Industrial process optimisation using artificial intelligence

Abstract

The integration of Artificial Intelligence (AI) in industrial processes is a transformative development, reshaping the landscape of modern manufacturing and production. This thesis, titled (Optimization of Industrial Processes Using Artificial Intelligence), seeks to demonstrate the vast potential of AI in enhancing the efficiency, quality, and adaptability of various industrial processes. It begins by establishing a foundation in the broad application of AI across diverse sectors, highlighting how these technologies are revolutionizing traditional practices through improved decision-making, predictive analytics, and process optimization. The thesis then narrows its focus to a specific industrial process – thermal and cold spray technology in surface engineering. This sector, significant for its role in product enhancement and functionality, is on the cusp of a major shift thanks to the digital transformation driven by AI and Industrial Digital Technologies (IDTs). The study reviews existing digital tools, identifies key challenges, and proposes groundbreaking machine learning-based solutions for optimizing coating deposition, process control, and equipment health monitoring. A significant portion of the thesis is devoted to the implementation of advanced methodologies like convolutional neural networks for meticulous process optimization and monitoring. These methodologies represent a major departure from traditional methods, offering enhanced precision and adaptability. Furthermore, the thesis explores the relatively untapped potential of applying computer vision in spray monitoring. This innovative approach promises to revolutionize process analysis and quality control in thermal and cold spray technologies, highlighting the unexplored applications of AI in industrial processes. In conclusion, the thesis validates these novel AI approaches and provides implementation codes, effectively bridging the gap between theoretical innovation and practical application. The results demonstrate the transformative potential of AI in revolutionizing the flexibility, quality, and efficiency of not only thermal and cold spray processes but also broader industrial operations. This comprehensive study, therefore, contributes significantly to the field of industrial process optimization using artificial intelligence, setting new standards and opening new avenues for research and application. All experimental data were provided by Castolin Eutectic - Monitor Coatings Ltd.

Η ενσωμάτωση της Τεχνητής Νοημοσύνης (ΤΝ) στις βιομηχανικές διεργασίες αποτελεί μια εξέλιξη, η οποία αναδιαμορφώνει το τοπίο της σύγχρονης βιομηχανικής παραγωγής. Η παρούσα διατριβή, με τίτλο (Βελτιστοποίηση Βιομηχανικών Διαδικασιών μέσω της Τεχνητής Νοημοσύνης), επιχειρεί να αναδείξει το τεράστιο δυναμικό της ΤΝ στην ενίσχυση της αποδοτικότητας, ποιότητας και προσαρμοστικότητας διαφόρων βιομηχανικών διεργασιών. Ξεκινά με τη διαμόρφωση μιας βιβλιογραφικής βάσης στην ευρεία εφαρμογή της ΤΝ σε διάφορους τομείς, επισημαίνοντας πώς αυτές οι τεχνολογίες συγκρίνονται με τις παραδοσιακές πρακτικές μέσω βελτιωμένης λήψης αποφάσεων, προγνωστικής ανάλυσης και βελτιστοποίησης διαδικασιών. Η διατριβή στη συνέχεια στρέφει την προσοχή της σε μια συγκεκριμένη βιομηχανική διαδικασία, το θερμικό ψεκασμό μεγάλης ταχύτητας, μια τεχνολογία που ανήκει στο ευρύτερο πεδίο των επιφανειακών διεργασιών του κλάδου της τεχνολογίας υλικών. Αυτός ο τομέας, σημαντικός για το ρόλο του στην ενίσχυση των προϊόντων και τη λειτουργικότητα, βρίσκεται στην αρχή μιας μεγάλης αλλαγής χάρη στην ψηφιακή μεταμόρφωση που ωθείται από την ΤΝ και τις Βιομηχανικές Ψηφιακές Τεχνολογίες. Η μελέτη ανασκοπεί τα υπάρχοντα ψηφιακά εργαλεία, ταυτίζει κρίσιμες προκλήσεις και προτείνει πρωτοποριακές λύσεις βασισμένες στη μηχανική μάθηση για τη βελτιστοποίηση της απόθεσης επικαλύψεων, του ελέγχου παραγωγής και της παρακολούθησης των συστημάτων ψεκασμού κατά τη παραγωγή επικαλύψεων. Μια σημαντική ενότητα της διατριβής αφιερώνεται στην εφαρμογή προηγμένων μεθοδολογιών, όπως τα συνελικτικά νευρωνικά δίκτυα. Οι προτεινόμενες προσεγγίσεις αναδεικνύουν τις ανεξερεύνητες εφαρμογές της ΤΝ και σε συμπερασματικό επίπεδο, η διατριβή επικυρώνει αυτές τις καινοτόμες προσεγγίσεις της ΤΝ. Παρέχοντας τους κώδικες python για την εφαρμογή τους, η διατριβή αυτή προσπαθεί γεφυρώσει αποτελεσματικά το χάσμα μεταξύ θεωρητικής καινοτομίας και πρακτικής εφαρμογής. Θέλουμε να πιστεύουμε πως αυτή η εκτενής μελέτη συμβάλλει σημαντικά στον τομέα της βελτιστοποίησης βιομηχανικών διαδικασιών με τη χρήση τεχνητής νοημοσύνης, θέτοντας νέα πρότυπα και ανοίγοντας νέους δρόμους για έρευνα και εφαρμογή.