Sieć produkcyjna AI w Augsburgu – Centrum Technologii Produkcji Lekkiej (ZLP), Fraunhofer IGCV i Uniwersytet w Augsburgu – wykorzystują czujniki ultradźwiękowe do korelowania dźwięku z jakością przetwarzania materiału kompozytowego.
Czujnik ultradźwiękowy montowany na frezarce CNC w celu monitorowania jakości obróbki.Źródło obrazu: Wszelkie prawa zastrzeżone przez Uniwersytet w Augsburgu
Sieć produkcyjna Augsburg AI (sztuczna inteligencja) – utworzona w styczniu 2021 r. z siedzibą w Augsburgu w Niemczech – skupia Uniwersytet w Augsburgu w Fraunhofer oraz badania nad odlewami, materiałami kompozytowymi i technologią przetwarzania (Fraunhofer IGCV) oraz niemiecką technologią produkcji lekkich Centrum.Niemieckie Centrum Lotnictwa i Kosmonautyki (DLR ZLP).Celem jest wspólne badanie technologii produkcyjnych opartych na sztucznej inteligencji na styku materiałów, technologii produkcyjnych i modelowania opartego na danych.Przykładem zastosowania, w którym sztuczna inteligencja może wesprzeć proces produkcyjny, jest obróbka materiałów kompozytowych wzmacnianych włóknami.
W nowo utworzonej sieci produkcyjnej sztucznej inteligencji naukowcy badają, w jaki sposób sztuczna inteligencja może optymalizować procesy produkcyjne.Na przykład na końcu wielu łańcuchów wartości w przemyśle lotniczym i kosmicznym lub inżynierii mechanicznej obrabiarki CNC przetwarzają ostateczne kontury elementów wykonanych z kompozytów polimerowych wzmocnionych włóknem.Ten proces obróbki stawia wysokie wymagania frezowi.Naukowcy z Uniwersytetu w Augsburgu uważają, że możliwa jest optymalizacja procesu obróbki poprzez zastosowanie czujników monitorujących systemy frezarskie CNC.Obecnie wykorzystują sztuczną inteligencję do oceny strumieni danych dostarczanych przez te czujniki.
Przemysłowe procesy produkcyjne są zwykle bardzo złożone i istnieje wiele czynników wpływających na wyniki.Na przykład sprzęt i narzędzia do obróbki szybko się zużywają, szczególnie twarde materiały, takie jak włókno węglowe.Dlatego umiejętność identyfikacji i przewidywania krytycznych poziomów zużycia jest niezbędna do zapewnienia wysokiej jakości przyciętych i obrobionych maszynowo konstrukcji kompozytowych.Badania nad przemysłowymi frezarkami CNC pokazują, że odpowiednia technologia czujników w połączeniu ze sztuczną inteligencją może zapewnić takie przewidywania i ulepszenia.
Przemysłowa frezarka CNC do badań czujników ultradźwiękowych.Źródło obrazu: Wszelkie prawa zastrzeżone przez Uniwersytet w Augsburgu
Większość nowoczesnych frezarek CNC posiada wbudowane podstawowe czujniki, takie jak rejestrujące zużycie energii, siłę posuwu i moment obrotowy.Jednak dane te nie zawsze są wystarczające do ustalenia drobnych szczegółów procesu frezowania.W tym celu Uniwersytet w Augsburgu opracował czujnik ultradźwiękowy do analizy dźwięku konstrukcji i zintegrował go z przemysłową frezarką CNC.Czujniki te wykrywają ustrukturyzowane sygnały dźwiękowe w zakresie ultradźwiękowym generowane podczas frezowania, a następnie rozchodzą się przez system do czujników.
Dźwięk konstrukcji pozwala wyciągnąć wnioski na temat stanu procesu przetwarzania.„To wskaźnik, który ma dla nas takie samo znaczenie, jak cięciwa dla skrzypiec” – wyjaśnił prof. Markus Sause, dyrektor sieci produkcyjnej sztucznej inteligencji.„Profesjonaliści muzyczni mogą natychmiast określić na podstawie brzmienia skrzypiec, czy są one nastrojone i czy grający opanował instrument”.Ale jak ta metoda ma zastosowanie do obrabiarek CNC?Uczenie maszynowe jest kluczem.
Aby zoptymalizować proces frezowania CNC w oparciu o dane zarejestrowane przez czujnik ultradźwiękowy, badacze współpracujący z Sause wykorzystali tzw. uczenie maszynowe.Pewne cechy sygnału akustycznego mogą wskazywać na niekorzystną kontrolę procesu, co oznacza, że jakość wyfrezowanej części jest niska.Dlatego też informacje te można wykorzystać do bezpośredniego dostosowania i usprawnienia procesu frezowania.Aby to zrobić, użyj zarejestrowanych danych i odpowiedniego stanu (na przykład dobrego lub złego przetwarzania) do uczenia algorytmu.Wówczas osoba obsługująca frezarkę może zareagować na prezentowaną informację o stanie systemu lub system może zareagować automatycznie poprzez programowanie.
Uczenie maszynowe może nie tylko zoptymalizować proces frezowania bezpośrednio na przedmiocie obrabianym, ale także zaplanować cykl konserwacji zakładu produkcyjnego tak ekonomicznie, jak to możliwe.Aby poprawić efektywność ekonomiczną, elementy funkcjonalne muszą pracować w maszynie tak długo, jak to możliwe, należy jednak unikać samoistnych awarii spowodowanych uszkodzeniem podzespołów.
Konserwacja predykcyjna to metoda, w której sztuczna inteligencja wykorzystuje zebrane dane z czujników do obliczenia, kiedy należy wymienić części.Dla badanej frezarki CNC algorytm rozpoznaje, kiedy zmieniają się pewne cechy sygnału dźwiękowego.W ten sposób może nie tylko określić stopień zużycia narzędzia obróbczego, ale także przewidzieć właściwy moment na wymianę narzędzia.Ten i inne procesy sztucznej inteligencji są włączane do sieci produkcyjnej sztucznej inteligencji w Augsburgu.Trzy główne organizacje partnerskie współpracują z innymi zakładami produkcyjnymi w celu stworzenia sieci produkcyjnej, którą można rekonfigurować w sposób modułowy i zoptymalizowany pod kątem materiałów.
Wyjaśnia starą technologię stojącą za pierwszym w branży wzmocnieniem włókien i posiada dogłębną wiedzę na temat nowych włókien i przyszłego rozwoju.
Czas publikacji: 8 października 2021 r