصی را در پرواز ترکیب می‌کنند. برای اینکه متخصص حوزه بتواند تحقیقات مبتنی بر داده را هدایت کند، فرآیند پیش‌بینی نیز باید به اندازه کافی شفاف باشد.

 

تلاش مشترک برای شناسایی رفتار هوشمند در ماشین ها

بنابراین، AI و ML هر دو در مورد ساخت برنامه های کامپیوتری هوشمند هستند و DL که نمونه ای از ML است، از این قاعده مستثنی نیست. یادگیری عمیق (LeCun و همکاران، 2015؛ گودفلو و همکاران، 2016)، که به دستاوردهای قابل توجهی در بسیاری از حوزه های شامل تشخیص شی، تشخیص گفتار، و کنترل دست یافته است، می تواند به عنوان ساخت برنامه های کامپیوتری، یعنی لایه های برنامه نویسی انتزاع در نظر گرفته شود. به روشی متفاوت با استفاده از ساختارهای قابل استفاده مجدد مانند کانولوشن، ادغام، رمزگذارهای خودکار، شبکه های استنتاج متغیر و غیره. به عبارت دیگر، ما پیچیدگی الگوریتم‌های نوشتن را که هر احتمالی را پوشش می‌دهند، با پیچیدگی یافتن طرح کلی درست الگوریتم‌ها - به شکل، به عنوان مثال، یک شبکه عصبی عمیق - و پردازش داده‌ها جایگزین می‌کنیم. با توجه به عمومیت شبکه های عصبی - آنها تقریبگرهای عملکرد کلی هستند - آموزش آنها نیاز به داده دارد و معمولاً به مجموعه های آموزشی برچسب گذاری شده بزرگ نیاز دارد. در حالی که مجموعه‌های آموزشی معیار برای تشخیص شی، صدها یا هزاران نمونه را در هر برچسب کلاس ذخیره می‌کنند، برای بسیاری از برنامه‌های هوش مصنوعی، ایجاد داده‌های آموزشی برچسب‌گذاری‌شده زمان‌برترین و گران‌ترین بخش DL است. یادگیری بازی های ویدیویی ممکن است به صدها ساعت تجربه آموزشی و/یا قدرت محاسباتی بسیار گران نیاز داشته باشد. در مقابل، نوشتن یک الگوریتم هوش مصنوعی که هر احتمالی از یک کار را پوشش می دهد تا مثلاً استدلال در مورد داده ها و دانش را حل کند تا به طور خودکار داده ها را برچسب گذاری کند (راتنر و همکاران، 2016؛ راث، 2017) و به نوبه خود، به عنوان مثال، DL کمتر به داده نیاز دارد – کار دستی زیادی است، اما ما می دانیم که الگوریتم با طراحی چه کاری انجام می دهد و می تواند مطالعه کند و می تواند پیچیدگی مشکلی را که حل می کند آسانتر درک کند. هنگامی که یک ماشین باید با یک انسان تعامل داشته باشد، به نظر می رسد که این امر بسیار ارزشمند است.

این نشان می دهد که ML و AI در واقع مشابه هستند، اما کاملاً یکسان نیستند. هوش مصنوعی در مورد حل مسئله، استدلال و به طور کلی یادگیری است. یادگیری ماشینی به طور خاص در مورد یادگیری است - یادگیری از مثال ها، از تعاریف، از گفته شدن، و از رفتار. ساده ترین راه برای فکر کردن به رابطه آنها این است که آنها را به صورت دایره های متحدالمرکز تجسم کنیم که ابتدا هوش مصنوعی و ML در داخل آن نشسته است (با DL متناسب با هر دو)، زیرا ML همچنین نیاز به نوشتن الگوریتم هایی دارد که هر احتمالی، یعنی فرآیند یادگیری را پوشش دهد. نکته مهم این است که آنها ایده استفاده از محاسبات را به عنوان زبان رفتار هوشمندانه دارند. چه نوع محاسباتی استفاده می شود و چگونه باید برنامه ریزی شود؟ این سوال درستی نیست. محاسبات نه تکنیک های برنامه نویسی جستجو، منطقی، احتمالاتی و محدودیتی را رد می کند و نه روش های یادگیری (عمیق) (غیر) نظارتی و تقویتی را در میان دیگران، اما به عنوان یک مدل محاسباتی، شامل همه این تکنیک ها می شود.

 

بررسی مجدد AlphaGo: AlphaGo و جانشین آن AlphaGo Zero (Silver et al., 2017) هر دو DL و جستجوی درختی-ML و AI را ترکیب می کنند. از طرف دیگر، "چالش علمی هوش مصنوعی آلن" (Schoenick et al., 2017) باید در نظر گرفته شود. وظیفه درک یک پاراگراف که یک مسئله علمی را بیان می کند، در سطح دبیرستان و سپس پاسخ به یک سوال چند گزینه ای بود. همه مدل‌های برنده از ML استفاده می‌کردند، اما نتوانستند آزمون را در سطح یک دانش‌آموز متوسطه شایسته قبول کنند. همه برندگان استدلال کردند که واضح است که استفاده از یک سطح معنایی عمیق تر از استدلال با دانش علمی برای پرسش و پاسخ، کلید دستیابی به هوش واقعی است. به عبارت دیگر، هوش مصنوعی باید دانش، استدلال و یادگیری را با استفاده از مدل های برنامه ریزی شده و مبتنی بر یادگیری به صورت ترکیبی پوشش دهد.

 

رویکردهای مبتنی بر مدل فیزیکی و داده محور برای تشخیص نشت

سایر مطالعات در  نیکاپایان زمینه تشخیص نشت از روش های داده محور به طور مشترک با مدل های تحلیلی و فیزیکی استفاده می کنند. ژانگ و همکاران [28] یک روش تجزیه و تحلیل گذرا هیدرولیکی و ترمودینامیکی معکوس و یک الگوریتم بهینه‌سازی ازدحام ذرات (PSO) بهبود یافته برای تشخیص نشت پیشنهاد می‌کند. ابتدا یک مدل گذرا هیدرولیکی و ترمودینامیکی با استفاده از نرخ جریان و فشار معرفی می‌کنند. در مرحله بعد، داده های مورد نیاز برای تشخیص نشت از سنسورهای مبدا و پایانه خطوط لوله استخراج می شود. انحراف بین داده های محاسبه شده و داده های تجربی برای تشخیص نشت استفاده می شود. دلگادو-آگویناگا و همکاران. [29] از سنسورهای فشار و جریان قرار داده شده در انتهای خطوط لوله و یک مدل غیر خطی برای تخمین ضرایب نشت با استفاده از معادلات واتر-همر و فیلترهای توسعه یافته کالمن مربوطه استفاده می‌کنند. با این حال، این روش قادر به تشخیص چندین نشت همزمان از خطوط لوله در موقعیت های مختلف نیست.

