به گزارش روابط عمومی اداره کل استاندارد استان مرکزی ،در این مقاله آمده است:امروزه با گسترش رقابت در بازار و افزایش انتظارات مشتریان، کیفیت محصولات بهعنوان یکی از مهمترین عوامل موفقیت شرکتهای تولیدی شناخته میشود. یکی از روشهای مدرن و کارآمد برای بهبود و تضمین کیفیت، استفاده از هوش مصنوعی (AI) در سیستمهای کنترلکیفیت است. تکنولوژیهای مبتنی بر هوش مصنوعی با تحلیل دادههای گسترده و تشخیص الگوهای پیچیده، میتوانند خطاهای انسانی را کاهش داده و فرآیند ارزیابی کیفیت را دقیقتر، سریعتر و اقتصادیتر کنند.
کنترل کیفیت سنتی عمدتاً وابسته به نیروی انسانی، نمونهبرداری محدود و واکنشی است. هوش مصنوعی این رویکرد را به کنترل کیفیت پیشبینانه، 100٪ بازرسی و دادهمحور تبدیل میکند.
نتیجه این تحول: کاهش ضایعات و دوبارهکاری، افزایش یکنواختی کیفیت، تشخیص زودهنگام نقصها، کاهش هزینههای گارانتی و برگشتی
مهمترین کاربردهای هوش مصنوعی در کنترل کیفیت
۱ بازرسی بصری خودکار (AI Visual Inspection)
در بسیاری از خطوط تولید، تشخیص نقصهای ظاهری مانند ترک، خراش، ناهمواری، تغییر رنگ و عدم همترازی بسیار حیاتی است. سیستمهای بینایی ماشین مجهز به هوش مصنوعی میتوانند تصاویر با وضوح بالا را پردازش کرده و عیوب را با دقتی بسیار بیشتر از نیروی انسانی شناسایی کنند. این سیستمها:
- بهصورت لحظهای عیب را تشخیص میدهند؛
- در شرایط سخت کاری و سرعتهای بالا نیز عملکرد مناسب دارند؛
- هزینه نیروی انسانی را کاهش میدهند.
۲ پیشبینی خرابی و نقص محصول
با استفاده از الگوریتمهای پایش وضعیت و یادگیری ماشین(Machine Learning)، شرکتها قادرند:
- قبل از وقوع نقص یا خرابی آن را پیشبینی کنند؛
- از توقف ناگهانی خط تولید جلوگیری کنند؛
- هزینه تعمیرات را به میزان قابلتوجهی کاهش دهند.
این روش به ویژه در صنایع خودروسازی، فولاد، پتروشیمی و تجهیزات الکترونیک بسیار کاربرد دارد.
۳ تحلیل دادههای تولید و بهینهسازی فرآیند
هوش مصنوعی دادههای جمعآوریشده از حسگرها، دستگاهها و گزارشهای تولید را تحلیل کرده و به تولیدکننده کمک میکند که:
- نقاط ضعف فرآیند تولید را شناسایی کنند؛
- پارامترهای تولید را برای کاهش نرخ ضایعات تنظیم کنند؛
- کیفیت نهایی محصول را افزایش دهند.
۴ کنترل کیفیت مبتنی بر اینترنت اشیا (AI + IoT)
ترکیب هوش مصنوعی با اینترنت اشیاء صنعتی (AI+ IoT) موجب ایجاد سیستمهای هوشمند نظارت بر کیفیت میشود. این سیستمها:
- بهصورت مداوم وضعیت تجهیزات و شرایط تولید را پایش میکنند؛
- از طریق تحلیل لحظهای دادهها کیفیت محصول را تضمین میکنند.
۵ استفاده از رباتهای هوشمند در آزمایشها
رباتهای مجهز به هوش مصنوعی میتوانند آزمونهای مربوط به کیفیت را دقیق و تکرارپذیر انجام دهند، مانند:
- آزمون ضربه و مقاومت
- آزمون عملکرد قطعات الکترونیکی
- آزمون استانداردهای ایمنی
مزایای استفاده از هوش مصنوعی در کنترل کیفیت
| مزیت |
توضیح |
| کاهش خطای انسانی |
دقت و سرعت چندبرابری نسبت به نیروی انسانی |
| کاهش ضایعات و هزینههای تولید |
جلوگیری از تولید محصولات بیکیفیت |
| افزایش سرعت تصمیمگیری |
تحلیل لحظهای و دادهمحور |
| بهبود رضایت مشتری |
ثبات کیفیت و عملکرد بالا |
| افزایش ایمنی محیط کار |
کاهش نیاز به بازرسی انسانی در شرایط خطرناک |
جمعبندی
استفاده از هوش مصنوعی در کنترل کیفیت، تحولی اساسی در مدیریت تولید ایجاد خواهدکرد. شرکتهایی که این فناوریها را به کار میگیرند، نه تنها کیفیت محصولات خود را افزایش میدهند بلکه هزینهها را کاهش داده و رقابتپذیری خود را در بازار حفظ میکنند. آینده صنعت تولید متعلق به سیستمهای هوشمند، تحلیل داده و خودکارسازی مبتنی بر AI است.
فهرست تعدادی از استانداردهای بینالمللی که در همین راستا تدوین شده است به شرح زیر است:
| عنوان استاندارد |
شماره استاندارد |
| Internet of Things (IoT) — Data exchange platform for IoT services — Part 2: Transport interoperability between nodal points |
ISO/IEC 30161-2:2023 |
| Internet of Things (IoT) — Compatibility requirements and model for devices within industrial IoT systems |
ISO/IEC 30162:2022 |
| Internet of Things (IoT) — System requirements of IoT/SN technology-based integrated platform for chattel asset monitoring supporting financial services |
ISO/IEC 30163:2021 |
| Internet of Things (IoT) — Real-time IoT framework |
ISO/IEC 30165:2021 |
| Internet of Things (IoT) — IoT applications for electronic label system (ELS) |
ISO/IEC 30169:2022 |
| Internet of Things (IoT) — Base-station based underwater wireless acoustic network (B-UWAN) — Part 1: Overview and requirements |
ISO/IEC 30171-1:2022 |
| Internet of Things (IoT) — Overview and general requirements of IoT system for ecological environment monitoring |
ISO/IEC 30179:2023 |
| Internet of Things (IoT) — Functional architecture for resource identifier interoperability |
ISO/IEC 30181:2024 |
| Internet of Things (IoT) — Autonomous IoT object identification in connected home — Requirements and framework |
ISO/IEC 30184:2024 |
| Internet of things (IoT) — Interoperability for IoT systems — Part 3: Semantic interoperability |
ISO/IEC 21823-3:2021 |
| Internet of things (IoT) — Interoperability for IoT systems — Part 4: Syntactic interoperability |
ISO/IEC 21823-4:2022 |
| Information technology — Sensor networks: Sensor network and its interfaces for smart grid system |
ISO/IEC 30101:2014 |
| Internet of things (IoT) — Wireless sensor network system supporting electrical power substation |
ISO/IEC 30144:2020 |
| Internet of things (IoT) and digital twin — Best practices for use case projects |
ISO/IEC 30194:2024 |
| Digital twin — Maturity model and guidance for a maturity assessment |
ISO/IEC 30186:2025 |