طراحی مهندسی برشکاری

مفاهیم کلیدی پنهان کردن

خدمات برشکاری فرآیندی انعطاف‌پذیر، مشارکتی و تکراری است که توانایی تولید سریع، مؤثر و با حداقل هزینه را برای یک قطعه، مجموعه، محصول یا ماشینی فراهم می‌کند که مشخصات عملیاتی خاص را به طور قابل اعتماد و پایدار برآورده می‌کند.

طراحی برای ساخت و مونتاژ (DfMA) یک رویکرد طراحی مهندسی است که بر سهولت ساخت و کارایی مونتاژ تمرکز دارد.

طراحی سبز شامل طراحی برای محیط زیست، طراحی محصول برای پایداری، طراحی چرخه عمر، طراحی برای قابلیت اطمینان، طراحی برای نگهداری و طراحی برای فرآیندهای تولید مجدد است.

آزمایش یک مرحله مهم و تکراری در فرآیند طراحی مهندسی برای تعیین میزان کارآمدی یک سیستم یا ماشین و تعیین اینکه آیا نیاز به انجام تنظیماتی در یک طراحی وجود دارد یا خیر است.

فرآیندی منعطف، مشارکتی و تکراری برای ارائه توانایی ساخت سریع، مؤثر و با حداقل هزینه یک جزء، مجموعه، محصول یا ماشینی که مشخصات عملیاتی خاص را به طور قابل اعتماد و پایدار برآورده می‌کند. اصول طراحی مهندسی اساساً یکسان است، خواه وظیفه طراحی یک شی کوچک و ساده، مانند یک گیره کاغذ، یا یک ماشین یا وسیله نقلیه بسیار پیچیده باشد، مانند یک هواپیمای جنگنده که بتواند طیف وسیعی از مانورها را در هنگام برخاستن و فرود انجام دهد. ، یا در نبرد. خواه یک مهندس درگیر یک طراحی ساده باشد یا چند تیم از مهندسان رشته های مختلف بر روی اجزاء، مجموعه ها و سیستم های مختلف برای یک پروژه بزرگ کار می کنند، اصول اولیه یکسانی اعمال می شود.

روند

خدمات تراشکاری می تواند با یک درخواست یا نیاز به یک شی فیزیکی ساده یا پیچیده (به تصویر مراجعه کنید) یا سیستم آغاز شود. برای اینکه فرآیند در جریان باشد، چندین نکته باید تعریف شود: عملکرد مورد نظر شی یا سیستم. اندازه؛ وزن؛ محدودیت های هزینه؛ و شرایطی که تحت آن عمل خواهد کرد - از جمله، برای مثال، تنش های مکانیکی یا محیطی. در مورد یک ماشین یا سیستم عامل پیچیده، مشخصات اجزا و زیرسیستم‌ها باید در داخل و بین تیم‌های مهندسی، از جمله تیمی که مسئولیت کلی پروژه، تیم‌های مسئول اجزا و زیرسیستم‌های جداگانه، و همچنین هر تیمی را بر عهده دارند، نوشته و مورد بحث قرار گیرد. مسئول حفظ شرایط محیطی مانند دما یا رطوبت است.

باید به شناسایی تخصص های مهندسی که یک پروژه خاص نیاز دارد توجه شود. به عنوان مثال، برنامه ریزی برای یک انبار خودکار را در نظر بگیرید. سیستم های جابجایی مواد و حسابداری نیاز به سطح پیچیده ای از مشخصات در پاسخ به سوالات متعدد دارند: انبار چقدر بزرگ خواهد بود؟ شامل چند مورد مختلف خواهد بود؟ از نظر شکل، اندازه و وزن چقدر متفاوت خواهند بود؟ چند سفارش در روز باید انجام شود؟ مهندسان ساختمان، با مدیریت انبار، باید انباری با اندازه مناسب بسازند. مهندسان سیستم ها و نرم افزار باید نرم افزاری را مشخص و توسعه دهند که بتواند سیستم های توزیع و حسابداری انبار را راه اندازی کند. مهندسین مکانیک و صنایع باید ماشین‌آلاتی (تسمه نقاله، لیفتراک و غیره) را طراحی، سفارش و نصب کنند که می‌تواند اقلام را به ایستگاه‌هایی که می‌توان آنها را بسته‌بندی، برچسب‌گذاری برای حمل و نقل و بارگیری بر روی کامیون‌ها منتقل کرد. همچنین ببینید