 

Ostapkowicz [23] از روش های NPW و گرادیان برای تشخیص نشت استفاده می کند. در روش گرادیان فشار، فرض اصلی این است که تغییرات فشار در طول خط لوله خطی است. با این حال، این فرض نمی تواند تمام دینامیک جریان را مدل کند [9]. Sun و Chang [7] روش NPW را با استفاده از پردازش سیگنال و ترکیبی از سیگنال‌های جریان و فشار برای تشخیص نشت گسترش می‌دهند. هنگامی که تضعیف سیگنال یکپارچه بیشتر از تغییرات سیگنال تک فشار باشد، نشت و موقعیت آن قابل تشخیص است. با این حال، دقت این روش به شدت به نوع و عملکرد دینامیکی دبی سنج های نصب شده در هر دو انتهای خطوط لوله بستگی دارد. علاوه بر این، این روش برای یک محیط پر سر و صدا یا برای خطوط لوله کوتاه مناسب نیست [6].

3.3. رویکردهای صرفا مبتنی بر داده برای تشخیص نشت

در میان رویکردهای مختلف برای تشخیص نشت،  این سایت برخی تنها از روش‌های مبتنی بر داده برای تشخیص نشت استفاده می‌کنند. کو و همکاران [30] از حسگرهای فیبر نوری به موازات خطوط لوله برای درک ارتعاش لوله ها استفاده کنید. آنها یک طبقه‌بندی کننده ماشین بردار پشتیبان را برای طبقه‌بندی ارتعاشات عادی و غیرعادی ناشی از نشت در خطوط لوله اعمال می‌کنند. محل نشتی با استفاده از سنسورهای فیبر نوری توزیع شده تشخیص داده می شود. با این حال، این روش برای لوله های با فاصله کوتاه قابل اجرا نیست. داسیلوا و همکاران [31] از یک طبقه‌بندی فازی برای طبقه‌بندی حالت عملیاتی و گذراهای فرآیند استفاده می‌کند. همبستگی بین انحرافات نرخ جریان و گذراهای عملیاتی برای تشخیص نشت استفاده می شود. واچلا و همکاران [32] این روش را برای استفاده از طبقه‌بندی‌کننده عصبی فازی برای تشخیص نشت گسترش می‌دهد. در روش آنها، مساحت خطوط لوله به زیر ناحیه ها تقسیم می شود و محل نشتی توسط مجموعه ای از طبقه بندی کننده های عصبی فازی تعیین می شود. برای شناسایی و محلی سازی نشتی، باقیمانده های بین جریان اندازه گیری شده و جریان پیش بینی شده در نظر گرفته می شود. اگر باقیمانده ها از حد معینی تجاوز کنند، نشت تشخیص داده می شود. با این حال، این روش نمی تواند نشت های کوچک را تشخیص دهد، زیرا باقی مانده ها نمی توانند تغییرات خاصی را در جریان در این مورد نشان دهند.

در میان روش‌های مبتنی بر داده دستگاه بسته بندی، برخی از داده‌های تصویری مایع نشت‌کننده و روش‌های پردازش تصویر برای تشخیص نشت استفاده می‌کنند. آنها از دوربین های IR به عنوان سیستم های بازرسی دید بیرونی برای نظارت بر خطوط لوله استفاده می کنند. این مفهوم برای اولین بار توسط نلیس [33] به عنوان راهی برای نظارت بر کانال های آب ارائه شد. نلیس [33] روش را ارزیابی می کند و نشان می دهد که یک مدل اقتصادی و مناسب برای تشخیص نشت است. با این حال، او از پردازش تصویر برای نشت خودکار استفاده نمی کند. یکی دیگر از کاربردهای دوربین های IR در تشخیص نشتی را می توان در کار آدفیلا و همکاران یافت. [34]. آنها نشت گاز از خطوط لوله را در نظر می گیرند و حساسیت دوربین های IR را در ثبت تغییرات دما در گاز نشت کننده ارزیابی می کنند. با این حال، آنها هیچ روش پردازش تصویری برای تشخیص نشت گاز پیشنهاد نمی کنند. عاطف و همکاران [35] یک مکانیسم تشخیص نشت خودکار با استفاده از تجزیه و تحلیل تصویر در تصاویر IR برای لوله‌های انتقال آب پیشنهاد می‌کند. آنها یک روش خوشه بندی را برای تشخیص نشت روی تصاویر اعمال می کنند. برای محلی سازی نشت، آنها یک روش تقسیم بندی را بر اساس روش رشد منطقه پیشنهاد می کنند. روش دیگری مبتنی بر دوربین های IR و پردازش تصویر توسط دای و همکاران ارائه شده است. [36] برای تشخیص نشت گاز. پس از کاهش نویز با فیلتر وینر تطبیقی، مناطق متحرک با اعمال الگوریتم بهبود یافته Surendra پی

تشخیص نشت بصری خودکار و محلی‌سازی

خلاصه

نشت مایع از دستگاه بسته بندی خطوط لوله یک مسئله حیاتی در کارخانه های فرآیندی در مقیاس بزرگ است. آسیب در خطوط لوله بر عملکرد طبیعی کارخانه تأثیر می گذارد و هزینه های تعمیر و نگهداری را افزایش می دهد. علاوه بر این، باعث ایجاد شرایط ناامن و خطرناک برای اپراتورها می شود. بنابراین، تشخیص و محلی سازی نشتی ها یک وظیفه حیاتی برای نگهداری و نظارت بر وضعیت است. اخیراً، استفاده از دوربین‌های مادون قرمز (IR) رویکرد امیدوارکننده‌ای برای تشخیص نشت در کارخانه‌های مقیاس بزرگ است. دوربین‌های IR می‌توانند مایع نشتی را در صورتی که دمای آن بالاتر (یا پایین‌تر) از محیط اطرافش باشد، ضبط کنند. در این مقاله، روشی مبتنی بر داده‌های ویدئویی IR و تکنیک‌های بینایی ماشین برای شناسایی و محلی‌سازی نشت مایع در یک کارخانه فرآیند شیمیایی پیشنهاد شده‌است. از آنجایی که روش پیشنهادی یک روش مبتنی بر دید است و خواص فیزیکی مایع نشت‌کننده را در نظر نمی‌گیرد، برای هر نوع نشت مایع (یعنی آب، روغن و غیره) قابل استفاده است. در این روش فریم های بعدی کم شده و به بلوک ها تقسیم می شوند. سپس، تجزیه و تحلیل مؤلفه های اصلی در هر بلوک برای استخراج ویژگی ها از بلوک ها انجام می شود. تمام فریم های تفریق شده درون بلوک ها به صورت جداگانه به بردارهای ویژگی منتقل می شوند که به عنوان مبنایی برای طبقه بندی بلوک ها استفاده می شود. الگوریتم k نزدیکترین همسایه برای طبقه بندی بلوک ها به عنوان عادی (بدون نشتی) یا غیرعادی (با نشتی) استفاده می شود. در نهایت، موقعیت نشتی ها در هر بلوک غیرعادی تعیین می شود. به منظور ارزیابی رویکرد، دو مجموعه داده با دو فرمت مختلف، متشکل از فیلم ویدئویی یک کارخانه نمایشگر آزمایشگاهی گرفته شده توسط یک دوربین IR، در نظر گرفته می‌شوند. نتایج نشان می‌دهد که روش پیشنهادی یک رویکرد امیدوارکننده برای شناسایی و محلی‌سازی نشتی از خطوط لوله با استفاده از ویدئوهای IR است. روش پیشنهادی دارای دقت بالا و زمان تشخیص معقول برای تشخیص نشتی است. امکان گسترش روش پیشنهادی به یک کارخانه صنعتی واقعی و محدودیت های این روش در پایان مورد بحث قرار گرفته است.

