Artificial intelligence models for quality control of toroid transformer windings

Владислав  Пархомець; Михайло  Шевченко-Гришко; Анатолій  Ревко; Олексій Городній

doi:10.25140/2411-5363-2025-4(42)-444-456

Автор(и)

Владислав Пархомець Національний університет «Чернігівська політехніка», Україна https://orcid.org/0009-0007-5699-6088
Михайло Шевченко-Гришко Національний університет «Чернігівська політехніка», Україна https://orcid.org/0009-0008-3096-531X
Анатолій Ревко Національний університет «Чернігівська політехніка», Україна https://orcid.org/0000-0001-6818-2961
Олексій Городній Національний університет «Чернігівська політехніка», Україна https://orcid.org/0000-0001-5303-9564

DOI:

https://doi.org/10.25140/2411-5363-2025-4(42)-444-456

Ключові слова:

штучний інтелект; контроль якості; намотування тороїдальних трансформаторів; згорткові нейронні мережі; EfficientNet; YOLO; реальний час; вбудовані системи

Анотація

Вплив штучного інтелекту (ШІ) у сучасній промисловості стрімко зростає. З 2017 по 2025 рік частка компаній, що використовують ШІ, зросла з 20% до 78%. Попит на аналітичний ШІ у виробництві збільшується для точного контролю процесів, тоді як генеративний ШІ застосовується переважно на початкових етапах (лише 4% виробничих компаній). Це підтверджує актуальність застосування ШІ для контролю якості у виробництві, зокрема намотування тороїдних трансформаторів, для зменшення впливу людського фактора та підвищення точності моніторингу.

Контроль якості намотування тороїдних трансформаторів залишається ключовою проблемою, що впливає на надійність виробів. Точність залежить від систем моніторингу, людського фактора, параметрів намотування та якості кінцевого виробу. Цілі: контроль у реальному часі, збільшення кількості параметрів та виявлення складних дефектів. Інтеграція ШІ у намотувальні верстати (як у розробленому авторами прототипі) дозволяє вчасно виявляти дефекти, підвищувати адаптивність процесу та зменшувати брак без зупинки виробництва.

Дослідження демонструють прогрес ШІ у діагностиці трансформаторів та виявленні дефектів (точність 90–99% за допомогою CNN, SVM тощо), але фокус на offline пост-виробничому аналізі (FRA, інспекція PCB, напівпровідники). Відсутні рішення для моніторингу у реальному часі під час намотування тороїдних трансформаторів, що вказує на прогалину.

В статті розглянути існуючі моделі ШІ, оцінити їх придатність для контролю якості намотування тороїдних трансформаторів, проаналізувати переваги/недоліки, ключові параметри (точність, навантаження, розмір) та відносну ефективність, запропонувати оптимальні варіанти для впровадження.

Приклади застосування ШІ в електроніці: аналіз даних FRA, виявлення дефектів на PCB (99,5% точність, реальний час), інспекція напівпровідників (87% точність) та керування перетворювачами. Визначено чотириетапну схему інтеграції ШІ: підготовчий, вимірювальний, обробки та завершальний. Проаналізовано понад 25 архітектур нейронних мереж за розміром, точністю, навантаженням та ефективністю. Відібрано: EfficientNetV2-S та YOLOv11l як основні (класифікація/детекція); EfficientNetB0 та YOLOv8n як легкі резервні. Створено датасет з чотирма типами дефектів (зазор, протрузія, обрив, перехрещення), доповнений для тренування.

Готові рішення ШІ для контролю намотування тороїдних трансформаторів у реальному часі відсутні. Аналіз виділяє перспективні моделі для вбудованих платформ (Raspberry Pi 5, STM32+NPU). Пропонована схема мінімізує людський фактор. Результати створюють базу для інтелектуальних систем у лабораторному та малосерійному виробництві. Подальше дослідження: тонке навчання моделей та апаратна реалізація.

