Orta ölçekli bir yapı üretim şirketi ndeki gelen kontrol süreci şöyle görünür: bir kamyon gelir, şoför fiziksel fabrika sertifikaları veya yazdırılmış PDF'lerin bir yığınını içeren bir paket indirip bırakır. Kabul görevlisi her sertifikayı açar, ısı numarasını bulur, bunu paylaşılan bir elektronik tablonun hücresine yazar, satın alma siparişi numarasını not eder ve bir sonrakine geçer. Yoğun bir gelen kontrol gününde bu 40–60 ısı numarası giriş demektir. İşlem yaklaşık 90 dakika sürer.
Bu 90 dakika, doğru olabilecek veya olmayabilecek ısı numaralarıyla doldurulmuş bir elektronik tablo üretir. Alfanümerik ısı kodlarında yazım hataları (örneğin, "A2B347"yi "AB2347" olarak yazmak) yaygındır ve genellikle aylar sonra bir ısı izlenebilirlik sorgusu başarısız olana kadar fark edilmez. Bazı sertifikalar kontrast sorunları olan kopyaların kopyalarıdır. Bazıları 90 derece döndürülmüş olarak gelir. Bazıları "Melt No." kullanırken diğerleri "Heat No." veya "Cast No." kullanır — aynı veri, farklı etiket.
Elektronik tablo daha sonra başka biri tarafından ERP sistemine manuel olarak girilir ve bu da hata için bir ikinci fırsat oluşturur. Orijinal PDF'ler tarihe göre sıralanmış bir klasörde arşivlenir. Daha sonra birisinin belirli bir ısı numarası bulması gerekirse, önce elektronik tabloyu arar, sonra elektronik tablo girişi yanlışsa klasöre kazmaya gider.
Isı Numarası Çıkarmayı Zorlaştıran Nedir (ve Neyi Değil)
Otomatik ısı numarası çıkarmasının teknik zorlukları iyi anlaşılmıştır:
Alan etiketi değişkenliği. Farklı fabrikalar aynı alan için farklı etiketler kullanır. "Heat No.", "Heat Number", "Melt No.", "Cast No.", "Charge No." ve "HT#" hepsi aynı şeyi ifade eder. Basit bir OCR artı anahtar kelime yaklaşımı, görmediği değişkenlerde başarısız olur. AI tabanlı çıkarma bu etiketlerin semantik olarak eşdeğer olduğunu öğrenir ve hangi etiketin göründüğüne bakılmaksızın ilişkili değeri çıkarır.
Belge düzeni değişkenliği. Fabrika sertifikası formatları standardize edilmemiştir. Bazı fabrikalar etiketli hücreler içeren tablo düzenleri kullanır. Diğerleri serbest metin paragrafları kullanır ("8A3291 ısısındaki malzeme test edilmiştir..."). Bazıları test türüne göre organize eder (kimya bölümü, mekanik özellik bölümü). Bir fabrika formatında eğitilmiş bir çıkarma modeli, konumsal kurallar yerine semantik anlama güvenmiyorsa başka bir fabrika formatında tamamen başarısız olabilir.
Tarama kalitesi sorunları. Döndürülmüş belgeler, düşük kontrastlı kopyalar ve basılı metin üzerindeki el yazısı notlar OCR zorlukları yaratır. Modern belge yapay zekası dönüşü otomatik olarak işler ve çıkarmadan önce kontrastı iyileştirmek için görüntü ön işleme uygular. Temiz bir dijital PDF ile üçüncü nesil tarama kopyası arasındaki doğruluk farkı gerçektir ancak yönetilebilir — temiz belgelerde tipik olarak %95–97 çıkarma doğruluğu ve bozulmuş taramada %85–90.
Çok ısı sertifikaları. Bazı sertifikalar birden fazla ısı numarasını kapsar — orijinal bobin ısısına ve plaka üretim ısısına da atıfta bulunan sertifika olan bobin-plaka dönüşümü, veya birden fazla sipariş satır öğesini kapsayan birleştirilmiş sertifika. Çıkarma, hangi ısı numarasının hangi satır öğesine veya ürüne karşılık geldiğini belirlemesi gerekir ve belgedeki sayıların bir listesini çıkarmaktan daha fazlasıdır.