کلید واژه ها

تشخیص نشت و  نیکاپایان کامجو محلی سازی تجزیه و تحلیل تصویر تصویر پیش پردازش تجزیه و تحلیل مولفه اصل - طبقه بندی نزدیکترین همسایه

1. بازرسی نشت در کارخانه های فرآیند شیمیایی

نظارت بر وضعیت کارخانه‌های فرآیند شیمیایی در مقیاس بزرگ برای نگهداری و جلوگیری از آسیب‌های متعاقب و خرابی‌های عمده بسیار مهم است. خطوط لوله مورد استفاده برای حمل و نقل مواد یکی از مهم ترین بخش های ساختاری یک کارخانه فرآیند شیمیایی است. از آنجایی که این خطوط لوله اغلب مایعات یا گازهای خطرناک یا سمی را حمل می کنند، نشت از خطوط لوله تهدیدی برای اپراتورها است و یک خطر ایمنی زیست محیطی است [1]. یک مطالعه نشان داده است که سطح خطر حوادث مسمومیت ناشی از نشت های خطرناک غیرقابل قبول است [2]. علاوه بر این، آسیب به خطوط لوله بر عملکرد طبیعی نیروگاه ها تأثیر می گذارد که در دسترس بودن و بهره وری نیروگاه ها را کاهش می دهد و منجر به زیان های اقتصادی می شود [3]. مطالعه موردی ارزیابی پیامد کلی نشت در صنعت نفت توسط چن و همکاران. [4] نشان داد که هزینه ها و زیان های ناشی از نشت شامل از دست دادن تولید، از دست دادن دارایی، تلفات جانی یا ایمنی انسانی و آسیب های زیست محیطی است. در میان این جنبه های مختلف، چن و همکاران. [4] تنها می‌توانست ضرر تولید را برای یک مطالعه موردی تخمین بزند: بر اساس برآورد آنها، زیان تولید بیش از 270000 دلار آمریکا بود.

در پایش وضعیت مرسوم، بازرسی دستی توسط متخصص، روش اصلی بازرسی برای تشخیص خرابی در خطوط لوله است. با این حال، بازرسی انسانی به شدت به صلاحیت بازرس و دفعات بازرسی بستگی دارد. این بسیار کار فشرده و گران است. علاوه بر این، یک بازرس انسانی باید در معرض شرایط موجود در کارخانه شیمیایی قرار گیرد تا بتواند مستقیماً کارخانه را بازرسی کند که به دلیل شرایط خطرناک در اکثر مواقع امکان پذیر نیست. بنابراین، بازرسی از راه دور برای جلوگیری از قرار گرفتن انسان در معرض شرایط خطرناک در کارخانه های شیمیایی مورد نیاز است [5]. عملیات از راه دور مستلزم کسب اطلاعات از راه دور مناسب از کارخانه و همچنین روش های مناسب تجزیه و تحلیل داده ها برای انجام نظارت از راه دور است. بنابراین، برای دستیابی به تشخیص و محلی‌سازی نشت از راه دور، ایمن، سریع و دقیق در کارخانه‌های فرآیند شیمیایی در مقیاس بزرگ، یک مکانیسم تشخیص نشت هوشمند و خودکار بر اساس داده‌های به‌دست‌آمده از کارخانه مورد نیاز است.

این خانه مزرعه ای در بالای ایالت الهام بخش یک کتاب جدید است

لیزا پرزیستوپ در مورد خانه بسیار فکر کرده است. خانه او، بله، اما همچنین "خانه" به معنای گسترده تر کلمه. در واقع، او کتابی در مورد فضای داخلی در بالای ایالت نوشت که امروز منتشر شد.

 

او می‌گوید: «جستجوی دکوراسیون  خانه بسیار احساسی است. "این همان نوع سابقه ساختگی است، مانند شب سال نو یا خرید لباس عروس." لیزا و همسرش، نوازنده جاناتون لینابری، قبل از یافتن خانه مزرعه 1893 خود در دهلی، نیویورک، 18 ملک را دیدند. او می‌گوید: «زمانی که وابستگی واقعاً شروع شد، در طول فرآیند مذاکره بود».

لیزا می‌گوید چهار سال بعد، «ما در یک رابطه واقعی با این خانه هستیم». اگرچه خانه شاهد بازسازی‌های متعددی توسط مالکان قبلی بود، اما هنوز کارهایی برای انجام دادن آن وجود داشت تا آن را متعلق به زوجین کند. لیزا و جاناتون که از یک آپارتمان کوچک به سبک راه‌آهن در بروکلین آمده بودند، هوس سادگی و فضایی برای نفس کشیدن داشتند - هم ذهنی و هم جسمی. آنها با رنگ آمیزی کف و دیوارها به رنگ سفید (یک عنصر طراحی که لیزا بیش از 10 سال در مورد آن آرزو داشت) شروع کردند، یک انتخاب اولیه که حال و هوای بقیه خانه را ایجاد کرد. او این پالت را به‌عنوان «تن‌های زمینی با رنگ‌های دیگر زمینی نقطه‌گذاری شده» توصیف می‌کند.