پژوهش

تحقیق یک فعالیت کلیدی در فرآیند طراحی مهندسی است. برای مثال، مهندسان ممکن است نیاز داشته باشند که درباره هر گونه تأثیرات زیست محیطی که ممکن است یک وسیله نقلیه یا سازه ممکن است در معرض آن قرار گیرد و چگونگی بهبود آن تأثیرات بیاموزند و در مورد آنها بحث کنند. روش‌هایی برای کاهش تخریب محیطی مواد، مانند تغییر رنگ و زنگ زدگی، ممکن است نیاز به مطالعه داشته باشند. ممکن است لازم باشد متخصصان در کاربرد پوشش های محافظ به تیم مهندسی اضافه شوند.

 

مواد

انتخاب مواد یکی دیگر از فعالیت های مهم است. روش‌های تحلیلی، مانند استفاده از شاخص‌های عملکرد، می‌توانند به برشکاری کمک کنند تا مبادلات را در استحکام، دوام، وزن و هزینه تعیین کنند تا بتوان مواد مناسب برای موقعیت‌های خاص را مشخص کرد. طراحی مهندسی از پیشرفت‌های فناوری که منجر به توسعه مواد جدید برای جایگزینی مواد سنتی سنگین‌تر، کم‌دوام‌تر و گران‌تر شده است، سود برده است. همچنین ببینید

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.

تراشکاری به چه شکل انجام میشود

مهندسی سبز اثرات زیست محیطی را برای کمک به انتخاب های طراحی پایدارتر تعیین می کند. بدون معیارهای قابل سنجش، تعیین اینکه کدام گزینه از دیدگاه محیطی بهترین است، دشوار است. به عنوان مثال، می توان ادعا کرد که وسایل نقلیه الکتریکی انتشار دی اکسید کربن کمتری نسبت به خودروهای بنزینی دارند، اما یک مقایسه کمی از انتشار گازهای گلخانه ای خودروهای بنزینی با گازهای گلخانه ای از نیروگاه های تولید برق باید انجام شود تا بدانیم کدام وسیله نقلیه انتشار کمتری در هوا دارد.

 

علاوه بر این، اثرات زیست محیطی باید در کل چرخه زندگی در نظر گرفته شود. در غیر این صورت، بهبود در یک بخش از چرخه زندگی می تواند منجر به مشکلات بزرگتر در حوزه دیگر شود. سوخت هسته‌ای برای تولید الکتریسیته، انتشار کربن نسبتاً پایینی تولید می‌کند، اما مصالحه مربوط به مواد زاید رادیواکتیو و سمی است که باید برای قرن‌ها در مرحله دفع مدیریت شوند. در گذشته، مهندسان اغلب تصمیمات زیست‌محیطی را بر اساس شهود و نه ارزیابی‌های چرخه عمر، اتخاذ می‌کردند. این اغلب منجر به تصمیمات ضعیف از منظر زیست محیطی می شود، زیرا پیچیدگی چرخه زندگی کامل را نمی توان بدون تجزیه و تحلیل دقیق به طور دقیق قضاوت کرد. مهندسان سبز با درک جزئیات مراحل مختلف چرخه حیات و انتخاب‌هایی که اثرات زیست‌محیطی را بدون قربانی کردن سایر محدودیت‌های حیاتی کاهش می‌دهند، آسیب‌های محیطی را به حداقل می‌رسانند. همچنین نگاه کنید به: چرخه سوخت هسته ای

 

