Jak wyjaśnić nietechnicznemu zespołowi wyniki badań NDT?

Coraz więcej zespołów jakości pyta, czy do wykrywania wad ultradźwiękowych warto stawiać na automatyzację, czy najpierw budować świetne etykiety. Stawką są bezpieczeństwo, czas i powtarzalność wyników. W 2025 r. narzędzia chmurowe kuszą szybkością, ale w badaniach nieniszczących NDT to dane i ich opis decydują o wyniku. W tym tekście pokazujemy, jak łączyć etykietowanie i automatyczne uczenie, jak przygotować dane UT oraz jak spełnić wymagania nadzorcze.

Etykietowanie czy automatyczne uczenie przy inspekcji ultradźwiękowej?

Najpierw rzetelne etykiety, potem automatyzacja. Jedno bez drugiego nie dowiezie jakości.
Dobre zbiory referencyjne to fundament. Automatyczne uczenie przyspiesza eksperymenty, ale nie naprawi słabych etykiet. W detekcji wad UT dane bywają nierówne, a defekty rzadkie. Dlatego warto zacząć od procesu etykietowania z kontrolą jakości. Potem użyć platform AutoML do szybkiego doboru modeli bazowych. Docelowo sprawdza się podejście hybrydowe: człowiek w pętli, aktywne uczenie i regularna walidacja.

Jak przygotować dane ultradźwiękowe do trenowania modeli?

Najpierw ujednolić format i metadane. Potem oczyścić sygnał i zadbać o podział na zbiory bez przecieku informacji.

• Zbieraj surowe A-scan oraz pochodne widoki B-scan i C-scan. Dołącz metadane: typ sondy, kąt, materiał, grubość, prędkość fali, temperatura, medium sprzęgające, operator, ustawienia wzmocnienia.
• Standaryzuj jednostki i osi czasu. Zastosuj normalizację amplitudy, filtrację pasmową, korekcję wzmocnienia i bramek pomiarowych.
• Twórz reprezentacje cech: okna czasowe z A-scan, mapy czas–głębokość z B-scan, obrazy C-scan, ewentualnie spektrogramy dla cech częstotliwościowych.
• Projektuj zestaw treningowy tak, aby uniknąć wycieku. Rozdzielaj części, spoiny, serie produkcyjne i operatorów pomiędzy zbiory trening, walidacja i test.
• Rób augmentację kontrolowaną: przesunięcia w czasie, szum, spadki sprzężenia, zmiany wzmocnienia, symulacja niewielkich odchyłek prędkości fali. Zachowaj fizykę sygnału.
• Równoważ klasy. Jeśli wady są rzadkie, rozważ próbki syntetyczne lub dosztukowanie poprzez łączenie sygnałów defektów z tłem.
• Wersjonuj dane i etykiety. Zapisuj pochodzenie, narzędzie, osobę etykietującą i reguły etykiet.

Kiedy ręczne etykietowanie przewyższa automatyczne metody?

Gdy ryzyko pomyłki jest wysokie, a wzorce są subtelne i rzadkie.

• Rzadkie lub nowe typy defektów, których automaty nie znają.
• Zmiany materiału, geometrii lub ustawień UT wpływające na sygnał.
• Wysokie koszty błędów fałszywie ujemnych.
• Potrzeba lokalizacji wady, a nie tylko klasyfikacji.
• Brak dużych, zbalansowanych zbiorów historycznych.

Ręczne etykiety od certyfikowanych specjalistów budują zaufanie. Dają też bazę do aktywnego uczenia i półautomatycznego doszlifowania.

Czy automatyczne platformy poradzą sobie z rzadkimi defektami?

Częściowo, pod warunkiem dobrego przygotowania danych i procesu.
Automatyczne platformy szybko testują wiele algorytmów i hiperparametrów. Z reguły radzą sobie z klasycznymi zadaniami i zrównoważonymi zbiorami. Przy rzadkich defektach potrzebują wsparcia:

• Wyraźna metryka celu ukierunkowana na wysoką czułość przy niskiej liczbie fałszywych alarmów.
• Równoważenie danych i kosztów błędów, a także przemyślany próg decyzji.
• Dane syntetyczne oraz procedury aktywnego uczenia, które kierują ekspertów do trudnych przypadków.
• Modele anomalii do preselekcji oraz modele nadzorowane do potwierdzenia.