اگرچه این زوج در اولین دکور کاملاً مینیمالیسم را پیش گرفتند، اما با گذشت زمان، گرمای بیشتری را از طریق لایه ها و بافت ها اضافه کردند. لیزا می‌گوید: «این هیپی-دیپی به نظر می‌رسد، اما شما باید خانه خود را بشناسید. پس از آموختن اینکه چگونه دوست دارند در این فضا زندگی کنند، این زوج چندین بار ترتیب مبلمان را تغییر دادند و هنوز هم از انجام پروژه های بهبود خانه لذت می برند (در تابستان گذشته، جاناتون مجموعه ای از پله ها، یک حصار ساخت و یک باغ جدید کاشت). برای لیزا و جاناتون، یک فرآیند طراحی که به طور مداوم در کنار ساکنانش در حال تکامل است، راهی برای ایجاد یک خانه واقعی و واقعی است.

 

لیزا، یک طرفدار طبیعی شکار قدیمی، می‌داند که تهیه اقلام دست دوم نیاز به طراحی دکوراسیون داخلی صبر دارد. لیزا، یک کاربر باتجربه Craigslist، Facebook Marketplace و eBay به شوخی می‌گوید: «من در تلاشی سه ساله برای یافتن یک قاب تختخواب Shaker فوق‌العاده خاص بودم که توان خرید آن را ندارم. "این هنوز مرا پیدا نکرده است، اما من رویا را زنده نگه می دارم." این رویکرد قابل توجه است. هنر داشتن یک خانه قدیمی شامل مراقبت از جزئیات است - عقب نشینی در برابر وسواس سرمایه داری در مورد جدید بودن و راحتی، ترجیح دادن کیفیت و معنا به راه حل های سریع.

لیزا می گوید: «من کمی رمانتیک هستم. او از یک تلفن چرخشی که متعلق به مادربزرگش بود و یک پیانوی بزرگ نوزادی که برای چهار نسل در خانواده جاناتون بوده است به عنوان اقلام بسیار مهم یاد می کند. احساس می شود که یک دایره کامل وجود دارد، داشتن قطعاتی که بخشی از بافت همبند زندگی شما هستند. به روشی مشابه، لیزا و جاناتون عمداً برای ایجاد تجربیات ویژه با عزیزان خود در خانه تلاش کرده‌اند. او می‌گوید: «ما همیشه می‌خواستیم برای دوستان و خانواده‌مان همان سطح فرار و پناهگاهی را که اینجا احساس می‌کنیم فراهم کنیم. یک منطقه ناهار خوری در فضای باز مشخص شده (چراغ های رشته ای و همه!) شب های تابستانی پر از خنده و موسیقی را به خود دیده است.

لیزا می‌گوید: «من با تغییرات خوب عمل نمی‌کنم، اما قرنطینه بهانه‌ای خوش‌آمد برای در نهایت تبدیل به زندگی تمام‌وقت در شمال ایالت فراهم کرده است. این زوج از گذراندن زمان بیشتری در مکان مورد علاقه خود لذت برده اند. این یک پیشرفت طبیعی بود، همانطور که آخرین پروژه لیزا است. Upstate: Living Spaces With Space to Live، با عکاسی فوق‌العاده توسط سارا الیوت، ادامه‌ای از شیفتگی مادام‌العمر لیزا به فضای داخلی، سبک زندگی و مفهوم احساسی «خانه» است.

 

برای اطلاعات بیشتر در مورد خانه مزرعه لیزا و جاناتون دهلی، به علاوه 11 فضای زیباتر، کتاب را اینجا ببینید.

خودتان آن را انجام دهید

وقت خود را صرف کنید در برابر مفهوم "آماده انتقال" مقاومت کنید. مسابقه دادن برای تجهیز یک خانه به طور اجتناب ناپذیری شما را با چند قطعه کم زرق و برق رها می کند. لیزا توضیح می‌دهد: «اگر مجبور شوید وقت خود را صرف کنید، قطعاتی که در نهایت به دست می‌آورید مناسب‌تر خواهند بود و طول عمر بیشتری خواهند داشت.»

 

ترول بازار فروش مجدد لیزا توصیه می‌کند طراحی دکوراسیون هاب استدیو در یافتن دزدی‌های دست دوم پشتکار داشته باشید. او می‌گوید هنگام جستجوی اقلام قدیمی خاص به صورت آنلاین، "تقریباً مانند یک اصطلاحنامه است" - مترادف چیزی را که به دنبالش هستید جستجو کنید. وقتی به دنبال صندلی های غذاخوری خمیده اش می گشت، اغلب «صندلی های چوبی منحنی» را جستجو می کرد. سعی کنید نام یک طراح را اشتباه املایی کنید و "بیشتر از آنچه فکر می کنید لازم است بررسی کنید."

 

یوتیوب دوست شماست، جاناتون از زمانی که به بالای ایالت نقل مکان کرد، نجاری و ساخت مبلمان را به خود آموخت. لیزا می‌گوید: «هر کاری که او ساخته است، از طریق یک سیاه‌چاله آموزش یوتیوب انجام داده است. او توصیه می کند که با چوب ارزان شروع کنید و به تدریج به سمت چیزهای زیباتر کار کنید. "شما باید با اشتباه کردن مشکلی نداشته باشید."

درک قالب برش

برش قالب یک فرآیند ساخت است که از ماشین‌ها و ماشین‌آلات تخصصی برای تبدیل مواد موجود با برش، شکل‌دهی و برش دادن آن به اشکال و طرح‌های سفارشی استفاده می‌کند. فرآیند برش قالب هم همه کاره و هم قابل تنظیم، برای طیف وسیعی از مواد از جمله فلز، پلاستیک، چوب و کامپوزیت ها مناسب است. همچنین کاربردهای تولیدی در صنایع مختلفی دارد، از جمله نئوپرن برش قالب، واشر، کاغذ برش قالب، بسته بندی، پارچه برش قالب و تولید فوم برش قالب.

 

امروزه انواع مختلفی از فرآیندهای برش قالب وجود دارد، از جمله برش قالب مسطح، برش قالب چرخشی و برش قالب دیجیتال، که هر یک از انواع فرآیند مزایا و معایب خود را دارد. الزامات و مشخصات مورد نیاز توسط یک برنامه برش قالب خاص - به عنوان مثال، مواد در حال تبدیل، اندازه قطعه، تحمل های مورد نظر، هزینه های اولیه و بلند مدت، زمان های تولید و غیره - به تعیین نوع فرآیند برش قالب برای استفاده در بهترین روش کمک می کند. یک وضعیت داده شده

 

این مقاله به طور کلی بر فرآیند قالب‌گیری تمرکز دارد و انواع مختلف قالب‌گیری و ماشین‌آلات و اجزای مورد نیاز آن‌ها را تشریح می‌کند. علاوه بر این، این مقاله قابلیت های مختلف برش قالب و ملاحظات مواد را بررسی می کند و جایگزین هایی برای فرآیند برش قالب ارائه می دهد.

