ရော်ဘာအရည်ပျော်စနစ်များတွင် AI နှင့် IoT ပေါင်းစပ်မှု

By မိုက်ခ် ချန်, ထုတ်လုပ်ရေး ဒါရိုက်တာ | ရော်ဘာ ထုတ်လုပ်ရေးတွင် ၁၂ နှစ်ကျော် အတွေ့အကြုံ |LinkedIn

အဓိကအချက်များ

• XCJ-G600 စည်တစ်ခုသည် ၁၅ ကီလိုဂရမ်အလေးချိန်ရှိသော အသုတ်ကို စက္ကန့် ၂၀ မှ ၄၀ စက္ကန့်တိုင်း လည်ပတ်သည် - ၈ နာရီကြာ အဆိုင်းတစ်ခုလျှင် အချက်အလက်ကြွယ်ဝသော လည်ပတ်မှု ၁,၃၀၀ ကျော်ကို IoT ဖမ်းယူမှုအတွက် ရရှိနိုင်ပြီးဖြစ်သည်။
• Cryogenic deflashing unit များသည် 20–70 RPM roller speeds ဖြင့် -150 °C အထိ အပူချိန်တွင် လည်ပတ်ပြီး variable နှစ်ခုလုံးကို မှတ်တမ်းတင်ခြင်းသည် နိုက်ထရိုဂျင်စွန့်ပစ်ပစ္စည်းနှင့် insulation drift ကို တိုက်ရိုက်ဖော်ထုတ်သည်။
• ချိတ်ဆက်ထားသော စက်များသည် လုပ်ငန်းစဉ် ရွေ့လျားမှုကို စောစောစီးစီး ဖော်ထုတ်ပေးသောကြောင့်၊ ကြိုတင်ခန့်မှန်း ပြုပြင်ထိန်းသိမ်းမှုသည် မမျှော်လင့်ထားသော ရပ်တန့်မှုများကို မိနစ် ၃၀ အောက် အချိန်ဇယားဆွဲထားသော ကြားဝင်ဆောင်ရွက်မှုများအဖြစ်သို့ ပြောင်းလဲပေးလေ့ရှိသည် (ကျွန်ုပ်တို့၏ ဖောက်သည် ပရောဂျက်များမှ ပုံမှန်တန်ဖိုးများ)။
• ပြန်လည်ပြုပြင်မွမ်းမံခြင်းထက် အစားထိုးခြင်းထက် ပိုကောင်းသည်- 7.5 kW XCJ-G600 ကဲ့သို့သော အင်ဗာတာဖြင့် မောင်းနှင်သော စက်ပစ္စည်းများကို အသစ်ဝယ်ယူခြင်းအစား အာရုံခံကိရိယာများနှင့် edge gateway ဖြင့် ချိတ်ဆက်နိုင်သည်။

ကျွန်ုပ်တို့အလုပ်လုပ်သော ထုတ်လုပ်သူအများစုတွင် စက်အဆင့်တွင် ဉာဏ်ရည်ထက်မြက်ပြီး စက်ရုံအဆင့်တွင် လုံးဝတိတ်ဆိတ်သော deflashing စက်ပစ္စည်းများ ရှိနှင့်ပြီးဖြစ်သည်။ ထိန်းချုပ်ကိရိယာသည် roller speed ကိုသိပြီး အော်ပရေတာသည် batch weight ကိုသိပြီး အရည်အသွေးအဖွဲ့သည် ငြင်းပယ်မှုနှုန်းကိုသိသည် — သို့သော် မည်သူမျှ သုံးခုကို မချိတ်ဆက်ပါ။ ထိုပြတ်တောက်မှုသည် AI နှင့် IoT ပရောဂျက်များက ပြုပြင်ရန် ဒီဇိုင်းထုတ်ထားသည့်အရာဖြစ်သည်။

ဤဆောင်းပါးသည် အလင်းပြန်မှုနည်းပါးသော အခြေအနေတွင် ပေါင်းစည်းခြင်းဆိုသည်မှာ အဘယ်အရာကို အမှန်တကယ်ဆိုလိုသည်၊ မည်သည့်ဒေတာများကို ဦးစွာချိတ်ဆက်သင့်သည်နှင့် hyperscale smart factories များအစား အသေးစားနှင့် အလတ်စား ရော်ဘာစက်ရုံများအတွက် အလုပ်လုပ်သည့် အဆင့်ဆင့်လမ်းပြမြေပုံကို ရှင်းပြထားသည်။