Jak ocenić jakość etykiet i modeli w badaniach nieniszczących?

Stosuj podwójną kontrolę etykiet i metryki, które odzwierciedlają ryzyko.

• Jakość etykiet: zgodność między etykietującymi, przegląd przez starszego specjalistę, próbki wzorcowe gold set, audyty wsteczne.
• Metryki modelu: czułość i precyzja, krzywe ROC i PR, koszt błędów, wskaźnik fałszywych alarmów na jednostkę długości spoiny lub czasu skanowania.
• Dla lokalizacji: dokładność położenia wady i tolerancja głębokości.
• Walidacja procesowa: testy ślepe na nowych częściach, różni operatorzy i różne głowice UT.
• Monitorowanie po wdrożeniu: drift danych, powtórne kalibracje progów, rewalidacje okresowe.

Jak zintegrować klasyfikator ultradźwiękowy z procesem produkcji?

Najpierw tryb cienia, potem automatyzacja krok po kroku.

• Integracja na brzegu sieci, blisko głowicy UT, aby obniżyć opóźnienia i chronić dane.
• Tryb cienia porównujący wynik AI z oceną inspektora. Zbieraj rozbieżności do doszkolenia.
• Interfejs dla operatora z czytelnym statusem OK/REVIEW i podglądem sygnału.
• Reguły eskalacji i fallback do manualu. AI ma wspierać, nie zastępować decyzji certyfikowanego personelu.
• Ślad audytowy: wersja modelu, dane wejściowe, decyzja, osoba zatwierdzająca.
• MLOps w praktyce: wersjonowanie, automatyczne testy, bezpieczne aktualizacje i walidacje po zmianie.

Jakie wymagania certyfikacyjne i nadzorcze trzeba uwzględnić?

Uwzględnij normy branżowe, kompetencje personelu i wymogi kontroli jakości.

• Personel NDT zgodnie z ISO 9712 oraz wewnętrzne uprawnienia procesu.
• Metody UT zgodne z normami, na przykład EN ISO 17640 dla spoin, ISO 13588 dla techniki fazowej, ISO 10863 dla TOFD.
• System jakości jednostki wykonującej badania, na przykład ISO/IEC 17020 lub ISO/IEC 17025, zależnie od roli i zakresu.
• Wymagania krajowych organów dozoru technicznego dla danej instalacji i typu urządzeń.
• Walidacja narzędzia AI, procedury kwalifikacji, zarządzanie zmianą, szkolenia użytkowników i pełna dokumentacja.
• Bezpieczeństwo informacji i poufność danych pomiarowych, w tym kontrola dostępu i retencja.

Od czego zacząć wdrożenie AI w kontroli ultradźwiękowej?

Zacznij od małego, mierzalnego przypadku użycia i zbioru referencyjnego.

• Zdefiniuj cel procesu: wykrywanie, lokalizacja czy ocena akceptowalności.
• Wybierz jedną linię, jeden typ spoiny i jedną głowicę. Zbierz reprezentatywne dane.
• Ustal reguły etykietowania i przeprowadź podwójne etykietowanie z przeglądem.
• Zbuduj model bazowy oraz prosty próg referencyjny. Porównaj wyniki.
• Uruchom pilotaż w trybie cienia z planem rewalidacji i mapą ryzyk.
• Wypracuj procedury operacyjne, ślad audytowy i plan aktualizacji.
• Skaluj na kolejne warianty dopiero po spełnieniu kryteriów jakości.

Podsumowanie

Dobrze zorganizowane etykietowanie i przemyślana automatyzacja mogą realnie podnieść skuteczność badania ultradźwiękowego, skrócić decyzje i wzmocnić zgodność, a badania nieniszczące NDT zyskają dzięki temu większą przewidywalność i spójność wyników.

Porozmawiajmy o Twoim przypadku użycia w UT i zaplanujmy pilotaż AI, który przyniesie mierzalne efekty w badaniach nieniszczących NDT.