بررسی اجمالی برش قالب و قابلیت ها

برش قالب یک فرآیند ساخت همه کاره است که معمولاً از قالب های طراحی شده سفارشی که به ماشین آلات تخصصی چسبانده شده اند برای تبدیل مواد موجود استفاده می کند. برای طیف وسیعی از مواد و کاربردها و صنایع مختلف مناسب است. علاوه بر این، فرآیند برش قالب چندین قابلیت عملیات برش متفاوت را ارائه می دهد، از جمله:

 

از طریق برش

برش بوسه

سوراخ کردن

گلزنی

چین دار شدن

از طریق برش:  نیکا پیکی همچنین به عنوان برش فلز به فلز یا از طریق برش نامیده می شود، از طریق برش طرح سفارشی را از طریق کل مواد برش می دهد. به عنوان مثال، هنگام برش قالب پلاستیکی با لایه پشتی چسب، قالب از لایه های لایه پلاستیکی، چسب و مواد پشتی عبور می کند. طرح دای کات به طور کامل از مواد استوک جدا شده است.

 

برش بوسه: برای مواد چسبنده، برش بوسه طرح سفارشی را از روی صورت و لایه‌های چسب برش می‌دهد، اما نه لایه مواد پشتیبان. طرح دای برش به طور کامل از مواد استوک جدا نشده است، اما می توان به راحتی از لایه پشتی دست نخورده جدا شد.

 

سوراخ کردن: سوراخ کردن مجموعه ای از سوراخ های پانچ شده را ایجاد می کند که طرح قالب را بر روی مواد استوک ثابت نگه می دارد. طرح به طور کامل از مواد استوک جدا نشده است، اما به راحتی می توان آن را در امتداد خطوط سوراخ شده جدا کرد.

امتیاز دهی: به جای برش کامل از مواد استوک، نمره گذاری در یک نقطه تنش یک قالب، تورفتگی یا برش جزئی به جا می گذارد. نمره تولید شده معمولاً فقط از طریق ≤50٪ از مواد نفوذ می کند یا برش می دهد که ضخامت را در نقطه تنش کاهش می دهد و امکان چین های پروفیل مربعی را فراهم می کند.

 

چین زدن: مشابه فرآیند امتیاز دهی، چین دادن یک خط چین بر روی مواد استوک ایجاد می کند. با این حال، بر خلاف امتیاز دهی، چین و چروک باعث تغییر شکل ماده می شود تا یک برآمدگی خمشی به سمت داخل بین دو نقطه تنش موازی داشته باشد. داشتن دو نقطه تنش باعث افزایش انعطاف‌پذیری مواد در چین شده و در هر نقطه از تا شدن ماده، از میزان تنش وارده به آن می‌کاهد.

انواع ابزار و خدمات قالب تراشکاری

انواع مختلفی از خدمات برش قالب وجود دارد، از جمله برش قالب تخت، برش قالب چرخشی و برش قالب دیجیتال. هر تغییر فرآیند مزایایی را در رابطه با کاربردهای تولید و همچنین محدودیت هایی در رابطه با قابلیت های مواد، تحمل ها، خروجی تولید، هزینه ها و غیره ایجاد می کند.

 

قالب برش تخت، که به آن برش قالب فولادی نیز گفته می شود، یک فرآیند ساخت است که از یک پرس قالب برش تخت و قالب های فولادی سفارشی برای تبدیل مواد به اشکال و طرح های سفارشی استفاده می کند. این فرآیند برای پردازش مواد ضخیم تر، تولید قطعات بزرگتر و تکمیل سفارشات کوچک یا دوره های کوتاه تولید مناسب است.

 

برش دای دوار ساختی است که از قالب های استوانه ای متصل به پرس دوار برای تبدیل مواد انعطاف پذیر - یعنی تار - استفاده می کند. این فرآیند برای کاربردهایی که نیاز به طراحی های با دقت و دقت بالا و دوره های تولید با حجم بالا دارند مناسب است.

 

برشکاری قالب دیجیتال یک فرآیند ساخت است که مواد را بدون استفاده از قالب تبدیل می کند. در عوض، ارائه‌دهندگان خدمات برش قالب دیجیتال از لیزرها، تیغه‌ها و بیت‌های ابزار کنترل‌شده توسط کامپیوتر برای ایجاد برش، امتیاز و چین استفاده می‌کنند. این فرآیند برای کاربردهای تبدیل مواد با برش کم که نیاز به زمان سرب سریع و هزینه کم دارند و در عین حال دقت بالا را حفظ می کند، مناسب است.

 

برش مکانیکی در مقابل برش لیزری در مقابل فرز

هم برش مکانیکی و هم برش لیزری فرآیندهای رایج ساخت هستند که در صنایع تولیدی امروزی مورد استفاده قرار می گیرند. هر روش از تجهیزات متمایز خود استفاده می کند و مزایا و معایب خاص خود را دارد. ترجیح در بین این دو معمولاً به طیف وسیعی از عوامل مانند الزامات برنامه، مقرون به صرفه بودن و قابلیت های تولید بستگی دارد.

برش مکانیکی، که شامل ابزار و ماشینکاری می‌شود، فرآیندی است که از تجهیزات نیرومحور برای شکل‌دهی و شکل دادن مواد به یک طرح از پیش تعیین‌شده استفاده می‌کند. برخی از ماشین‌های متداول مورد استفاده در برش مکانیکی عبارتند از: ماشین‌های تراش، فرز و پرس مته که به ترتیب با فرآیندهای تراشکاری، فرزکاری و حفاری مطابقت دارند.

 

ماشین تراش

تراش یک ماشین فلزکاری است که مواد را معمولاً با یک موتور کنترل‌شده توسط کامپیوتر می‌چرخاند، در حالی که یک تیغه برش سخت شده، ذخایر اضافی را برای ایجاد شکل دلخواه جدا می‌کند. سیال برش را می توان برای کمک به حفظ کنترل دما، روغن کاری قطعات متحرک، و حذف زباله ها یا "جوش ها" از قطعه کار استفاده کرد.