Deflashing အခြေအနေမှာ AI နဲ့ IoT ဆိုတာ တကယ်တမ်း ဘာကိုဆိုလိုတာလဲ။

Internet of Things (IoT) ဆိုသည်မှာ စက်မှုလုပ်ငန်းသုံး ပစ္စည်းကိရိယာများကို ကွန်ရက်တစ်ခုနှင့် ချိတ်ဆက်ပေးခြင်းဖြင့် ၎င်း၏ လည်ပတ်မှုဒေတာများကို စုဆောင်း၊ သိမ်းဆည်းပြီး ပြန်လည်သုံးသပ်နိုင်စေသည့် အလေ့အကျင့်ဖြစ်သည်။ အတုဥာဏ်ရည် (AI) သည် ထိုဒေတာရှိ ပုံစံများကို ရှာဖွေပြီး ဆုံးဖြတ်ချက်များကို အကြံပြု သို့မဟုတ် အကောင်အထည်ဖော်သည့် ဆော့ဖ်ဝဲလ်အလွှာဖြစ်သည်။deflashing တွင် နှစ်ခုစလုံးသည် အတွဲလိုက်လုပ်ဆောင်သည်- IoT သည် raw signal ကို ထောက်ပံ့ပေးပြီး AI သည် signal ကို လုပ်ဆောင်ချက်အဖြစ် ပြောင်းလဲပေးသည် - roller ကို နှေးကွေးစေခြင်း၊ ဟောင်းနွမ်းနေသော ခါးပတ်ကို အလံပြခြင်း သို့မဟုတ် သံသယဖြစ်ဖွယ်အသုတ်ကို ပို့ဆောင်ခြင်းမပြုမီ သီးခြားခွဲထားခြင်း။

အရည်ပျော်စက်ကို ဒေတာရင်းမြစ်အဖြစ် ဦးစွာစဉ်းစားပြီး ခြစ်ရာခြစ်ကိရိယာကို ဒုတိယအနေဖြင့် စဉ်းစားခြင်းက အထောက်အကူဖြစ်စေပါသည်။ စက်ပိုင်းဆိုင်ရာ အရည်ပျော်စက်ဝန်းတိုင်းနှင့် -၁၂၀ ဒီဂရီစင်တီဂရိတ်အောက်ရှိ cryogenic လည်ပတ်မှုတိုင်းတွင် အမြန်နှုန်း၊ အချိန်၊ အပူချိန်နှင့် ဝန်အားတို့၏ ခြေရာခံနိုင်သော လက်ဗွေရာကို ထုတ်လုပ်ပေးသည်။ ထိုလက်ဗွေရာများကို သိမ်းဆည်းပြီးသည်နှင့် ယခင်က လုပ်ငန်းစဉ်အင်ဂျင်နီယာတစ်ဦးသည် စည်ပိုင်း၌ အပြည့်အဝရပ်နေရန် လိုအပ်ခဲ့သည့် မေးခွန်းများ - "စက်ဝန်းအချိန်များသည် မည်သည့်အချိန်တွင် တဖြည်းဖြည်း မြင့်တက်လာသနည်း" - သည် ဆယ်စက္ကန့်ကြာ ဒိုင်ခွက်ပေါ်ရှိ မေးခွန်းတစ်ခု ဖြစ်လာသည်။

ဘယ် Deflashing Data Point တွေကို အရင်ဆုံး ချိတ်ဆက်သင့်သလဲ။

deflashing အရည်အသွေးကို ဆုံးဖြတ်ပြီးသား အချက်လေးချက်ဖြင့် စတင်ပါ- cycle time၊ roller speed၊ process temperature နှင့် batch load။၎င်းတို့သည် စက်တိုင်းတွင် ရှိနေပြီး တစ်စုံတစ်ခု မှားယွင်းသွားသောအခါ ပြောင်းလဲသွားပြီး ထုတ်ကုန်ရလဒ်များနှင့် တိုက်ရိုက် ချိတ်ဆက်ပေးသည်။ အောက်ဖော်ပြပါဇယားတွင် variable တစ်ခုစီကို တကယ့်ပစ္စည်းတန်ဖိုးများနှင့် ၎င်းက လော့ခ်ဖွင့်ပေးသည့် optimization နှင့် တွဲဖက်ထားသည်။

