Augsburgo dirbtinio intelekto gamybos tinklas – DLR lengvosios gamybos technologijų centras (ZLP), Fraunhofer IGCV ir Augsburgo universitetas naudoja ultragarsinius jutiklius, kad koreliuotų garsą su kompozicinių medžiagų apdorojimo kokybe.
CNC frezavimo staklėje sumontuotas ultragarsinis jutiklis, skirtas apdirbimo kokybei stebėti.Vaizdo šaltinis: Visos teisės saugomos Augsburgo universiteto
Augsburgo AI (dirbtinio intelekto) gamybos tinklas, įkurtas 2021 m. sausio mėn., kurio būstinė yra Augsburge, Vokietijoje, vienija Augsburgo universitetą, Fraunhofer, liejimo, kompozicinių medžiagų ir apdorojimo technologijos (Fraunhofer IGCV) ir Vokietijos lengvosios gamybos technologijos tyrimus. centras.Vokietijos aviacijos ir kosmoso centras (DLR ZLP).Tikslas – bendrai tirti dirbtiniu intelektu pagrįstas gamybos technologijas medžiagų, gamybos technologijų ir duomenimis pagrįsto modeliavimo sąsajoje.Pavyzdys, kai dirbtinis intelektas gali palaikyti gamybos procesą, yra pluoštu sustiprintų kompozitinių medžiagų apdorojimas.
Naujai įkurtame dirbtinio intelekto gamybos tinkle mokslininkai tiria, kaip dirbtinis intelektas gali optimizuoti gamybos procesus.Pavyzdžiui, daugelio aviacijos ir mechanikos inžinerijos vertės grandinių pabaigoje CNC staklės apdoroja galutinius komponentų, pagamintų iš pluoštu sustiprintų polimerinių kompozitų, kontūrus.Šis apdirbimo procesas kelia didelius reikalavimus frezai.Augsburgo universiteto mokslininkai mano, kad naudojant jutiklius, kurie stebi CNC frezavimo sistemas, galima optimizuoti apdirbimo procesą.Šiuo metu jie naudoja dirbtinį intelektą, kad įvertintų šių jutiklių teikiamus duomenų srautus.
Pramonės gamybos procesai paprastai yra labai sudėtingi, o rezultatams įtakos turi daug veiksnių.Pavyzdžiui, įranga ir apdorojimo įrankiai greitai nusidėvi, ypač kietos medžiagos, tokios kaip anglies pluoštas.Todėl gebėjimas nustatyti ir numatyti kritinius nusidėvėjimo lygius yra būtinas norint sukurti aukštos kokybės apipjaustytas ir apdirbtas kompozitines konstrukcijas.Pramoninių CNC frezavimo staklių tyrimai rodo, kad tinkama jutiklių technologija kartu su dirbtiniu intelektu gali suteikti tokias prognozes ir patobulinimus.
Pramoninė CNC frezavimo staklės, skirtos ultragarsinių jutiklių tyrimams.Vaizdo šaltinis: Visos teisės saugomos Augsburgo universiteto
Dauguma šiuolaikinių CNC frezavimo staklių turi įmontuotus pagrindinius jutiklius, tokius kaip energijos suvartojimas, pastūmos jėga ir sukimo momentas.Tačiau šių duomenų ne visada pakanka smulkioms frezavimo proceso detalėms išspręsti.Tuo tikslu Augsburgo universitetas sukūrė ultragarsinį jutiklį, skirtą struktūrų garsui analizuoti, ir integravo jį į pramoninę CNC frezavimo stakles.Šie jutikliai aptinka struktūrinius garso signalus ultragarso diapazone, sukurtus frezavimo metu, ir tada sklinda per sistemą į jutiklius.
Struktūros garsas gali padaryti išvadas apie apdorojimo proceso būklę.„Tai rodiklis, kuris mums yra toks pat reikšmingas kaip styga smuikui“, – aiškino dirbtinio intelekto gamybos tinklo direktorius prof. Markus Sause.„Muzikos profesionalai iš smuiko skambesio gali iš karto nustatyti, ar jis sureguliuotas, ir ar grotuvas įvaldo instrumentą.Bet kaip šis metodas taikomas CNC staklėms?Mašininis mokymasis yra raktas.
Siekdami optimizuoti CNC frezavimo procesą pagal ultragarso jutiklio užfiksuotus duomenis, su Sause dirbantys mokslininkai panaudojo vadinamąjį mašininį mokymąsi.Tam tikros akustinio signalo charakteristikos gali rodyti nepalankų proceso valdymą, o tai rodo, kad frezuotos detalės kokybė yra prasta.Todėl ši informacija gali būti naudojama tiesiogiai koreguojant ir tobulinant frezavimo procesą.Norėdami tai padaryti, naudokite įrašytus duomenis ir atitinkamą būseną (pavyzdžiui, geras ar blogas apdorojimas), kad išmokytumėte algoritmą.Tada frezavimo stakles dirbantis asmuo gali reaguoti į pateiktą sistemos būsenos informaciją arba sistema gali reaguoti automatiškai per programavimą.
Mašininis mokymasis gali ne tik optimizuoti frezavimo procesą tiesiai ant ruošinio, bet ir kuo ekonomiškiau planuoti gamybos įmonės priežiūros ciklą.Funkciniai komponentai turi veikti mašinoje kuo ilgiau, kad padidėtų ekonominis efektyvumas, tačiau reikia vengti spontaniškų gedimų, kuriuos sukelia komponentų pažeidimai.
Nuspėjamoji priežiūra yra metodas, kai dirbtinis intelektas naudoja surinktus jutiklių duomenis, kad apskaičiuotų, kada reikia pakeisti dalis.Tiriamai CNC frezavimo staklei algoritmas atpažįsta, kada pasikeičia tam tikros garso signalo charakteristikos.Tokiu būdu jis gali ne tik nustatyti apdirbimo įrankio nusidėvėjimo laipsnį, bet ir numatyti tinkamą įrankio keitimo laiką.Šis ir kiti dirbtinio intelekto procesai įtraukiami į dirbtinio intelekto gamybos tinklą Augsburge.Trys pagrindinės organizacijos partnerės bendradarbiauja su kitomis gamybos įmonėmis, kad sukurtų gamybos tinklą, kurį būtų galima perkonfigūruoti moduliniu būdu ir optimizuojant medžiagas.
Paaiškina seną meną, susijusį su pirmuoju pramonėje pluošto armavimu, ir turi nuodugnų supratimą apie naują pluošto mokslą ir būsimą plėtrą.
Paskelbimo laikas: 2021-10-08