Посилання

50 novykh faktiv pro SHI: Hlobalni trendy, biznes-vykorystannia ta prohnozy [50 new facts about AI: Global trends, business use and forecasts]. (n.d.). Galera News. https://galera.news/50-novykh-faktiv-pro-shi-hlobalni-trendy-biznes-vykorystannia-ta-prohnozy-11655/.

Kneusel, R. T. (2025). Practical deep learning: A Python-based introduction (2nd ed.). No Starch Press. https://course.fast.ai/.

Bellini, V., Cascella, M., Cutugno, F., Russo, G. F., Lanza, A., Tomlinson, M. C., & Big-nami, E. (2022). Understanding basic principles of artificial intelligence: A practical guide for intensivists. Acta Bio Medica: Atenei Parmensis, 93(5), Article e2022197. https://doi.org/10.23750/abm.v93i5.13626.

Gunasekara, L., El-Haber, N., Nagpal, S., & McDonald-Maier, K. (2025). Responsible AI principles and practice: A systematic review. Applied System Innovation, 8(4), 97. https://doi.org/10.3390/ asi8040097.

Sarker, I. H. (2021). Deep learning: A comprehensive overview on techniques, taxonomy, applications and research directions. SN Computer Science, 2(6), 420. https://doi.org/10.1007/s42979-021-00815-1.

Tarasiuk, V., & Horodnii, O. (2025). Adaptive control to enhance energy efficiency in quasi-resonant switched-mode converters under dynamic loads. Technical Sciences and Tech-nologies, 3(41), 419–431.

Haluzevi trendy. Shtuchnyi intelekt v Ukraini: yak rozvyvaietsia haluz [Industry trends. Artificial intelligence in Ukraine: How the industry is developing]. (2025, January 13). Kyivstar Business Hub. https://hub.kyivstar.ua/articles/galuzevi-trendi-shtuchnij-intelekt-v-ukrayini-yak-rozvivayetsya-galuz.

Shevchenko-Hryshko, M., Parkhomets, V., Revko, A., & Gorodniy, O. (2025). Research on methods of modification of winding machine for toroid transformers. Technical Sciences and Technologies, 3(41), 432–441.

Beheshti Asl, M., Fofana, I., Meghnefi, F., Brahami, Y., & Da Costa Souza, J. P. (2025). A comprehensive review of transformer winding diagnostics: Integrating frequency response anal-ysis with machine learning approaches. Energies, 18(5), Article 1209. https://doi.org/10.3390/en18051209

Sundaram, S., & Zeid, A. (2024). AI-driven quality control in PCB manufacturing: En-hancing production efficiency and precision. International Journal of Scientific Research & Management. https://ijsrm.net/index.php/ijsrm/article/view/5772.

Sundaram, S., & Zeid, A. (2023). Artificial intelligence-based smart quality inspection for manufacturing. Micromachines, 14(3), 570. https://doi.org/10.3390/mi14030570.

Kovalskyi, S., & Koval, V. (2024). Comparison of image processing techniques for de-fect detection. In Proceedings of the AISD Conference (Vol. 3716). CEUR-WS.org. http://ceur-ws.org/Vol-3716/paper13.pdf.

Imoto, K., Nakai, T., & Ike, T. (2019). A CNN-based transfer learning method for defect classification in semiconductor manufacturing. IEEE Transactions on Semiconductor Manufac-turing, 32(4), 455–461. https://doi.org/10.1109/TSM.2019.2940250.

Case studies of AI for superhuman quality control in electronics. (2025, January 9). Quality Magazine. https://www.qualitymag.com/articles/98484-case-studies-of-ai-for-superhuman-quality-control-in-electronics.

PyTorch. (n.d.). Models and pre-trained weights. Torchvision documentation. https://docs.pytorch.org/vision/main/models.html

Ultralytics. (n.d.). Ultralytics YOLO [GitHub repository]. https://github.com/ultralytics/ultralytics.

Mikolajczyk, A., & Grochowski, M. (n.d.). A complete guide to data augmentation. DataCamp https://www.datacamp.com/tutorial/complete-guide-data-augmentation

Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1), Article 60. https://doi.org/10.1186/s40537-019-0197-0.