مانند سایر صنایع، صنعت تایر در حال آماده شدن برای آینده‌ای است که در آن هوش مصنوعی نقش کلیدی در ارائه تایرهای با کیفیت به مصرف‌کنندگان در سراسر جهان ایفا خواهد کرد. این امر بر اساس تحقیقات گذشته و انتظارات از توسعه فناوری جدید در صنعت تایر است.
روش‌های هوش مصنوعی شرح داده شده در مقاله ای که امروز به نقل از TIRE REVIEW در لاستیک پرس منتشر شد می‌تواند به توسعه کنترل کیفیت تایر نیمه خودکار مبتنی بر هوش مصنوعی کمک کند و هزینه‌های نیروی کار مرتبط با بازرسی فنی و رفع نقص را در اولین مراحل ممکن تولید، مطابق با الگوی صنعت 4.0، کاهش دهد.
ادغام هوش مصنوعی در فرآیندهای کنترل کیفیت تایر پیشرفت‌های چشمگیری را برای صنعت تایر به ارمغان آورده است.
ادغام هوش مصنوعی در فرآیندهای کنترل کیفیت تایر، صنعت تایر را متحول کرده است. با استفاده از فناوری‌های هوش مصنوعی، تولیدکنندگان تایر دقت و کارایی بازرسی، طراحی و عملکرد تایر و استراتژی‌های نگهداری بهینه را بهبود بخشیده‌اند. مزایای استفاده از هوش مصنوعی در کنترل کیفیت تایر شامل بهبود قابلیت اطمینان، تشخیص زودهنگام خطا، نگهداری پیش‌بینی‌کننده و تصمیم‌گیری مبتنی بر داده است.
با این حال، چالش‌هایی از جمله کیفیت داده‌ها، قابلیت تفسیر مدل‌های هوش مصنوعی و مسائل اخلاقی همچنان باقی است. پرداختن به این چالش‌ها برای اجرای موفقیت‌آمیز و پذیرش گسترده هوش مصنوعی در صنعت تایر بسیار مهم خواهد بود. علاوه بر این، آینده هوش مصنوعی در کنترل کیفیت تایر، به لطف پیشرفت در تولید پایدار، مواد پیشرفته و فناوری‌های حسگر، بسیار امیدوارکننده است.
با پذیرش هوش مصنوعی توسط تولیدکنندگان تایر و ادامه نوآوری، صنعت تایر تایرهای ایمن‌تر، قابل اعتمادتر و پایدارتری خواهد داشت. با اولویت دادن به یکپارچگی داده‌ها، قابلیت تفسیر و ملاحظات اخلاقی، تولیدکنندگان تایر می‌توانند با اطمینان از اینکه فرآیندهای کنترل کیفیت تایر مبتنی بر هوش مصنوعی، بالاترین استانداردهای ایمنی و کیفیت را برآورده می‌کنند، اعتماد مصرف‌کنندگان و تنظیم‌کنندگان را جلب کنند.
محدودیت‌های بررسی
محدودیت تحقیق حاضر این است که بررسی ترکیب تایر روی سطح آن دشوار است. علاوه بر این، خواص یک تایر به عوامل زیادی از جمله مفهوم آن بستگی دارد و برای هر نوع و اندازه تایر به مدل‌های جداگانه‌ای نیاز دارد. مسئله دیگر، مدل‌سازی سایش تایر و تغییر ویژگی‌های آن هنگام تغییر آب و هوا یا بار خودرو و تغییر نوع سطح جاده است. تعمیر بالقوه تایر همچنین ممکن است منجر به تغییراتی در تعامل آن با سیستم تعلیق و سطح جاده شود.
همه عوامل فوق با هم ترکیب می‌شوند تا بازرسی فنی تایرهای نو و دست دوم را به یک چالش محاسباتی بزرگ تبدیل کنند، چه در مرحله تدوین مدل و چه در مرحله تنظیم دقیق، کاربرد عملی و تجزیه و تحلیل نتایج. مقایسه مدل‌های محاسباتی مختلف می‌تواند دشوار باشد، اگرچه تشخیص نقص تایر باید استاندارد شود.
دستورالعمل‌هایی برای مطالعات بیشتر
آینده صنعت تایر در انتظار پیشرفت‌های چشمگیری از طریق ادغام هوش مصنوعی و سایر فناوری‌های جدید است. فرآیندهای تولید پایدار و چرخشی تایر، همانطور که در ToptireRevieW برجسته شده است، برای به حداقل رساندن تأثیرات زیست‌محیطی به طور فزاینده‌ای اهمیت پیدا خواهند کرد. استفاده از مواد پیشرفته، مانند نانومواد و گرافن، عملکرد و دوام تایرها را افزایش می‌دهد. علاوه بر این، استفاده از فناوری حسگر ، اتصال اینترنت اشیا (IoT) و تجزیه و تحلیل پیشرفته، امکان نظارت بر شرایط تایر، الگوهای استفاده و نگهداری پیش‌بینی‌شده را در زمان واقعی فراهم می‌کند. این پیشرفت‌های فناوری، فرآیندهای کنترل کیفیت تایر را ساده‌تر کرده و عملکرد و ایمنی کلی را بهبود می‌بخشند.