စက်ပစ္စည်းတန်ဖိုးများမှရရှိသည်XCJ-G600 ထုတ်ကုန်စာမျက်နှာနှင့်အရည်နိုက်ထရိုဂျင် cryogenic deflashing စက်သတ်မှတ်ချက်များ.

cryogenic embrittlement သည် အပူချိန်နှင့် အချိန်ကြား ပြိုင်ဆိုင်မှုတစ်ခုဖြစ်သောကြောင့်၊ logged cooling curves များသည် cryogenic line ပေါ်ရှိ အဖိုးတန်ဆုံး dataset များဖြစ်သည်။ပစ်မှတ်ပျက်စီးမှုကို ၈ မိနစ်အစား ၅ မိနစ်အတွင်း ရောက်ရှိသည့် ပြေးခြင်းသည် ၎င်း၏ ዑደብ၏ ၃၇% ကို ချွေတာနိုင်ခဲ့ပြီး ၎င်းသည် ချိန်ကိုက်နာရီတွင် မမြင်နိုင်သော်လည်း အချက်အလက်များတွင် ထင်ရှားပါသည်။

Predictive Maintenance က Deflashing Economics ကို ဘယ်လိုပြောင်းလဲစေသလဲ။

ကြိုတင်ခန့်မှန်းပြုပြင်ထိန်းသိမ်းမှုသည် အစိတ်အပိုင်းတစ်ခု ချို့ယွင်းပြီးနောက်တွင် ဝန်ဆောင်မှုကို အချိန်ဇယားဆွဲရန် ခေတ်ရေစီးကြောင်းဒေတာ — မြင့်တက်လာသော ዑደ့ချိန်များ၊ မော်တာလျှပ်စီးကြောင်း အတက်အကျများ၊ အပူချိန်မတည်ငြိမ်မှု — ကို အသုံးပြုသည်။စီးပွားရေးအရ ကွာခြားချက်မှာ ထင်ရှားပါသည်။ အလုပ်ချိန်အလယ်တွင် မောင်းနှင်မော်တာ ချို့ယွင်းသွားပါက လိုင်းကို ရပ်တန့်စေပြီး အချိန်ဇယားကို ရှုပ်ထွေးစေပြီး လုပ်ငန်းစဉ်တစ်ခုလုံးကို ဖျက်သိမ်းနိုင်သော်လည်း၊ အလုပ်ချိန်နှစ်ခုကြားတွင် နှစ်ပတ်စော၍ ဖော်ထုတ်ထားသော စီစဉ်ထားသည့် လဲလှယ်မှုတစ်ခု ဖြစ်ပေါ်ပါသည်။

ဖောက်သည်စက်ရုံများတွင် deflashing လိုင်းများကို ပံ့ပိုးပေးသည့် ကျွန်ုပ်တို့၏အတွေ့အကြုံအရ၊ ချိတ်ဆက်ထားသော စောင့်ကြည့်ခြင်းသည် စက်တစ်ခုတည်းတွင် သုံးလတစ်ကြိမ်လျှင် လုပ်ဆောင်နိုင်သော လုပ်ငန်းစဉ် drift သုံးကြိမ်မှ ငါးကြိမ်အထိ ပေါ်လာလေ့ရှိသည် — အများအားဖြင့် တဖြည်းဖြည်း cycle-time extension နှင့် မညီမညာ cryogenic cooldown — ဖြစ်ပြီး တစ်ခုချင်းစီကို မိနစ် ၃၀ အောက် အချိန်ဇယားဆွဲထားသော window တွင် ပြင်ဆင်နိုင်သည် (ကျွန်ုပ်တို့၏ဖောက်သည်စီမံကိန်းများမှ ပုံမှန်တန်ဖိုးများ၊ တိကျသောကိန်းဂဏန်းများသည် compound mix နှင့် shift pattern ပေါ်မူတည်၍ ကွဲပြားသည်)။XCJ-G600 ကဲ့သို့သော စက်ပေါ်ရှိ 7.5 kW အင်ဗာတာသည် မော်တာဝန်ကို ဒစ်ဂျစ်တယ်နည်းပညာဖြင့် အစီရင်ခံပြီးဖြစ်သောကြောင့်၊ ဤစောင့်ကြည့်မှုအဆင့်အတွက် ဝင်ကြေးမှာ ဟာ့ဒ်ဝဲအသစ်မဟုတ်ဘဲ ဂိတ်ဝေးနှင့် ဖွဲ့စည်းမှုဖြစ်သည်။