مهندسی سیستم ها

از این نظر، مهندسی سبز شکلی از مهندسی سیستم است، زیرا تعاملات پیچیده ای بین تمام اجزای چرخه حیات وجود دارد. به عنوان مثال، در حالی که مهندسان به طور سنتی برای تمرکز بر عملکرد هنگام انتخاب یک ماده خاص برای یک برنامه آموزش دیده اند، مهم است که آنها درک کنند که این انتخاب بر کل سیستم تأثیر می گذارد. استخراج و ساخت مواد بر حسب مواد متفاوت است، همانطور که گزینه های پایان عمر آنها نیز متفاوت است. مهندسی سیستم ها ذاتاً بین رشته ای است، زیرا برای درک و ارزیابی هر مرحله از چرخه عمر، به تخصص در زمینه های مختلف نیاز است. با در نظر گرفتن این دیدگاه سیستم، درک این موضوع آسان است که مهندسی سبز به طور موثر در اوایل مرحله طراحی به کار گرفته می شود، زیرا تغییرات در آنجا می تواند مزایای تجمعی در تمام مراحل چرخه عمر داشته باشد.

استخراج

استخراج شروع چرخه زندگی است و توسط مواد خام و انتخاب های شیمیایی دیکته می شود. مواد معدنی، فلزات و سوخت‌های فسیلی استخراج می‌شوند و سپس با سطوح مختلف تخریب محیطی تصفیه می‌شوند. منابع این مواد محدود است، بنابراین استفاده جامعه آنها را کاهش می دهد. مواد دیگر، از جمله چوب، الیاف گیاهی و مواد شیمیایی، غذا و سایر زیست توده ها، به این معنا که می توانند بازسازی شوند، تجدید پذیر هستند. با این حال، این فرآیندها تنها در صورتی پایدار هستند که منابع را سریع‌تر از حذف آن‌ها بازسازی کنیم و به اکوسیستم‌هایی که از آن‌ها پشتیبانی می‌کنند آسیب نرسانیم. مهندسان سبز تلاش می کنند موادی را انتخاب کنند که فراوان باشد و بتوان آنها را با آسیب کمتر انرژی و اکوسیستم استخراج کرد. همچنین ببینید: منابع چوب جنگلی. معدن؛ حفاری چاه نفت و گاز؛ منابع تجدیدپذیر

 

ساخت

تولید مواد خام استخراج شده را می گیرد و آنها را به محصولات مفید با عملکردهای خاص و خواص پیشرفته تبدیل می کند. مانند استخراج، تولید به برق، گرما و مواد شیمیایی غیرمستقیم مختلف مانند حلال ها نیاز دارد که به طور عمدی کمتر از محدودیت های فدرال یا ناخواسته در اثر حوادث منتشر می شوند. رویدادهای منظم، مانند زلزله، طوفان، نشت نفت، نشت مواد شیمیایی، حوادث تولیدی، یا انتشار غیرقانونی گازهای گلخانه ای، همچنان بر کارگران، مردم و محیط زیست در سطح محلی، منطقه ای و جهانی تأثیر می گذارد. مهندسان سبز تلاش می کنند تا مواد شیمیایی سمی کمتری را انتخاب کنند، فرآیندهایی را توسعه دهند که انرژی و مواد کمتری مصرف می کنند، یا اقدامات حفاظتی بیشتری را برای فرآیندهای تولیدی که نیاز به استفاده از مواد خطرناک دارند، طراحی کنند. همچنین ببینید: شیمی سبز; مواد پایدار و شیمی سبز

 

