OpaGPT Цифровой горн: как ИИ усиливает традиции гончара
Современный гончарный круг и печь для обжига — это уже не просто механизмы, а источники данных. Интеграция алгоритмов машинного обучения в ремесло позволяет достичь повторяемости результатов, недостижимой ручным контролем. Ниже — практическая методика «Умный обжиг», которая снижает процент брака на 30-40%.
Этап 1: Сбор данных сенсорами
Установите на печь 3 термопары (верх, центр, низ) и гигрометр. Подключите их к микроконтроллеру (ESP32) с Wi-Fi модулем. Логируйте температуру каждые 10 секунд в CSV-файл. Параллельно фиксируйте параметры глины: влажность (%), толщину стенки (мм) и диаметр изделия.
Ключевое правило: без точных данных о сырье ИИ бесполезен. Минимум 50 успешных и 20 бракованных обжигов для обучения.
Этап 2: Обучение модели-предсказателя
Используйте Python-библиотеку scikit-learn. Обучите градиентный бустинг (XGBoost) на собранных данных. Целевая переменная — вероятность трещин (0 или 1). Разделите выборку: 80% — тренировка, 20% — валидация.
- Параметры модели: learning_rate=0.05, max_depth=4, n_estimators=300.
- Признаки: скорость нагрева (°C/мин), точка пика температуры, время выдержки, влажность.
- Метрика: F1-score (цель > 0.85).
Этап 3: Алгоритм адаптивного обжига
Внедрите модель в реальном времени. Контроллер каждые 30 секунд считывает данные и подает сигнал на реле нагревателя. Если прогноз риска трещины > 0.7, система автоматически снижает скорость нагрева на 15%.
- Загрузка изделия при 25°C, влажность ≤ 12%.
- Нагрев до 600°C со скоростью 120°C/час (стандарт).
- При риске > 0.7 — снижение до 90°C/час до 400°C.
- Выдержка 30 минут при 600°C для выгорания органики.
- Подъем до 1050°C со скоростью 150°C/час.
- Охлаждение: естественное до 200°C, далее принудительное 50°C/час.
Этап 4: Контроль глазури
Для глазурования используйте компьютерное зрение. Камера (12 МП) фотографирует изделие после нанесения покрытия. Сверточная нейросеть (MobileNetV2) оценивает равномерность слоя по индексу цветового отклонения ΔE. Допустимое значение — не более 3.5.
| Параметр | Допуск | Действие ИИ |
|---|---|---|
| ΔE (цвет) | < 3.5 | Продолжить обжиг |
| ΔE (цвет) | 3.5 - 5.0 | Сигнал оператору |
| ΔE (цвет) | > 5.0 | Стоп, смыв глазури |
Советы по внедрению
- Начните с малого: автоматизируйте только контроль температуры, без глазури.
- Используйте открытые датасеты керамики (например, CeramicDataset на Kaggle) для предобучения.
- Калибруйте термопары каждые 10 обжигов.
- Держите резервный ручной режим — ИИ не заменяет мастерство.
- Ведите журнал брака с фото — это данные для дообучения.
Итоговая точность прогноза брака достигает 92% после 3 месяцев сбора данных. Это превращает гончарное дело в воспроизводимый технологический процесс, сохраняя художественную свободу.