Augsburgin tekoälyn tuotantoverkosto - DLR Lightweight Production Technology Center (ZLP), Fraunhofer IGCV ja Augsburgin yliopisto käyttävät ultraääniantureita äänen korreloimiseksi komposiittimateriaalin käsittelyn laatuun.
CNC-jyrsinkoneeseen asennettu ultraäänianturi koneistuksen laadun valvomiseksi.Kuvan lähde: Kaikki oikeudet pidättää Augsburgin yliopisto
Tammikuussa 2021 perustettu Augsburg AI (Artificial Intelligence) -tuotantoverkosto, jonka pääkonttori sijaitsee Augsburgissa, Saksassa, yhdistää Fraunhoferin Augsburgin yliopiston sekä valu-, komposiittimateriaali- ja prosessointiteknologian (Fraunhofer IGCV) ja saksalaisen kevyttuotantoteknologian tutkimuksen. keskusta.Saksan ilmailukeskus (DLR ZLP).Tarkoituksena on yhdessä tutkia tekoälyyn perustuvia tuotantoteknologioita materiaalien, valmistusteknologioiden ja tietopohjaisen mallinnuksen rajapinnassa.Esimerkki sovelluksesta, jossa tekoäly voi tukea tuotantoprosessia, on kuituvahvisteisten komposiittimateriaalien käsittely.
Äskettäin perustetussa tekoälyn tuotantoverkostossa tutkijat tutkivat, kuinka tekoäly voi optimoida tuotantoprosesseja.Esimerkiksi monien ilmailu- tai konepajateollisuuden arvoketjujen lopussa CNC-työstökoneet käsittelevät kuituvahvisteisista polymeerikomposiiteista valmistettujen komponenttien lopulliset ääriviivat.Tämä työstöprosessi asettaa korkeat vaatimukset jyrsimelle.Augsburgin yliopiston tutkijat uskovat, että koneistusprosessia on mahdollista optimoida käyttämällä antureita, jotka valvovat CNC-jyrsintäjärjestelmiä.He käyttävät tällä hetkellä tekoälyä arvioidakseen näiden antureiden tarjoamia tietovirtoja.
Teolliset valmistusprosessit ovat yleensä hyvin monimutkaisia, ja tuloksiin vaikuttavat monet tekijät.Esimerkiksi laitteet ja työstötyökalut kuluvat nopeasti, erityisesti kovat materiaalit, kuten hiilikuitu.Siksi kyky tunnistaa ja ennustaa kriittiset kulumistasot on välttämätöntä korkealaatuisten leikattujen ja koneistettujen komposiittirakenteiden tarjoamiseksi.Teollisten CNC-jyrsinkoneiden tutkimus osoittaa, että sopiva anturitekniikka yhdistettynä tekoälyyn voi tarjota tällaisia ennusteita ja parannuksia.
Teollinen CNC-jyrsinkone ultraäänianturitutkimukseen.Kuvan lähde: Kaikki oikeudet pidättää Augsburgin yliopisto
Useimmissa nykyaikaisissa CNC-jyrsinkoneissa on sisäänrakennetut perusanturit, kuten energiankulutuksen, syöttövoiman ja vääntömomentin tallennus.Nämä tiedot eivät kuitenkaan aina riitä ratkaisemaan jauhatusprosessin hienoja yksityiskohtia.Tätä tarkoitusta varten Augsburgin yliopisto on kehittänyt ultraäänianturin rakenneäänen analysointiin ja integroinut sen teolliseen CNC-jyrsinkoneeseen.Nämä anturit havaitsevat jyrsinnän aikana syntyneet strukturoidut äänisignaalit ultraäänialueella ja etenevät sitten järjestelmän läpi antureille.
Rakenneäänellä voidaan tehdä johtopäätöksiä prosessointiprosessin tilasta."Tämä on meille yhtä merkityksellinen indikaattori kuin jousinauha viululle", sanoi tekoälyn tuotantoverkoston johtaja, professori Markus Sause."Musiikin ammattilaiset voivat heti määrittää viulun äänen perusteella, onko se viritetty ja kuinka soittimen hallinta on soveltuvaa."Mutta miten tätä menetelmää sovelletaan CNC-työstökoneisiin?Koneoppiminen on avain.
Optimoidakseen CNC-jyrsintäprosessin ultraäänianturin tallentamien tietojen perusteella, Sausen kanssa työskentelevät tutkijat käyttivät niin sanottua koneoppimista.Tietyt akustisen signaalin ominaisuudet voivat viitata epäedulliseen prosessin ohjaukseen, mikä osoittaa, että jyrsityn osan laatu on huono.Siksi näitä tietoja voidaan käyttää suoraan jyrsintäprosessin säätämiseen ja parantamiseen.Käytä tätä varten tallennettua dataa ja vastaavaa tilaa (esimerkiksi hyvä tai huono käsittely) algoritmin harjoittamiseen.Tällöin jyrsinkonetta käyttävä henkilö voi reagoida esitettyihin järjestelmän tilatietoihin tai järjestelmä voi reagoida automaattisesti ohjelmoinnin kautta.
Koneoppiminen ei voi pelkästään optimoida jyrsintäprosessia suoraan työkappaleeseen, vaan myös suunnitella tuotantolaitoksen huoltosyklin mahdollisimman taloudellisesti.Toimivien komponenttien on toimittava koneessa mahdollisimman pitkään taloudellisen tehokkuuden parantamiseksi, mutta komponenttivaurioiden aiheuttamia spontaaneja vikoja tulee välttää.
Ennakoiva huolto on menetelmä, jossa tekoäly käyttää kerättyä anturidataa laskeakseen, milloin osat on vaihdettava.Tutkittavassa CNC-jyrsinkoneessa algoritmi tunnistaa, kun tietyt äänisignaalin ominaisuudet muuttuvat.Tällä tavalla se ei voi vain tunnistaa työstötyökalun kulumisastetta, vaan myös ennustaa oikean ajan työkalun vaihtoon.Tämä ja muut tekoälyprosessit on sisällytetty Augsburgin tekoälyn tuotantoverkostoon.Kolme tärkeintä kumppaniorganisaatiota tekevät yhteistyötä muiden tuotantolaitosten kanssa luodakseen tuotantoverkoston, joka voidaan konfiguroida uudelleen modulaarisesti ja materiaalioptimoidusti.
Selittää vanhan taiteen alan ensimmäisen kuitulujitteen takana ja ymmärtää syvällisesti uuden kuitutieteen ja tulevan kehityksen.
Postitusaika: 08.10.2021