Bunların hiçbiri çözülmemiş sorunlar değildir. Çıkarma modelleri mevcuttur. OCR motorları tarama kalitesini işler. Soru, uygulamanın üretim kullanımı için yeterli doğrulukta olup olmadığıdır.
Uygulamada Doğruluk Oranları Nasıl Görünür
Büyük fabrikalardan yüksek kaliteli dijital PDF'ler için AI tabanlı ısı numarası çıkarma, ısı numarası alanında özellikle %97–99 doğruluk elde eder. Bu, zaman baskısı altında girilen alfanümerik kodlarda belgelenen %2–5 hata oranına sahip manuel girişten daha iyidir.
Daha düşük kaliteli taramalar (kopyalanan faks iletişimi, üçüncü nesil kopyalar) için doğruluk %88–93'e düşer. Bu seviyede, işaretlenmiş düşük güven çıkarmaları için insan gözden geçirme adımı uygundur. Sistem, güvenle çıkarabildiği şeyi çıkarır, yapamadığını işaretler ve işaretlenmiş belgeleri el ile gözden geçirilmek üzere sıraya koyar — bu, tüm gelen hacimden çok daha küçük bir kümedir.
İnsan artı AI kombinasyon iş akışı, daha yüksek verim ile tamamen elle yapılandan daha iyi doğruluk elde eder: AI, insan müdahalesi olmadan %90–95 belgeyi işler ve insan gözden geçirme, AI'nin belirsiz olduğu %5–10'a yoğunlaştırılır.
İzlenebilirlik ve ERP Bağlantısı Üzerine Aşağı Akış Etkisi
Isı numarası doğruluğu sadece bir veri kalitesi problemi değildir. Üretilen metal ürünlerde malzeme izlenebilirliğinin temeldir.
Bir kalite olayı meydana geldiğinde — bir alan arızası, bir müşteri şikayeti, bir geri çağırma — ilk soru "bu malzeme hangi ısıdan geldi?" ERP kaydında ısı numarası yanlışsa izlenebilirlik sorgusu başarısız olur. Aynı ısıdan hangi diğer parçaların yapıldığını belirleyemezsiniz. Malzeme özelliklerini doğrulamak için orijinal sertifikayı çekemezsiniz. Düzeltici işlemler için tedarikçiye veya fabrikaya geri izleme yapamızsınız.
Basınçlı kap, yapı ve boru hattı üretiminde ısı izlenebilirliği isteğe bağlı değildir. ASME Section VIII, AWS D1.1 ve birçok müşteri kalite planı, ısı numaralarının belgelenmiş olmasını ve fabrikasyon kaydı boyunca bitmiş ürüne izlenebilir olmasını gerektirir. Manuel giriş tabanlı fabrika sertifikası dosyalama sistemi değişen doğrulukta izlenebilirlik kayıtları üretir. Hatalar sessizdir — biri kaydı kullanmaya çalışana kadar kendilerini duyurmaz.
Doğrulama ile otomasyonlaştırılmış çıkarma (çıkarılan ısı numarası çıkarmadan sonra sertifika PDF'sine karşı onaylanır), sertifikanın kendisi kadar doğru bir kayıt oluşturur. ERP kaydı ile orijinal sertifika belgesi arasındaki bağlantı, birinin doğru PDF'yi doğru klasöre dosyalamasına güvenmek yerine otomatiktir.
Günlük 90 dakikalık veri giriş süreci ayrıca neredeyse gerçek zamanlı alımlar haline gelir: sertifikalar alınmadan dakikalar içinde işlenebilir, ısı numaraları malzeme atölyeye ulaşmadan önce ERP'de bulunur ve izlenebilirlik kaydı fabrikasyon başlamadan önce tamamlanır, olay sonrasında bir araya getirilmek yerine.