လိုက်နာမှုရှုထောင့်လည်း ရှိပါသည်။ အပင်များသည် အသိအမှတ်ပြုလက်မှတ်ရရှိပါသည်။ISO 9001စဉ်ဆက်မပြတ်တိုးတက်မှုကို ပြသရန် တောင်းဆိုခံရသည်။ အသုတ်တစ်ခုလျှင် စက်၏ ကန့်သတ်ချက်များ၏ အချက်အလက်မှတ်တမ်းသည် စာရင်းစစ်တစ်ဦး လက်ခံမည့် အသန့်ရှင်းဆုံး အထောက်အထားများထဲမှ တစ်ခုဖြစ်သည်။

Machine Vision က Quality Loop မှာ ဘယ်နေရာတွေမှာ အကျုံးဝင်လဲ။

စက်အမြင်သည် အာရုံခံကိရိယာဒေတာတစ်ခုတည်းဖြင့် ပွင့်နေသော ကွင်းဆက်ကို ပိတ်ပေးသည်- ကင်မရာများသည် အရည်ပျော်နေသော အစိတ်အပိုင်းများကို စစ်ဆေးပြီး AI အလွှာသည် ငြင်းပယ်ခံရသော အစိတ်အပိုင်းတိုင်းကို ၎င်းကိုထုတ်လုပ်သည့် တိကျသောစက်ဝန်း၊ အမြန်နှုန်းနှင့် အပူချိန်သို့ ပြန်လည်ခြေရာခံသည်။၎င်းက အရည်အသွေးထိန်းချုပ်မှုကို နောက်ကြည့်လုပ်ဆောင်ချက်မှ စတီယာရင်အဝင်အဖြစ်သို့ ပြောင်းလဲပေးသည်။

လက်တွေ့ကျတဲ့ ကွင်းဆက်က ဒီလိုပုံစံရှိပါတယ်- အစိတ်အပိုင်းတွေက deflashing barrel ကနေ ထွက်လာပြီး ကျန်နေတဲ့ flash ကို အချက်ပြတဲ့ vision check ကို ဖြတ်သန်းပြီး သန့်ရှင်းတဲ့ အစိတ်အပိုင်းတွေက a ကို ဆက်လက်သွားပါတယ်ရော်ဘာခွဲစက်စွန့်ပစ်ပစ္စည်းများမှ ကောင်းမွန်သောထုတ်ကုန်ကို ခွဲခြားပေးသည်။ အမြင်အာရုံစနစ်သည် ငြင်းပယ်မှုအစုအဝေးကို မှတ်တမ်းတင်သောအခါ၊ AI သည် အချိန်တံဆိပ်များကို စည်ပိုင်းဒေတာနှင့် နှိုင်းယှဉ်ပြီး အရေးကြီးသောမေးခွန်းကို ဖြေဆိုသည်- ၎င်းသည် ညံ့ဖျင်းသော ဒြပ်ပေါင်းတစ်ခုလား၊ မှားယွင်းသော ရိုလာအမြန်နှုန်းလား၊ သို့မဟုတ် သတ်မှတ်ချက်ထက် ၂ ကီလိုဂရမ်ကျော်လွန်သော အသုတ်လား။

Cryogenic လိုင်းများသည် ဤအတွဲအစပ်မှ အများဆုံးရရှိကြသည်။ Cryogenic deflashing သည် parameters များတည်ငြိမ်သောအခါတွင် အပြီးသတ်ထုတ်ကုန် pass rates 98% အထက်ကိုရရှိစေသောကြောင့်၊ အခြေခံထက် 10 °C ပိုပူသော cooling curve တစ်ခုဖြစ်သည့် logged deficiency သေးငယ်သည့်ပင်လျှင် yield သုံးမှတ်မကုန်ကျမီ ဖမ်းယူထားသင့်သည်။