پایان زندگی

پایان عمر یا دفع آخرین مرحله از چرخه حیات است. همه محصولات باید در پایان عمر مفید خود جایی بروند. رایج ترین گزینه ها دفن زباله، سوزاندن و بازیافت هستند و هر کدام دارای معاوضه هایی هستند. محل های دفن زباله متان را از هضم بی هوازی مواد آلی تولید می کنند، اما این گاز گلخانه ای قوی را می توان جذب کرد و به عنوان سوخت استفاده کرد. سوزاندن مقداری از انرژی تجسم یافته را از موادی که در غیر این صورت دفن می‌شوند، بازیابی می‌کند، اما تجارت محیطی، دی اکسید کربن و سایر آلاینده‌های جوی ناشی از احتراق است. بازیافت باعث صرفه جویی در مقادیر زیادی انرژی تجسم شده و اختلال در اکوسیستم می شود زیرا از مرحله استخراج به طور کامل اجتناب می شود، اما همچنان انرژی برای فرآیندهای حمل و نقل و بازیافت مورد نیاز است. مهندسان سبز در تلاش برای کاهش همه اشکال زباله و توسعه فرآیندهای بازیافت حلقه بسته هستند.

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.

 

ترمودینامیک و علم ترمو

ترمودینامیک یک علم کاربردی است که در چندین شاخه مهندسی از جمله مهندسی مکانیک و شیمی استفاده می شود. در ساده ترین حالت، ترمودینامیک مطالعه انرژی، استفاده و تبدیل آن از طریق یک سیستم است.[51] به طور معمول، ترمودینامیک مهندسی با تغییر انرژی از یک شکل به شکل دیگر مرتبط است. به عنوان مثال، موتورهای خودرو انرژی شیمیایی (آنتالپی) را از سوخت به گرما و سپس به کار مکانیکی تبدیل می کنند که در نهایت چرخ ها را می چرخاند.

 

اصول ترمودینامیک توسط مهندسان مکانیک در زمینه های انتقال حرارت، ترموسیالات و تبدیل انرژی استفاده می شود. مهندسان مکانیک از علم ترمو برای طراحی موتورها و نیروگاه ها، سیستم های گرمایش، تهویه و تهویه مطبوع (HVAC)، مبدل های حرارتی، سینک های حرارتی، رادیاتورها، تبرید، عایق ها و غیره استفاده می کنند.

مقالات اصلی: نقشه کشی فنی و CNC

پیش نویس یا نقشه کشی فنی وسیله ای است که مهندسان مکانیک به طراحی محصولات و ایجاد دستورالعمل برای ساخت قطعات می پردازند. یک نقشه فنی می تواند یک مدل کامپیوتری یا شماتیک دستی باشد که تمام ابعاد لازم برای ساخت یک قطعه را نشان می دهد، همچنین یادداشت های مونتاژ، فهرستی از مواد مورد نیاز و سایر اطلاعات مربوطه را نشان می دهد.[53] یک مهندس مکانیک یا کارگر ماهر در ایالات متحده که نقشه های فنی را ایجاد می کند، ممکن است به عنوان پیش نویس یا نقشه کش نامیده شود. پیش نویس در طول تاریخ یک فرآیند دو بعدی بوده است، اما برنامه های طراحی به کمک کامپیوتر (CAD) اکنون به طراح اجازه می دهد تا در سه بعدی ایجاد کند.

 

دستورالعمل‌های ساخت یک قطعه باید به ماشین‌های لازم، یا به صورت دستی، از طریق دستورالعمل‌های برنامه‌ریزی‌شده، یا از طریق استفاده از یک برنامه تولید به کمک کامپیوتر (CAM) یا برنامه ترکیبی CAD/CAM ارائه شود. در صورت تمایل، یک مهندس همچنین ممکن است به صورت دستی قطعه ای را با استفاده از نقشه های فنی بسازد. با این حال، با ظهور تولید با کنترل عددی کامپیوتری (CNC)، اکنون می توان قطعات را بدون نیاز به ورودی ثابت تکنسین ساخت. قطعات تولید شده به صورت دستی عموماً شامل پوشش های اسپری، پوشش های سطحی و سایر فرآیندهایی هستند که به لحاظ اقتصادی یا عملی توسط ماشین قابل انجام نیستند.

 

پیش نویس تقریباً در همه زیرشاخه های مهندسی مکانیک و بسیاری از شاخه های دیگر مهندسی و معماری استفاده می شود. مدل‌های سه‌بعدی ایجاد شده با استفاده از نرم‌افزار CAD نیز معمولاً در تحلیل اجزا محدود (FEA) و دینامیک سیالات محاسباتی (CFD) استفاده می‌شوند.