 

آسیاب

یک دستگاه فرز دارای یک ابزار برش ثابت و یک میز متحرک است که قطعه کار روی آن محکم می شود. جهت های دستی یا کامپیوتری میز را در اطراف تیغه چرخان حرکت می دهد تا برش های مورد نظر را ایجاد کند. ماشین های فرز قادر به ایجاد اشکال پیچیده یا متقارن در سراسر محورها هستند. چهار دسته اصلی دستگاه فرز عبارتند از: فرز دستی، فرز ساده، یونیورسال و مدل های همه جانبه.

 

مته فشاری

دریل پرس یک مته ثابت است که روی میز نصب می شود یا به کف پیچ می شود و توسط یک موتور القایی هدایت می شود. از یک پایه، یک ستون، یک میز، یک دوک و یک سر مته تشکیل شده است. یک دسته سه شاخه، مته را بالا یا پایین می‌آورد تا سوراخ‌های استوانه‌ای در قطعه کار ایجاد شود. همانطور که بیت می‌چرخد و فلز را برش می‌دهد، فلوت روی مته، خرده‌ها یا ضایعات را به سمت بالا و خارج از سوراخ می‌برد.

تجهیزات و روش های برش لیزری

برش لیزری از یک دستگاه انتشار انرژی استفاده می‌کند تا جریان بسیار متمرکزی از فوتون‌ها را روی ناحیه کوچکی از قطعه کار متمرکز کند و طرح‌های دقیق را از مواد جدا کند. لیزرها معمولاً با رایانه کنترل می شوند و می توانند برش های بسیار دقیقی را با پرداخت با کیفیت انجام دهند. رایج ترین برش های لیزری از نوع گازی CO2 یا Nd:YAG هستند.

 

لیزرهای CO2

لیزر دی اکسید کربن (CO2) تخلیه گازی را منتشر می کند که به عنوان تراشکاری صنعتی  واسطه ای برای پرتو نور عمل می کند. این لیزر یکی از پرقدرت ترین لیزرهای موج پیوسته است که امروزه مورد استفاده قرار می گیرد، که عمدتاً به دلیل نسبت توان خروجی به پمپ بالا است. پرتوهای مبتنی بر دی اکسید کربن در سمت مادون قرمز طیف نور با باندهای طول موجی بین 9.4 تا 10.6 میکرومتر قرار می گیرند. آنها معمولاً برای جوشکاری، برش و حکاکی فلزات و همچنین لایه برداری مجدد بافت بیولوژیکی استفاده می شوند.

 

لیزرهای Nd:YAG

بر خلاف لیزرهای CO2، گارنت آلومینیوم ایتریوم دوپ شده با نئودیمیم یا Nd:YAG، لیزرها دستگاه های حالت جامد هستند که از کریستال به عنوان یک محیط نور استفاده می کنند. آنها همچنین دارای دیودهای لیزری یا لامپ های فلاش هستند که به صورت نوری پرتوهای خود را پمپ می کنند که طول موج مادون قرمز 1064 نانومتر را ساطع می کنند. مدل های Nd:YAG برخی از رایج ترین لیزرهای مورد استفاده در ساخت هستند که در جوشکاری، برش، حکاکی، علامت گذاری و اچ کردن انواع مواد کاربرد دارند. علاوه بر این، این لیزرها کاربردهای پزشکی متعددی نیز دارند.

برش مکانیکی در مقابل برش لیزری

از آنجایی که برش لیزری نه تنها می‌تواند مواد را برش دهد، بلکه می‌تواند به یک محصول پرداخت کند، می‌تواند فرآیندی ساده‌تر از جایگزین‌های مکانیکی آن باشد، که اغلب به درمان‌های پس از ماشینکاری نیاز دارند. علاوه بر این، هیچ تماس مستقیمی بین دستگاه لیزر و مواد وجود ندارد و احتمال آلودگی یا علامت گذاری تصادفی را کاهش می دهد. لیزرها همچنین ناحیه تحت تأثیر حرارت کوچکتری ایجاد می کنند که خطر تاب برداشتن یا تغییر شکل مواد در محل برش را کاهش می دهد.

 

با این حال، برش لیزری می‌تواند یک روش ساخت پرهزینه و از نظر فنی چالش برانگیز باشد، در حالی که فرآیندهای برش مکانیکی برش CNC مته ارزان‌تر و آسان‌تر برای ادغام در خدمات تولیدی هستند. تجهیزات لیزر معمولاً به یک منبع انرژی قدرتمند نیاز دارند و انرژی را با سرعت بالایی مصرف می کنند. این معمولاً به یک مغازه نیاز دارد که علاوه بر منابع برق استاندارد، باتری یا خازن های وسیعی را نیز نگهداری کند. دستگاه‌های لیزر اغلب گران هستند و تجهیزات جانبی مانند آینه‌های طلایی یا پنجره‌ها و لنزهای سلنید روی می‌توانند هزینه‌های اضافی را به همراه داشته باشند.

 

هنگام انتخاب بین برش لیزری و مکانیکی، ممکن است به یاد داشته باشید که این فرآیندها منحصر به یکدیگر نیستند و بسیاری از ماشین‌فروشی‌ها ترکیبی از این دو خدمات برش را ارائه می‌دهند. سازندگانی که مزایای یک نوع برش را در مقابل نوع دیگر ارزیابی می‌کنند، اساساً دقت و قابلیت اطمینان برش لیزر را در مقابل هزینه‌ها و مصرف انرژی، و سهولت استفاده و کارآمدی برش مکانیکی را در برابر خطر آسیب یا تغییر شکل یک ماده معین متعادل می‌کنند.

 

پشتیبانی نویسندگی در مقالات داربست

از آنجایی که فرض کلی اکوسیستم ALMA-Yactul این است که مطالب آموزشی در سطح فراداده آن به صورت معنایی حاشیه نویسی می شود، باید پشتیبانی از حاشیه نویسی مناسب برای نویسندگان ارائه شود. این پشتیبانی نه نیاز به مهارت‌های فنی قابل‌توجهی دارد و نه نویسندگان منابع یادگیری را مجبور به استفاده از ابزارهایی متفاوت از ابزارهایی که قبلاً به آن‌ها عادت کرده‌اند، داشته باشد. این اکوسیستم شامل پشتیبانی از حاشیه نویسی برای ابزارهای مختلف است، مانند یک پلاگین برای Adobe Acrobat یا ماکروها برای اسناد مبتنی بر LATE X. هنگام ایجاد فعالیت‌های Yactul، نویسندگان همچنین باید مفاهیمی را اضافه کنند تا مطالب آموزشی را به آنها مرتبط کنند و همچنین آنها را به عنوان یک منبع یادگیری فعال قابل ارتباط کنند.