လက်တွေ့ကျတဲ့ ပေါင်းစည်းမှု လမ်းပြမြေပုံက ဘယ်လိုပုံစံမျိုးလဲ။

ရာဘာစက်ရုံအများစုအတွက် အလုပ်ဖြစ်နိုင်သော ချဉ်းကပ်မှုမှာ အဆင့်သုံးဆင့်ဖြစ်သည်- ချိတ်ဆက်ပါ၊ ခွဲခြမ်းစိတ်ဖြာပါ၊ ထို့နောက် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ပါ — ထိုအစီအစဉ်အတိုင်း လိုင်းတစ်ခုလုံးမတိုင်မီ စက်တစ်လုံးတွင် ဖြစ်သည်။ဒေတာမရှိမီ ဆုံးဖြတ်ချက်များကို အလိုအလျောက်လုပ်ဆောင်ရန် ကြိုးစားခြင်းသည် Industry 4.0 ပရောဂျက်များတွင် ကျွန်ုပ်တို့တွေ့ရသည့် အဖြစ်အများဆုံး ကျရှုံးမှုပုံစံဖြစ်သည်။

1. စက်တစ်ခုကို ချိတ်ဆက်ပြီး အခြေခံမျဉ်းကို သတ်မှတ်ပါ။deflashing unit တစ်ခု — အသစ်ဆုံးနှင့် အဆန်းသစ်ဆုံး inverter-driven — တွင် edge gateway တစ်ခုကို တပ်ဆင်ပြီး ဘာမှမပြောင်းလဲဘဲ 60 ရက်ကြာ cycle time၊ speed၊ temperature နှင့် load ကို မှတ်တမ်းတင်ပါ၊ ထို့ကြောင့် "normal" ကို ယူဆမည့်အစား တိုင်းတာပါသည်။
2. အရည်အသွေးရလဒ်များနှင့် နှိုင်းယှဉ်၍ ခွဲခြမ်းစိတ်ဖြာပါ။စက်ဒေတာကို စစ်ဆေးခြင်းမှ ငြင်းပယ်မှုမှတ်တမ်းများနှင့် ပေါင်းစပ်ပြီး AI အလွှာ (သို့မဟုတ် ရိုးရိုးသားသားပြောရလျှင် ကောင်းမွန်သော spreadsheet တစ်ခု) အား parameter drift နှင့် quality events များအကြား ဆက်စပ်မှုများကို ရှာဖွေစေပါ။
3. closed-loop alerts များဖြင့် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ပါ။အခြေခံအဆင့်မှ သတိပေးကန့်သတ်ချက်များ သတ်မှတ်ပါ၊ ၎င်းတို့ကို အော်ပရေတာများ၏ ဖုန်းများ သို့မဟုတ် စက်ရုံဒိုင်ခွက်သို့ လမ်းကြောင်းပြပါ၊ ထို့နောက်မှသာ အလိုအလျောက် ကန့်သတ်ချက်ပြင်ဆင်ခြင်းကို ထည့်သွင်းစဉ်းစားပါ — အုပ်ချုပ်မှုအရှိဆုံးနှင့် အရေးတကြီးဆုံး လိုအပ်သည့် အဆင့်ဖြစ်သည်။

ရိုးသားသော ကန့်သတ်ချက်များကား အဘယ်နည်း။

AI နှင့် IoT တို့သည် မတည်ငြိမ်သော လုပ်ငန်းစဉ်၊ ဟောင်းနွမ်းနေသော စည် သို့မဟုတ် ညံ့ဖျင်းစွာ သတ်မှတ်ထားသော မှိုကို ပြုပြင်မည်မဟုတ်ပါ - ၎င်းတို့သည် ထိုပြဿနာများကို ပိုမိုမြန်ဆန်စွာနှင့် ပိုမိုတိကျစွာ အစီရင်ခံရုံသာ ပြုလုပ်ပေးမည်ဖြစ်သည်။ပေါင်းစပ်မှုသည် ကောင်းမွန်သော လုပ်ငန်းစဉ်ထိန်းချုပ်မှုကို မြှင့်တင်ပေးသည်၊ ၎င်းကို အစားထိုးခြင်းမဟုတ်ပါ။