بسیاری از شرکت‌های مهندسی مکانیک، به‌ویژه آن‌هایی که در کشورهای صنعتی هستند، شروع به ترکیب برنامه‌های مهندسی به کمک کامپیوتر (CAE) در فرآیندهای طراحی و تحلیل موجود خود کرده‌اند، از جمله طراحی به کمک کامپیوتر مدل‌سازی جامد دو بعدی و سه بعدی (CAD). این روش مزایای زیادی دارد، از جمله تجسم آسان تر و جامع تر محصولات، امکان ایجاد مجموعه های مجازی قطعات و سهولت استفاده در طراحی رابط های جفت و تلرانس.

 

سایر برنامه‌های CAE که معمولاً توسط مهندسان مکانیک استفاده می‌شود شامل ابزارهای مدیریت چرخه عمر محصول (PLM) و ابزارهای تحلیلی است که برای انجام شبیه‌سازی‌های پیچیده استفاده می‌شوند. ابزارهای تجزیه و تحلیل ممکن است برای پیش بینی پاسخ محصول به بارهای مورد انتظار، از جمله عمر خستگی و قابلیت ساخت استفاده شوند. این ابزارها عبارتند از تجزیه و تحلیل اجزای محدود (FEA)، دینامیک سیالات محاسباتی (CFD) و ساخت به کمک کامپیوتر (CAM).

 

با استفاده از برنامه‌های CAE، یک تیم طراحی مکانیکی می‌تواند به سرعت و ارزان فرآیند طراحی را تکرار کند تا محصولی را توسعه دهد که هزینه، عملکرد و سایر محدودیت‌ها را بهتر برآورده کند. تا زمانی که طراحی به اتمام نرسد، نیازی به ایجاد نمونه اولیه فیزیکی نیست، که اجازه می دهد صدها یا هزاران طرح به جای تعداد کمی از آنها ارزیابی شوند. علاوه بر این، برنامه‌های تحلیل CAE می‌توانند پدیده‌های فیزیکی پیچیده‌ای را که با دست قابل حل نیستند، مانند ویسکوالاستیسیته، تماس پیچیده بین قطعات جفت‌گیری یا جریان‌های غیرنیوتنی مدل‌سازی کنند.

 

همانطور که در مکاترونیک دیده می شود، همانطور که مهندسی مکانیک شروع به ادغام با سایر رشته ها می کند، بهینه سازی طراحی چند رشته ای (MDO) با سایر برنامه های CAE برای خودکارسازی و بهبود فرآیند طراحی تکراری استفاده می شود. ابزارهای MDO پیرامون فرآیندهای CAE موجود می‌پیچند و به ارزیابی محصول اجازه می‌دهند حتی پس از اینکه تحلیلگر به خانه می‌رود، ادامه یابد. آن‌ها همچنین از الگوریتم‌های بهینه‌سازی پیچیده‌ای برای کاوش هوشمندانه‌تر طرح‌های ممکن استفاده می‌کنند و اغلب راه‌حل‌های بهتر و خلاقانه‌تری برای مشکلات طراحی چند رشته‌ای پیدا می‌کنند.

تراشکاری چگونه است

استانداردهای تعیین شده توسط انجمن اعتباردهی هر کشور برای ایجاد یکنواختی در مواد موضوعی اساسی، ارتقای شایستگی در میان مهندسان فارغ التحصیل و حفظ اعتماد به حرفه مهندسی به عنوان یک کل در نظر گرفته شده است. برای مثال، برنامه های مهندسی در ایالات متحده توسط ABET مورد نیاز است تا نشان دهد که دانشجویان آنها می توانند "در هر دو حوزه سیستم های حرارتی و مکانیکی به طور حرفه ای کار کنند." دانشگاه ها و مؤسسات فناوری اغلب چندین موضوع را در یک کلاس واحد ترکیب می کنند یا یک موضوع را به چندین کلاس تقسیم می کنند، بسته به دانشکده در دسترس و حوزه (های) اصلی دانشگاه.