 

برای جلوگیری  نصب داربست در کردان از افزایش قابل توجه زمان لازم برای نوشتن یک منبع ناشی از فرآیند حاشیه نویسی، معلم باید یک پشتیبانی حاشیه نویسی نیمه خودکار ارائه کند. در حالی که حاشیه نویسی معنایی کاملاً خودکار می تواند ناقص یا نادرست باشد، پشتیبانی نیمه خودکار مجموعه ای از مفاهیم اولیه را پیشنهاد می کند که معلم می تواند انتخاب کند تا اضافه کند، در حالی که همچنان به او امکان می دهد هر موردی را که گم شده اضافه کند. بنابراین، SoLeMiO، یک افزونه برای Office 365 (Grévisse et al. 2018a) را توسعه دادیم. این مجموعه محبوب در بسیاری از مؤسسات آموزشی به صورت رایگان در دسترس است، و معماری مدرن افزودنی آن امکان استفاده از آنها را در هر پلتفرمی که مجموعه برای آن در دسترس است، می دهد. SoLeMiO را می توان در Word و PowerPoint استفاده کرد. مشابه برنامه sketchnoting، از ابزارهای تشخیص مفهوم و پیوند نهاد برای یافتن و پیشنهاد مفاهیم برای حاشیه نویسی منبع استفاده می کند. از مفاهیم شناخته شده، یک نمایش معنایی با استفاده از اطلاعات اضافی از نمودارهای دانش باز از طریق استراتژی های بسط و فیلتر ساخته می شود. شرح مفصلی از این فرآیند در Grévisse و همکاران ارائه شده است. (2018a). حاشیه نویسی می تواند در سطح سند اتفاق بیفتد، یا به روشی دقیق، به انتخاب متن در یک سند Word یا یک اسلاید در پاورپوینت اختصاص داده شود. ارزیابی عملکرد اولیه توصیه‌های برچسب و منبع نتایج امیدوارکننده‌ای را به همراه داشت. به طور متوسط، مفاهیم مرتبط و همچنین منابع را می توان در 3 پیشنهاد اول یافت.

جدا از عملکرد حاشیه نویسی، SoLeMiO همچنین امکان ادغام مطالب آموزشی مرتبط را در یک محصول Office فراهم می کند. با پرس و جو از مخزن ALMA با مفاهیم مشروح شده در سند، یک مقاله پایگاه دانش مرتبط، یک نقشه، یک ویدیو، یا حتی یک فعالیت Yactul (شکل 7) را می توان در پنجره وظیفه در کنار سند نشان داد. مشابه برنامه sketchnoting، این به دانش‌آموزان امکان می‌دهد اطلاعات بیشتری یا توضیح متفاوتی در مورد محتوای منبع اصلی دریافت کنند. بحث گسترده ای در مورد موارد استفاده احتمالی برای SoLeMiO در حوزه های مختلف در Grévisse و همکاران توضیح داده شده است. (2018b).

 

ارزیابی

داده های استفاده شده در داربست آلفا

در طول سال تحصیلی 2018/2019، داده‌های مربوط به استفاده از اکوسیستم ALMA-Yactul جمع‌آوری شد. دانشجویان دانشگاه از ابزارهای مختلفی برای بازیابی مطالب آموزشی در زمینه مطالعه فعلی خود استفاده می کردند. به عنوان مثال، هنگام تلاش برای حل تمرین های برنامه نویسی، می توانند به پلاگین Eclipse یا هشتگ های ارائه شده در برگه های آزمایشگاهی تکیه کنند. علاوه بر این، آن‌ها می‌توانند آزمون‌هایی را که در کلاس در برنامه Yactul پخش می‌شوند، دوباره پخش کنند، که همچنین به کاربران امکان می‌دهد منابع مربوط به موضوع(های) مطرح شده در یک سؤال مسابقه را بازیابی کنند. محبوب ترین منابع اسناد PDF در برنامه نویسی پایه جاوا، در مورد خروجی کنسول، شرایط و حلقه ها بودند. در مجموع، 1460 بازدید از منابع انجام شده است، از جمله برنامه Yactul. به طور متوسط، یک منبع 7 بار بازدید شده است. همانطور که در شکل 8 مشاهده می شود، پلاگین Eclipse به طور قابل توجهی کمتر از هشتگ های روی برگه های آزمایشگاهی یا برنامه Yactul استفاده شده است. این را می توان با این واقعیت توضیح داد که پلاگین Eclipse برای کدهای قبلاً نوشته شده پشتیبانی از داربست فراهم می کند، در حالی که نیاز به مطالب یادگیری در واقع ممکن است در هنگام مواجهه با تمرینی که باید از ابتدا نوشته شود بسیار بیشتر باشد. می توان مشخص کرد که تمرینی که باعث بیشتر بازیابی (152) مطالب آموزشی می شود، در اولین تمرین که مفاهیم اولیه OOP، مانند کلاس ها، روش ها و ویژگی ها را در جاوا معرفی می کند، انجام شده است. اجاره داربست در کرج   داده‌های جمع‌آوری‌شده می‌تواند به معلمان این درک را بدهد که مفاهیمی که نیاز به توجه بیشتری از دانش‌آموزان دارند یا اینکه کدام تمرین‌ها برای آنها چالش‌برانگیز است. برنامه Yactul توسط حدود 150 دانش آموز نصب شده است. از هر 5 کاربر، 3 کاربر مطالب آموزشی را از داخل این برنامه بازیابی کرده اند، با میانگین 7 منبع برای هر کاربر. از آنجایی که در هر بازدید از منبع یک مهر زمانی جمع‌آوری می‌شود، می‌توانیم اوج فعالیت‌های محلی را قبل از هر دوره امتحانی ببینیم.