ကျွန်ုပ်တို့၏ ပရောဂျက်အတွေ့အကြုံမှ နောက်ထပ်သတိပေးချက်နှစ်ခု။ ပထမအချက်အနေဖြင့်၊ သေးငယ်သော ဒြပ်ပေါင်းလည်ပတ်မှုများသည် ပါးလွှာသောဒေတာကို ထုတ်လုပ်ပေးသည်- O-ring အရွယ်အစားတစ်ခုတည်း၏ လည်ပတ်မှု ၃၀၀ တွင် လေ့ကျင့်ထားသော AI မော်ဒယ်တစ်ခုသည် ရေတိုလည်ပတ်မှုအစိတ်အပိုင်း ၄၀ ပါဝင်သော မိသားစုသို့ သန့်ရှင်းစွာ လွှဲပြောင်းပေးနိုင်မည်မဟုတ်သောကြောင့် ထုတ်ကုန်ရောနှောမှုတစ်ခုစီအတွက် မျှော်လင့်ချက်များကို သတ်မှတ်ရမည်ဖြစ်သည်။ ဒုတိယအချက်အနေဖြင့်၊ ချိတ်ဆက်မှုတွင် လုံခြုံရေးမျက်နှာပြင်တစ်ခုရှိသည် - မှထုတ်ဝေသော ထုတ်လုပ်ရေးဆိုက်ဘာလုံခြုံရေးအရင်းအမြစ်များကဲ့သို့သော လမ်းညွှန်ချက်NISTgateway တစ်ခု မစတင်မီ ဖတ်ရှုသင့်ပါသည်။မီးပိတ်ဆဲလ်တစ်ခုသည် ဒီဇိုင်းအရ အင်တာနက်နှင့် မျက်နှာချင်းဆိုင်ဖြစ်ခဲသောကြောင့်၊ ကောင်းမွန်စွာ အပိုင်းပိုင်းခွဲထားသော စက်ရုံကွန်ရက်သည် ထပ်လောင်းအန္တရာယ်ကို အသင့်အတင့်ထားရှိသော်လည်း "သင့်တင့်သည်" သည် "သုည" မဟုတ်ဘဲ ယင်းအတွက် ဘတ်ဂျက်ချသင့်သည်။

နိဂုံးချုပ်- သင်ရှိပြီးသားဒေတာကို ချိတ်ဆက်ပါ။

ရာဘာ deflashing သည် AI နှင့် IoT ပေါင်းစပ်မှုအတွက် အထူးသင့်လျော်ပါသည်၊ ရိုးရှင်းသော အကြောင်းရင်းတစ်ခုကြောင့်ဖြစ်သည်- စက်များသည် တိကျစွာထိန်းချုပ်ထားသော၊ ပမာဏသတ်မှတ်နိုင်သော variable များတွင် လည်ပတ်ပြီးဖြစ်သည်။ ၁၅ ကီလိုဂရမ် အသုတ်၊ ၂၀-၄၀ စက္ကန့် စက်ဝန်း၊ -၁၅၀ ဒီဂရီစင်တီဂရိတ် အမြင့်၊ ၂၀-၇၀ RPM roller အကွာအဝေး — ၎င်းတို့သည် စုဆောင်းရန် စောင့်ဆိုင်းနေသော data point များဖြစ်ပြီး ၎င်းတို့အားလုံးတွင် အရည်အသွေးမြင့် အချက်အလက်များ ပါရှိသည်။

နောက်ထပ် စက်ပစ္စည်း ရင်းနှီးမြှုပ်နှံမှုကို စီစဉ်နေပါက ထိန်းချုပ်သူများက ထိုဒေတာကို သန့်ရှင်းစွာ ထုတ်ဖော်ပြသသည့် စက်များကို ရွေးချယ်ပါ။ စူးစမ်းလေ့လာပါရော်ဘာအရည်ပျော်စက်အစုံXiamen Xingchangjia မှဖြစ်စေ၊ သင့်အစိတ်အပိုင်းပုံများနှင့် ပစ်မှတ်အထွက်ကို ကျွန်ုပ်တို့ထံ ပေးပို့ပါ — ကျွန်ုပ်တို့၏အင်ဂျင်နီယာအဖွဲ့သည် သင့်စက်ရုံ၏ အလိုအလျောက်အဆင့်နှင့် ကိုက်ညီသော ချိတ်ဆက်မှုရွေးချယ်စရာများပါသည့် deflashing ပုံစံကို အဆိုပြုပါမည်။