 

موضوعات اساسی مورد نیاز برای مهندسی مکانیک معمولاً عبارتند از:

 

ریاضیات (به ویژه، حساب دیفرانسیل و انتگرال، معادلات دیفرانسیل، و جبر خطی)

علوم پایه فیزیکی (از جمله فیزیک و شیمی)

استاتیک و دینامیک

مقاومت مصالح و مکانیک جامدات

مهندسی مواد، کامپوزیت ها

ترمودینامیک، انتقال حرارت، تبدیل انرژی و HVAC

سوخت، احتراق، موتور احتراق داخلی

مکانیک سیالات (شامل استاتیک سیالات و دینامیک سیالات)

مکانیزم و طراحی ماشین (شامل سینماتیک و دینامیک)

ابزار دقیق و اندازه گیری

مهندسی ساخت، فناوری یا فرآیندها

ارتعاش، تئوری کنترل و مهندسی کنترل

هیدرولیک و پنوماتیک

مکاترونیک و رباتیک

طراحی مهندسی و طراحی محصول

پیش نویس، طراحی به کمک رایانه (CAD) و تولید به کمک رایانه (CAM)[

همچنین از مهندسان مکانیک انتظار می‌رود که مفاهیم پایه از شیمی، فیزیک، تریبولوژی، مهندسی شیمی، مهندسی عمران و مهندسی برق را درک کرده و قادر به اعمال آن باشند. همه برنامه های مهندسی مکانیک شامل چندین ترم از کلاس های ریاضی از جمله حساب دیفرانسیل و انتگرال، و مفاهیم پیشرفته ریاضی از جمله معادلات دیفرانسیل، معادلات دیفرانسیل جزئی، جبر خطی، جبر انتزاعی، و هندسه دیفرانسیل و غیره است.

 

علاوه بر برنامه درسی اصلی مهندسی مکانیک، بسیاری از برنامه‌های مهندسی مکانیک برنامه‌ها و کلاس‌های تخصصی‌تری مانند سیستم‌های کنترل، رباتیک، حمل‌ونقل و تدارکات، برودتی، فناوری سوخت، مهندسی خودرو، بیومکانیک، ارتعاش، اپتیک و غیره را ارائه می‌دهند. بخش برای این موضوعات وجود ندارد.[36]

 

اکثر برنامه های مهندسی مکانیک نیز به مقادیر متفاوتی از تحقیقات یا پروژه های اجتماعی برای به دست آوردن تجربه حل مسئله عملی نیاز دارند. در ایالات متحده معمول است که دانشجویان مهندسی مکانیک یک یا چند دوره کارآموزی را در حین تحصیل بگذرانند، اگرچه این معمولاً توسط دانشگاه اجباری نیست. آموزش مشارکتی گزینه دیگری است. تحقیقات مهارت‌های کاری آینده[37]، بر مؤلفه‌های مطالعه‌ای که خلاقیت و نوآوری دانش‌آموز را تغذیه می‌کند، تقاضا می‌کند.[38]

وظایف کاری

مهندسان مکانیک به تحقیق، طراحی، توسعه، ساخت و آزمایش دستگاه‌های مکانیکی و حرارتی، از جمله ابزار، موتورها و ماشین‌ها می‌پردازند.

 

مهندسان مکانیک معمولاً کارهای زیر را انجام می دهند:

 

مشکلات را تجزیه و تحلیل کنید تا ببینید چگونه دستگاه های مکانیکی و حرارتی ممکن است به حل مشکل کمک کنند.

طراحی یا طراحی مجدد دستگاه های مکانیکی و حرارتی با استفاده از تحلیل و طراحی به کمک کامپیوتر.

نمونه‌های اولیه دستگاه‌هایی را که طراحی می‌کنند، توسعه داده و آزمایش کنید.

