Az augsburgi mesterséges intelligencia gyártóhálózat – a DLR Könnyűgyártástechnológiai Központ (ZLP), a Fraunhofer IGCV és az Augsburgi Egyetem – ultrahangos szenzorokat használ a hang és a kompozit anyagfeldolgozás minőségének korrelációjához.
CNC marógépre szerelt ultrahangos érzékelő a megmunkálás minőségének ellenőrzésére.A kép forrása: Minden jogot az Augsburgi Egyetem fenntart
A 2021 januárjában létrehozott augsburgi mesterséges intelligencia (mesterséges intelligencia) termelési hálózat, amelynek központja Augsburgban (Németország) található, egyesíti az Augsburgi Egyetemet (Fraunhofer), valamint az öntéssel, kompozit anyagokkal és feldolgozási technológiával (Fraunhofer IGCV) és a német könnyűsúlyú gyártási technológiával kapcsolatos kutatásokat. központ.Német Repülési Központ (DLR ZLP).A cél a mesterséges intelligencia alapú gyártási technológiák közös kutatása az anyagok, a gyártási technológiák és az adatalapú modellezés határfelületén.Példa arra az alkalmazásra, ahol a mesterséges intelligencia támogathatja a gyártási folyamatot, a szálerősítésű kompozit anyagok feldolgozása.
Az újonnan létrehozott mesterséges intelligencia-gyártó hálózatban a tudósok azt vizsgálják, hogyan optimalizálhatja a mesterséges intelligencia a termelési folyamatokat.Például a repüléstechnika vagy a gépgyártás számos értékláncának végén a CNC szerszámgépek a szálerősítésű polimer kompozitokból készült alkatrészek végső kontúrjait dolgozzák fel.Ez a megmunkálási folyamat magas követelményeket támaszt a maróval szemben.Az Augsburgi Egyetem kutatói úgy vélik, hogy lehetséges a megmunkálási folyamat optimalizálása olyan érzékelők használatával, amelyek CNC marórendszereket figyelnek.Jelenleg mesterséges intelligenciát használnak az érzékelők által biztosított adatfolyamok értékelésére.
Az ipari gyártási folyamatok általában nagyon összetettek, és számos tényező befolyásolja az eredményeket.Például a berendezések és a megmunkáló szerszámok gyorsan elhasználódnak, különösen a kemény anyagok, például a szénszál.Ezért a kritikus kopási szintek azonosításának és előrejelzésének képessége elengedhetetlen a kiváló minőségű vágott és megmunkált kompozit szerkezetek biztosításához.Az ipari CNC marógépeken végzett kutatások azt mutatják, hogy a megfelelő szenzortechnológia mesterséges intelligenciával kombinálva képes ilyen előrejelzéseket és fejlesztéseket biztosítani.
Ipari CNC marógép ultrahangos szenzoros kutatáshoz.A kép forrása: Minden jogot az Augsburgi Egyetem fenntart
A legtöbb modern CNC marógép beépített alapérzékelőkkel rendelkezik, mint például az energiafogyasztás, az előtolási erő és a nyomaték rögzítése.Ezek az adatok azonban nem mindig elegendőek az őrlési folyamat finom részleteinek megoldásához.Ennek érdekében az Augsburgi Egyetem ultrahangos érzékelőt fejlesztett ki a szerkezet hangjának elemzésére, és integrálta egy ipari CNC marógépbe.Ezek az érzékelők érzékelik a marás során keletkező strukturált hangjeleket az ultrahang tartományban, majd továbbítják a rendszeren az érzékelőkhöz.
A szerkezethang következtetéseket vonhat le a feldolgozási folyamat állapotáról.„Ez egy olyan jelzőszám, amely olyan jelentős számunkra, mint egy íjhúr a hegedűnek” – magyarázta Markus Sause professzor, a mesterséges intelligencia termelőhálózatának igazgatója.„A zenei szakemberek a hegedű hangjából azonnal megállapíthatják, hogy be van-e hangolva, és hogy a játékos mennyire mesteri a hangszeren.”De hogyan vonatkozik ez a módszer a CNC szerszámgépekre?A gépi tanulás a kulcs.
A CNC marási folyamat ultrahangos szenzor által rögzített adatok alapján történő optimalizálása érdekében a Sause-szal dolgozó kutatók úgynevezett gépi tanulást alkalmaztak.Az akusztikus jel bizonyos jellemzői kedvezőtlen folyamatszabályozásra utalhatnak, ami azt jelzi, hogy a mart alkatrész minősége rossz.Ezért ez az információ felhasználható a marási folyamat közvetlen beállítására és javítására.Ehhez használja a rögzített adatokat és a megfelelő állapotot (például jó vagy rossz feldolgozás) az algoritmus betanításához.Ezután a marógépet kezelő személy reagálhat a bemutatott rendszerállapot információra, vagy a rendszer automatikusan reagálhat programozással.
A gépi tanulás nemcsak közvetlenül a munkadarabon optimalizálhatja a marási folyamatot, hanem a lehető leggazdaságosabban tervezheti meg a gyártó üzem karbantartási ciklusát.A működőképes alkatrészeknek a lehető legtovább működniük kell a gépben a gazdaságosság javítása érdekében, de kerülni kell az alkatrészek károsodásából eredő spontán meghibásodásokat.
A prediktív karbantartás egy olyan módszer, amelyben a mesterséges intelligencia az összegyűjtött érzékelőadatokat használja annak kiszámításához, hogy mikor kell cserélni az alkatrészeket.A vizsgált CNC marógép esetében az algoritmus felismeri, ha a hangjel bizonyos jellemzői megváltoznak.Ily módon nemcsak a megmunkálószerszám kopásának mértékét tudja azonosítani, hanem megjósolni a szerszámcsere pontos idejét is.Ezt és más mesterséges intelligencia-folyamatokat beépítik az augsburgi mesterséges intelligencia-termelési hálózatba.A három fő partnerszervezet más gyártóüzemekkel együttműködve olyan gyártási hálózatot hoz létre, amely modulárisan és anyagoptimalizált módon újrakonfigurálható.
Elmagyarázza az iparág első szálerősítésének régi művészetét, és mélyrehatóan ismeri az új száltudományt és a jövőbeli fejlesztéseket.
Feladás időpontja: 2021.10.08