پشتیبانی از داربست از طریق ادغام مواد آموزشی

خلاصه

مقدار روزافزون مواد آموزشی هم برای یادگیرندگان و هم برای معلمان چالش برانگیز است. برای انجام یک کار یادگیری نصب داربست، دانش آموزان اغلب نیاز به جستجوی اطلاعات اضافی دارند. اگر آنها ندانند دقیقاً چه چیزی را جستجو کنند، ممکن است پرس و جو با مشکل مواجه شود، به خصوص اگر دانش قبلی در یک دامنه نداشته باشند. علاوه بر این، آنها ممکن است نیاز به یادآوری فرااطلاعات داشته باشند، به عنوان مثال، پیوندهای ضمنی بین منابع یادگیری یا محل توضیح در یک سند. علاوه بر این، عملکرد آنها در یک کار یادگیری ممکن است از نیاز دائمی به اطلاعات بیشتر رنج ببرد. از آنجایی که نوشتن مطالب آموزشی یک کار وقت گیر است، استفاده مجدد از منابع در زمینه های مختلف باید فعال شود. در این مقاله، ما اکوسیستم ALMA-Yactul، یک رویکرد جامع برای ادغام دانش‌آموز محور مطالب آموزشی را ارائه می‌کنیم. بر اساس حاشیه‌نویسی‌های معنایی، برای بازیابی مطالب مرتبط با کار مطالعه فعلی‌شان، به فراگیران پشتیبانی از داربست داده می‌شود. این ادغام منابع در انواع برنامه‌ها و حوزه‌ها، مانند یک پلاگین برای یک IDE یا یک برنامه طراحی پیشرفته، نمایش داده می‌شود. علاوه بر این، نشان می‌دهیم که چگونه Yactul، یک پلت‌فرم پاسخ‌گویی دانش‌آموزان، می‌تواند از حاشیه‌نویسی معنایی و ادغام مطالب آموزشی بهره‌مند شود. علاوه بر این، معلمان با پشتیبانی از حاشیه نویسی نیمه خودکار در مجموعه محبوب Office 365 برای تقویت قابلیت استفاده مجدد از محتوای خود، ارائه می شوند. علاوه بر ارائه نتایج استفاده از آن در کلاس‌های دانشگاه، نشان می‌دهیم که چگونه دانش‌آموزان دبیرستانی بدون دانش قبلی از این حمایت داربست بهره‌مند شده‌اند. عملکرد قابل توجهی بهتر در حل وظایف مربوط به برنامه نویسی را می توان در مقایسه با یک فرآیند جستجوی سنتی مشاهده کرد. در نهایت، اکوسیستم در برابر یک مدل ادغام فناوری پیشرفته ارزیابی می شود.

معرفی

سازماندهی داربست در کرج مجموعه وسیعی از مطالب آموزشی، هم برای یادگیرندگان و هم برای معلمان، یک کار چالش برانگیز و وقت گیر است. به طور سنتی، دانشجویان در حین حضور در سخنرانی ها، سخنرانی ها را دنبال می کنند و مطالب ارائه شده را یادداشت می کنند. با این حال، ممکن است اصطلاحات یا مفاهیمی ذکر شود که برای یک دانش آموز ناشناخته است، اما معلم آن را بیشتر مشخص نکرده است. به عنوان مثال، در یک کلاس تاریخ در مورد جنگ دوم پونیک، ممکن است به نبردهای Cannae و دریاچه Trasimene اشاره شود، بدون اینکه مشخص شود این مکان ها در کجا واقع شده اند. به همین ترتیب، در درس فیزیولوژی، می توان به یک ترکیب شیمیایی اشاره کرد که دانشجو می خواهد ساختار آن را بداند. برای جلوگیری از از دست دادن مسیر سخنرانی، دانش آموز به سختی می تواند این اطلاعات را در کلاس جستجو کند. در خانه، او ممکن است با مرور یادداشت های سازماندهی نشده خود و بازگشت به متن سخنرانی مبارزه کند. اگر مکان یا عبارت دقیق آن ناشناخته باشد، پیدا کردن یک یادداشت خاص مشکل است.

 

یک کار عملی، به عنوان مثال، یک تمرین، همچنین می‌تواند مفهومی را مطرح کند که قبل از اینکه بتوانید آن کار را حل کنید، نیاز به مطالعه بیشتر دارد. دانش آموزان باید مقدار زیادی از مطالب آموزشی ارائه شده توسط معلم خود را بگذرانند. این امر مستلزم شناسایی مفاهیم موجود در مطالب و حفظ ارتباط بین یک مفهوم و یک منبع خاص است. با این حال، ایده های پیچیده را می توان در سطح ریز معرفی کرد. علاوه بر این، پیوندهای ضمنی بین اسناد در دوره های مختلف نیز باید توسط زبان آموزان یادآوری شود. به عنوان مثال، در یک تمرین برنامه نویسی، می توان از دانش آموزان درخواست کرد که با inodes کار کنند، مفهومی که ممکن است در یک دوره سیستم عامل در ترم قبلی معرفی شده باشد. اگر اطلاعات لازم در منابع ارائه شده توسط معلم داده نشده باشد، دانش آموزان احتمالاً در وب جستجو می کنند و از اسناد به دست آمده به عنوان مواد آموزشی استفاده می کنند (کریگر 2015). اکنون، آنها با مجموعه ای باز از منابع ناهمگون با کیفیت متفاوت مواجه خواهند شد. مواد آموزشی با کیفیت بالا ممکن است کشف نشده باقی بماند (Sabourin et al. 2015).

دانش‌آموزان ممکن است در فرافضا احساس گم شدن کنند (ادواردز و هاردمن 1999) و تلاش ذهنی بالاتری را درک کنند، زیرا نیاز به ادغام اطلاعات از مکان‌های مختلف دارند (Hundhausen et al. 2017). علاوه بر این، این فرض که دانش‌آموزان می‌دانند چگونه جستجو را به طور مؤثر انجام دهند، اغلب برآورده نمی‌شود، زیرا ممکن است تجربه قبلی با قابلیت‌های جستجوی پیشرفته نداشته باشند (Mavridis et al. 2017; Paynter 2015). سطح تخصص و دقت جستجو اغلب همبستگی مثبت دارند (Dorn et al. 2013). از آنجایی که معمولاً هیچ ارتباط صریحی بین یک کار و مطالب آموزشی مربوطه وجود ندارد، به ویژه برای تازه کارها چالش برانگیز است که بدانند چه چیزی را جستجو کنند، همانطور که قبلاً در پارادوکس تحقیق Meno بیان شد. علاوه بر این، نیاز مداوم به جابه‌جایی بین یک کار و جستجوی منابع مرتبط می‌تواند منجر به حواس‌پرتی یا حتی رها کردن کار شود (کریگر 2015).

 

علاوه بر این، تجربه د ر داربست آلفا کلاس را می توان با استفاده از استراتژی های یادگیری فعال، مانند عناصر بازی، تقویت کرد. گیمیفیکیشن، یعنی «استفاده از عناصر طراحی بازی در زمینه‌های غیربازی» (Deterding و همکاران 2011)، می‌تواند از طریق سیستم‌های پاسخ دانش‌آموزی، مانند Kahoot!، Socrative یا Quizizz ارائه شود. با این حال، پلتفرم‌های گیمیفیکیشن موجود اغلب مجموعه‌ای محدود از انواع فعالیت‌ها را ارائه می‌کنند، پیشرفت یک یادگیرنده را در یک موضوع خاص پیگیری نمی‌کنند و بین یک فعالیت بازی و مواد آموزشی مرتبط ارت