نتایج آزمایش را تجزیه و تحلیل کنید و در صورت نیاز طرح را تغییر دهید.

بر فرآیند ساخت دستگاه نظارت کنید.

تیمی از متخصصان در زمینه‌های تخصصی مانند طراحی و طراحی مکانیکی، نمونه‌سازی اولیه، چاپ سه بعدی یا/و متخصصان ماشین‌های CNC را مدیریت کنید.

مهندسان مکانیک بر ساخت بسیاری از محصولات از تجهیزات پزشکی گرفته تا باتری‌های جدید نظارت می‌کنند. آنها همچنین ماشین‌های تولید برق مانند ژنراتورهای الکتریکی، موتورهای احتراق داخلی، و توربین‌های بخار و گاز و همچنین ماشین‌های برق مصرفی مانند سیستم‌های تبرید و تهویه مطبوع را طراحی می‌کنند.

 

مانند سایر مهندسان، مهندسان مکانیک از رایانه ها برای کمک به ایجاد و تجزیه و تحلیل طرح ها، اجرای شبیه سازی ها و آزمایش نحوه عملکرد یک ماشین استفاده می کنند.

 

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.

پیوند ناگسستنی بین دکوراسیون و سلامت روان

کلاه درباره فضایی است که به ما احساس خانه بودن می دهد؟ در بنیادی ترین سطح، انسان نیاز به سرپناه دارد، اما فراتر از آن، ما خواهان آسایش، زیبایی و ارتباط با اطرافیان و دنیای بیرون هستیم. پاسخ ما به طراحی خانه ها و فضاهای دیگر گاهی آگاهانه است، گاهی ناخودآگاه. بسیاری از ما نظرات روشنی در مورد سلیقه خود داریم که می‌توانیم هاب استدیو آن‌ها را تعریف کنیم، اما بسیاری از واکنش‌های ما نسبت به فضای داخلی در زیر سطح وجود دارد و به غرایز ما برای امنیت و تحریک وابسته است. هرگز این مهمتر از زمان همه‌گیری ویروس کرونا نبوده است، زمانی که به نظر می‌رسد بقیه جهان در اضطراب غرق شده‌اند و فضاهای داخلی ما تنها چیزی است که ما برای ایمن نگه داشتن خود داریم.

 

به گفته لیلی برنهایمر، طراحی دکوراسیون هاب استدیو محقق روانشناسی محیطی که مشاور طراحی را اداره می کند و کتابی به نام شکل دهی نوشته است، وقتی از کودکان خواسته می شود خانه ای را طراحی کنند، معمولاً خانه هایی با سقف های شیب دار ترسیم می کنند، حتی زمانی که خودشان در آپارتمان زندگی می کنند. ما: چگونه فضاهای روزمره زندگی، رفتار و رفاه ما را ساختار می دهند. سقف شیبدار نمادی از سرپناه و محوطه است که ما به آن نیاز داریم تا احساس امنیت کنیم. خانه هر فردی باید احساس کند که پناهگاهی از بقیه دنیاست. این روانشناسی همیشه باید از طراحی خوب خبر دهد. همانطور که آلن دو باتن در کتاب خود با عنوان معماری شادی بحث می کند، ما ممکن است زیبایی را از طراحی جستجو کنیم، اما همه جنبه های دیگری وجود دارد که ممکن است حتی از آنها آگاه نباشیم و باعث می شوند ساختمان ها و اشیاء را جذاب یا غیرجذاب بدانیم: طرح ها اشتباه می شوند زیرا احساس رضایت ما از رشته های ظریف و غیرمنتظره بافته شده است. این کافی نیست که صندلی هایمان به راحتی ما را حمایت کنند. آنها علاوه بر این باید به ما این حس را بدهند که پشت ما پوشیده شده است، انگار که هنوز در سطحی از ترس اجدادی از حمله یک شکارچی جلوگیری می کنیم. وقتی به درهای ورودی نزدیک می‌شویم، از آنهایی که آستانه کوچکی در جلوی خود دارند، یک تکه نرده، یک سایبان یا یک خط ساده از گل یا سنگ قدردانی می‌کنیم - ویژگی‌هایی که به ما کمک می‌کنند گذار بین فضای عمومی و خصوصی را مشخص کنیم و دلجویی کنیم. اضطراب از ورود یا خروج از خانه.