مسیرهای اصلی تحقیق در زمینه تشخیص نقص تایر با کمک هوش مصنوعی
در درجه اول به موارد زیر مربوط می‌شود:
- تطبیق فرآیندهای تشخیص نقص برای انواع مختلف تایرها (تابستانی، زمستانی، تمام فصل، میخ‌دار و غیره)؛ راهکارهای ساده «هشدار زودهنگام» تعبیه‌شده در تایر یا رینگ، مانند تغییر رنگ تایر یا قطعات آن بسته به میزان ساییدگی، تغییرات فشار و غیره؛
- نگهداری پیش‌بینی‌کننده مربوط به ساییدگی طبیعی تایرها (از جمله مسافت پیموده شده بر حسب هزار کیلومتر)، افزایش طول عمر و تأثیر عوامل اقلیمی و عوامل ریخته‌شده/ریخته‌شده بر روی جاده‌ها، که نقص‌ها را آشکار می‌کنند؛
- ادغام فرآیندهای کنترل فنی در مراحل مختلف تولید تحت الگوی صنعت 4.0 ؛
- نظارت بر چرخه عمر تایر، از جمله مناسب بودن برای استفاده ایمن، بر اساس مشاهدات (تجزیه و تحلیل تصاویر ویدئویی از تایر در حالت سکون و در حین کار) و داده‌های حسگرهای نصب شده در رینگ‌ها؛
- ساخت سیستم‌های کنترل کیفیت بزرگتر، به عنوان مثال، برای خودروهای خودران یا خطوط جاده‌ای خودشارژ برای خودروهای برقی؛
- جایگزین‌های آینده‌نگر، به عنوان مثال، تایرهایی با آج متغیر یا ویژگی‌های از پیش برنامه‌ریزی شده که با گذشت زمان تغییر می‌کنند.
توسعه پایدار نیز مهم است، همانطور که جستجوی فناوری‌های تولید اقتصادی (مصرف انرژی کمتر، ضایعات کمتر، بازیافت)، تایرهای با فرسایش کمتر و تایرهای بی‌صداتر با عرض و آج‌های سازگارتر با ویژگی‌های سطوح و درایوهای جدید (به عنوان مثال، مقاومت غلتشی کمتر و خودروهای برقی سریع‌تر) نیز مهم است.
کاهش انتشار CO2 همچنین می‌تواند به استفاده کمتر از فرآیند روکش کردن تایر مرتبط باشد. این امر مستلزم ارزیابی خودکار یا نیمه‌خودکار وضعیت فنی پوشش تایر، چه در وسایل نقلیه موتوری و چه در ماشین‌های کم‌سرعت، است تا بتوان به طور عینی مناسب بودن پوشش را برای فرآیند روکش مجدد تعیین کرد.
مسئله جداگانه، نظارت بر چرخه عمر تایرها، نه تنها در فرآیند تولید، بلکه از مواد و کیفیت و منشأ آن (مثلاً بازیافتی)، در کل فرآیند تولید، تجزیه و تحلیل در حال استفاده، منسوخ شدن و بازیافت مجدد است. ایجاد چنین حلقه بسته‌ای مستلزم توسعه روش‌های مؤثر برای برچسب‌گذاری و شناسایی بدون ابهام مواد و واسطه‌ها (از جمله، به عنوان مثال، حسگرهای الکترونیکی) مورد استفاده در تولید تایر است.
حتی به عنوان یک تغییر دهنده بازی، راه‌حل‌های هوش مصنوعی نیازی به ایجاد تغییرات بزرگ در فرآیندها ندارند – برای شروع، کافی است با تجزیه و تحلیل کارآمدتر و سریع‌تر مجموعه داده‌هایی که شرکت‌ها از قبل در اختیار دارند، شروع کنند. این امر نه تنها امکان مدیریت کارآمدتر منابع و فرآیندها را فراهم می‌کند، بلکه خطاها یا مکانیسم‌هایی را که قبلاً با روش‌های سنتی دشوار بودند، شناسایی می‌کند.
مراحل بعدی پیاده‌سازی هوش مصنوعی معمولاً شامل سنجش بهتر خطوط تولید و انبارها (هم انبارهای مواد و هم انبارهای کالاهای نهایی) و بهره‌برداری از قابلیت‌های اینترنت اشیاء صنعتی امن (IIoT) است.
استفاده از هوش مصنوعی یا IIoT همیشه به معنای انتقال به منابع ابری نیست، اگرچه در برخی موارد، این امر با ادغام سریع‌تر سیستم‌های برنامه‌ریزی منابع سازمانی (ERP) یا فرآیندهای امنیت سایبری و تجزیه و تحلیل داده‌ها در سطح سازمانی، در زیرساخت به عنوان سرویس (IaaS)، پلتفرم به عنوان سرویس (PaaS) یا نرم‌افزار به عنوان سرویس (SaaS) آسان‌تر و ارزان‌تر خواهد بود.
از نظر راه‌حل‌های هوش مصنوعی، نکته کلیدی استفاده از راه‌حل‌هایی است که تا حد امکان ساده باشند، معمولاً مبتنی بر داده‌ها (ML): شبکه‌های عصبی سنتی و یادگیری ماشینی. ساخت سیستم‌های هوش مصنوعی بزرگتر یکی از مراحل بعدی است.