Augsburgas mākslīgā intelekta ražošanas tīkls — DLR vieglās ražošanas tehnoloģiju centrs (ZLP), Fraunhofer IGCV un Augsburgas Universitāte izmanto ultraskaņas sensorus, lai skaņu korelētu ar kompozītmateriālu apstrādes kvalitāti.
Ultraskaņas sensors, kas uzstādīts uz CNC frēzmašīnas, lai uzraudzītu apstrādes kvalitāti.Attēla avots: Visas tiesības patur Augsburgas Universitāte
Augsburgas AI (mākslīgā intelekta) ražošanas tīkls, kas tika izveidots 2021. gada janvārī un kura galvenā mītne atrodas Augsburgā, Vācijā, apvieno Augsburgas universitāti Fraunhoferā, kā arī liešanas, kompozītmateriālu un apstrādes tehnoloģiju (Fraunhofer IGCV) un Vācijas vieglās ražošanas tehnoloģijas pētījumus. centrs.Vācijas Aviācijas un kosmosa centrs (DLR ZLP).Mērķis ir kopīgi pētīt uz mākslīgo intelektu balstītas ražošanas tehnoloģijas saskarnē starp materiāliem, ražošanas tehnoloģijām un uz datiem balstītu modelēšanu.Piemērs pielietojumam, kur mākslīgais intelekts var atbalstīt ražošanas procesu, ir ar šķiedru pastiprinātu kompozītmateriālu apstrāde.
Jaunizveidotajā mākslīgā intelekta ražošanas tīklā zinātnieki pēta, kā mākslīgais intelekts var optimizēt ražošanas procesus.Piemēram, daudzu aviācijas un mašīnbūves vērtību ķēžu beigās CNC darbgaldi apstrādā no šķiedru pastiprinātiem polimēru kompozītmateriāliem izgatavoto komponentu galīgās kontūras.Šis apstrādes process izvirza augstas prasības frēzei.Augsburgas universitātes pētnieki uzskata, ka ir iespējams optimizēt apstrādes procesu, izmantojot sensorus, kas uzrauga CNC frēzēšanas sistēmas.Pašlaik viņi izmanto mākslīgo intelektu, lai novērtētu šo sensoru sniegtās datu plūsmas.
Rūpnieciskās ražošanas procesi parasti ir ļoti sarežģīti, un rezultātus ietekmē daudzi faktori.Piemēram, iekārtas un apstrādes instrumenti ātri nolietojas, īpaši cietie materiāli, piemēram, oglekļa šķiedra.Tāpēc spēja noteikt un paredzēt kritiskos nodiluma līmeņus ir būtiska, lai nodrošinātu augstas kvalitātes apgrieztas un mehāniski apstrādātas kompozītmateriālu struktūras.Pētījumi par rūpnieciskajām CNC frēzmašīnām liecina, ka atbilstoša sensoru tehnoloģija apvienojumā ar mākslīgo intelektu var nodrošināt šādas prognozes un uzlabojumus.
Rūpnieciskā CNC frēzmašīna ultraskaņas sensoru izpētei.Attēla avots: Visas tiesības patur Augsburgas Universitāte
Lielākajai daļai mūsdienu CNC frēzmašīnu ir iebūvēti pamata sensori, piemēram, reģistrē enerģijas patēriņu, padeves spēku un griezes momentu.Tomēr šie dati ne vienmēr ir pietiekami, lai atrisinātu smalkas frēzēšanas procesa detaļas.Šim nolūkam Augsburgas Universitāte ir izstrādājusi ultraskaņas sensoru struktūras skaņas analīzei un integrējusi to rūpnieciskajā CNC frēzmašīnā.Šie sensori nosaka strukturētus skaņas signālus ultraskaņas diapazonā, kas rodas frēzēšanas laikā, un pēc tam izplatās caur sistēmu uz sensoriem.
Struktūras skaņa var izdarīt secinājumus par apstrādes procesa stāvokli."Tas ir rādītājs, kas mums ir tikpat nozīmīgs kā bantīte vijolei," skaidroja mākslīgā intelekta ražošanas tīkla direktors prof. Markus Sause."Mūzikas profesionāļi pēc vijoles skaņas uzreiz var noteikt, vai tā ir noskaņota, un spēlētāja instrumenta meistarību."Bet kā šī metode attiecas uz CNC darbgaldiem?Mašīnmācība ir galvenais.
Lai optimizētu CNC frēzēšanas procesu, pamatojoties uz ultraskaņas sensora reģistrētajiem datiem, pētnieki, kas strādā ar Sause, izmantoja tā saukto mašīnmācību.Noteiktas akustiskā signāla īpašības var liecināt par nelabvēlīgu procesa vadību, kas liecina, ka frēzētās daļas kvalitāte ir slikta.Tāpēc šo informāciju var izmantot, lai tieši pielāgotu un uzlabotu frēzēšanas procesu.Lai to izdarītu, izmantojiet ierakstītos datus un atbilstošo stāvokli (piemēram, labu vai sliktu apstrādi), lai apmācītu algoritmu.Pēc tam persona, kas strādā ar frēzmašīnu, var reaģēt uz parādīto sistēmas statusa informāciju, vai arī sistēma var reaģēt automātiski, izmantojot programmēšanu.
Mašīnmācība var ne tikai optimizēt frēzēšanas procesu tieši uz sagataves, bet arī plānot ražošanas iekārtas apkopes ciklu pēc iespējas ekonomiskāk.Funkcionālajiem komponentiem mašīnā ir jāstrādā pēc iespējas ilgāk, lai uzlabotu ekonomisko efektivitāti, taču jāizvairās no spontānām atteicēm, ko izraisa komponentu bojājumi.
Prognozējošā apkope ir metode, kurā AI izmanto savāktos sensoru datus, lai aprēķinātu, kad detaļas ir jānomaina.Pētītajai CNC frēzmašīnai algoritms atpazīst, kad mainās noteiktas skaņas signāla īpašības.Tādā veidā tas var ne tikai noteikt apstrādes instrumenta nodiluma pakāpi, bet arī paredzēt pareizo instrumenta maiņas laiku.Šis un citi mākslīgā intelekta procesi tiek iekļauti mākslīgā intelekta ražošanas tīklā Augsburgā.Trīs galvenās partnerorganizācijas sadarbojas ar citām ražotnēm, lai izveidotu ražošanas tīklu, ko var pārkonfigurēt moduļu un materiālu optimizētā veidā.
Izskaidro veco mākslu aiz nozares pirmās šķiedras pastiprināšanas, un ir padziļināta izpratne par jauno šķiedru zinātni un turpmāko attīstību.
Publicēšanas laiks: 2021. gada 8. oktobris