گرایش‌ها در تحقیقات کنونی از ادعای دو باتون حمایت می‌کنند که وقتی صحبت از طراحی به میان می‌آید، ما در معرض انبوهی از پاسخ‌های عصبی هستیم که کنترلی روی آن‌ها نداریم و ممکن است حتی آن‌ها را هم نشناسیم. در سالونه دل موبایل امسال در میلان، گوگل با آزمایشگاه هنر و ذهن در دانشگاه جانز هاپکینز همکاری کرد تا یک آزمایش جالب را انجام دهد و تأثیر ورودی حسی - آنچه را که می‌بینیم، می‌شنویم، بو می‌کنیم و لمس می‌کنیم - بر ذهن و بدنمان انجام دهد. این رشته را زیبایی شناسی عصبی می نامند. سه اتاق مختلف با همکاری شرکت فنلاندی مبلمان Muuto طراحی شد و بازدیدکنندگان باندهایی برای ردیابی پاسخ های فیزیولوژیکی خود در حین حرکت در اتاق ها استفاده کردند. آنها تشویق شدند که ساکت بمانند، تلفن خود را خاموش نکنند و به طور کامل با محیط اطراف خود درگیر شوند - لمس کردن اشیا، توجه به بوها، صداها و حرکت. آیوی راس، معاون طراحی محصول در گوگل، که پروژه را رهبری می‌کرد، گفت که حدود نیمی از شرکت‌کنندگان از اتاقی که در آن احساس آرامش می‌کردند شگفت‌زده شدند و لزوماً این اتاقی نبود که از نظر بصری بیشتر جذب آن می‌شدند. ما در سال‌های اخیر بیش از حد محیط‌هایمان را برای ذهن شناختی‌مان بهینه‌سازی کرده‌ایم، و باید حواس خود را روشن کنیم و به جای آنچه فکر می‌کنیم، نسبت به آنچه که حس خوبی دارد، آگاهی بیشتری بیاوریم.» شاید آن چیزی که فکر می کنیم می خواهیم در واقع چیزی نباشد که ما را در خانه احساس کنیم.

 

با این وجود، احساس کنترل بر محیط خود و توانایی تأثیرگذاری بر آن طراحی دکوراسیون ، مطمئناً یکی از مهمترین چیزها در دیکته کردن احساس ما به خصوص در خانه است. جان برگر، در مورد انتخاب هنر در شماره 1954 House & Garden، بر نقش تصاویر در ایجاد فضایی که فقط برای شما باشد تأکید می‌کند: «سگ‌ها قبل از اینکه دراز بکشند چندین بار دور می‌زنند – عادتی که به روزگار برمی‌گردد. زمانی که آنها وحشی بودند و مجبور بودند علف ها را صاف کنند یا برنج کنند. همانطور که به اطراف این اتاق نگاه می کنم، تصاویر که بیشتر از هر چیز دیگری سلیقه و شخصیت من را منعکس می کند، تأیید می کند که این فضایی است که - مانند یک سگ، اما به شکلی پیچیده تر - برای خودم پاک کرده ام. جغرافیدان چینی-آمریکایی، یی فو توان، که کتابش فضا و مکان: چشم انداز تجربه یکی از متون اصلی جغرافیای انسان گرایانه است، همچنین در مورد چگونگی ارتباط خاطرات خانه با چیزهای موجود در آن صحبت می کند که می توانید آنها را لمس کنید. و بو کنید ("اتاق زیر شیروانی و زیرزمین، شومینه و پنجره خلیج، گوشه های پنهان، چهارپایه، آینه طلاکاری شده، پوسته بریده شده") به جای ساختمان به طور کامل، که فقط می توانید آن را ببینید.