Аугсбургская производственная сеть искусственного интеллекта — Центр технологий легкого производства DLR (ZLP), Fraunhofer IGCV и Аугсбургский университет — используют ультразвуковые датчики для корреляции звука с качеством обработки композитных материалов.
Ультразвуковой датчик, установленный на фрезерном станке с ЧПУ для контроля качества обработки.Источник изображения: Все права принадлежат Аугсбургскому университету.
Производственная сеть Аугсбургского искусственного интеллекта, созданная в январе 2021 года со штаб-квартирой в Аугсбурге, Германия, объединяет Аугсбургский университет Фраунгофера и исследования в области литья, композитных материалов и технологий обработки (Fraunhofer IGCV) и немецкие технологии производства легких материалов. центр.Немецкий аэрокосмический центр (DLR ZLP).Целью является совместное исследование производственных технологий на основе искусственного интеллекта на стыке материалов, производственных технологий и моделирования на основе данных.Примером применения, в котором искусственный интеллект может поддерживать производственный процесс, является обработка армированных волокном композитных материалов.
В недавно созданной производственной сети искусственного интеллекта ученые изучают, как искусственный интеллект может оптимизировать производственные процессы.Например, на конце многих цепочек создания стоимости в аэрокосмической или машиностроительной отрасли станки с ЧПУ обрабатывают окончательные контуры компонентов из полимерных композитов, армированных волокном.Этот процесс обработки предъявляет высокие требования к фрезе.Исследователи из Аугсбургского университета считают, что можно оптимизировать процесс обработки, используя датчики, контролирующие фрезерные системы с ЧПУ.В настоящее время они используют искусственный интеллект для оценки потоков данных, предоставляемых этими датчиками.
Промышленные производственные процессы обычно очень сложны, и на результаты влияет множество факторов.Например, оборудование и инструменты для обработки быстро изнашиваются, особенно твердые материалы, такие как углеродное волокно.Таким образом, способность выявлять и прогнозировать критические уровни износа необходима для обеспечения высококачественных обрезанных и обработанных композитных конструкций.Исследования промышленных фрезерных станков с ЧПУ показывают, что соответствующие сенсорные технологии в сочетании с искусственным интеллектом могут обеспечить такие прогнозы и улучшения.
Промышленный фрезерный станок с ЧПУ для исследования ультразвуковых датчиков.Источник изображения: Все права принадлежат Аугсбургскому университету.
Большинство современных фрезерных станков с ЧПУ имеют встроенные базовые датчики, такие как регистрация энергопотребления, силы подачи и крутящего момента.Однако этих данных не всегда достаточно для разрешения мелких деталей процесса фрезерования.С этой целью Аугсбургский университет разработал ультразвуковой датчик для анализа структурного шума и интегрировал его в промышленный фрезерный станок с ЧПУ.Эти датчики улавливают структурированные звуковые сигналы ультразвукового диапазона, генерируемые во время фрезерования, а затем распространяются через систему к датчикам.
По структуре звука можно сделать выводы о состоянии процесса обработки.«Это показатель, который имеет для нас такое же значение, как тетива для скрипки», — объяснил профессор Маркус Саузе, директор сети по производству искусственного интеллекта.«Профессионалы в области музыки могут по звуку скрипки сразу определить, настроена ли она, и по владению инструментом музыкант».Но как этот метод применим к станкам с ЧПУ?Машинное обучение является ключевым моментом.
Чтобы оптимизировать процесс фрезерования на станке с ЧПУ на основе данных, записанных ультразвуковым датчиком, исследователи, работающие с Саузе, использовали так называемое машинное обучение.Определенные характеристики акустического сигнала могут свидетельствовать о неблагоприятном контроле процесса, что свидетельствует о плохом качестве фрезеруемой детали.Следовательно, эту информацию можно использовать для непосредственной корректировки и улучшения процесса фрезерования.Для этого используйте записанные данные и соответствующее состояние (например, хорошая или плохая обработка) для обучения алгоритма.Затем человек, управляющий фрезерным станком, может отреагировать на представленную информацию о состоянии системы, или система может реагировать автоматически посредством программирования.
Машинное обучение позволяет не только оптимизировать процесс фрезерования непосредственно на заготовке, но и максимально экономично планировать цикл обслуживания производственного предприятия.Функциональные компоненты должны работать в машине как можно дольше, чтобы повысить экономическую эффективность, но следует избегать самопроизвольных отказов, вызванных повреждением компонентов.
Прогнозное обслуживание — это метод, в котором ИИ использует собранные данные датчиков для расчета момента замены деталей.Для исследуемого фрезерного станка с ЧПУ алгоритм распознает изменение тех или иных характеристик звукового сигнала.Таким образом, он может не только определить степень износа обрабатывающего инструмента, но и спрогнозировать правильное время для замены инструмента.Этот и другие процессы искусственного интеллекта внедряются в сеть производства искусственного интеллекта в Аугсбурге.Три основные партнерские организации сотрудничают с другими производственными предприятиями для создания производственной сети, которую можно реконфигурировать модульным образом и с оптимизацией материалов.
Объясняет старое искусство, лежащее в основе первого в отрасли армирования волокном, а также имеет глубокое понимание новой науки о волокнах и будущих разработок.
Время публикации: 08 октября 2021 г.