Το δίκτυο παραγωγής Augsburg AI-DLR Lightweight Production Technology Center (ZLP), το Fraunhofer IGCV και το Πανεπιστήμιο του Augsburg χρησιμοποιούν αισθητήρες υπερήχων για να συσχετίσουν τον ήχο με την ποιότητα της επεξεργασίας σύνθετου υλικού.
Ένας αισθητήρας υπερήχων εγκατεστημένος σε μια μηχανή φρεζαρίσματος CNC για την παρακολούθηση της ποιότητας της κατεργασίας.Πηγή εικόνας: Όλα τα δικαιώματα διατηρούνται από το Πανεπιστήμιο του Άουγκσμπουργκ
Το δίκτυο παραγωγής Augsburg AI (Artificial Intelligence) που ιδρύθηκε τον Ιανουάριο του 2021 και εδρεύει στο Augsburg της Γερμανίας, συγκεντρώνει το Πανεπιστήμιο του Augsburg, Fraunhofer και την έρευνα για τη χύτευση, τα σύνθετα υλικά και την τεχνολογία επεξεργασίας (Fraunhofer IGCV) και τη γερμανική τεχνολογία παραγωγής ελαφρού βάρους κέντρο.Γερμανικό Αεροδιαστημικό Κέντρο (DLR ZLP).Σκοπός είναι η από κοινού έρευνα τεχνολογιών παραγωγής που βασίζονται στην τεχνητή νοημοσύνη στη διεπαφή μεταξύ υλικών, τεχνολογιών κατασκευής και μοντελοποίησης βάσει δεδομένων.Ένα παράδειγμα εφαρμογής όπου η τεχνητή νοημοσύνη μπορεί να υποστηρίξει τη διαδικασία παραγωγής είναι η επεξεργασία σύνθετων υλικών ενισχυμένων με ίνες.
Στο νεοσύστατο δίκτυο παραγωγής τεχνητής νοημοσύνης, οι επιστήμονες μελετούν πώς η τεχνητή νοημοσύνη μπορεί να βελτιστοποιήσει τις διαδικασίες παραγωγής.Για παράδειγμα, στο τέλος πολλών αλυσίδων αξίας στην αεροδιαστημική ή τη μηχανολογία, οι εργαλειομηχανές CNC επεξεργάζονται τα τελικά περιγράμματα των εξαρτημάτων από σύνθετα πολυμερή ενισχυμένα με ίνες.Αυτή η διαδικασία κατεργασίας θέτει υψηλές απαιτήσεις στον φρέζα.Ερευνητές στο Πανεπιστήμιο του Augsburg πιστεύουν ότι είναι δυνατό να βελτιστοποιηθεί η διαδικασία μηχανικής κατεργασίας χρησιμοποιώντας αισθητήρες που παρακολουθούν τα συστήματα φρεζαρίσματος CNC.Επί του παρόντος χρησιμοποιούν τεχνητή νοημοσύνη για να αξιολογήσουν τις ροές δεδομένων που παρέχονται από αυτούς τους αισθητήρες.
Οι βιομηχανικές διαδικασίες παραγωγής είναι συνήθως πολύ περίπλοκες και υπάρχουν πολλοί παράγοντες που επηρεάζουν τα αποτελέσματα.Για παράδειγμα, ο εξοπλισμός και τα εργαλεία επεξεργασίας φθείρονται γρήγορα, ειδικά τα σκληρά υλικά όπως οι ίνες άνθρακα.Ως εκ τούτου, η ικανότητα αναγνώρισης και πρόβλεψης κρίσιμων επιπέδων φθοράς είναι απαραίτητη για την παροχή υψηλής ποιότητας κομμένων και επεξεργασμένων σύνθετων δομών.Η έρευνα σε βιομηχανικές μηχανές φρεζαρίσματος CNC δείχνει ότι η κατάλληλη τεχνολογία αισθητήρων σε συνδυασμό με την τεχνητή νοημοσύνη μπορεί να παρέχει τέτοιες προβλέψεις και βελτιώσεις.
Βιομηχανική φρέζα CNC για έρευνα αισθητήρων υπερήχων.Πηγή εικόνας: Όλα τα δικαιώματα διατηρούνται από το Πανεπιστήμιο του Άουγκσμπουργκ
Οι περισσότερες σύγχρονες φρέζες CNC διαθέτουν ενσωματωμένους βασικούς αισθητήρες, όπως καταγραφή της κατανάλωσης ενέργειας, της δύναμης τροφοδοσίας και της ροπής.Ωστόσο, αυτά τα δεδομένα δεν είναι πάντα επαρκή για την επίλυση των λεπτών λεπτομερειών της διαδικασίας άλεσης.Για το σκοπό αυτό, το Πανεπιστήμιο του Άουγκσμπουργκ ανέπτυξε έναν αισθητήρα υπερήχων για την ανάλυση του ήχου δομής και τον ενσωμάτωσε σε μια βιομηχανική μηχανή φρέζας CNC.Αυτοί οι αισθητήρες ανιχνεύουν δομημένα ηχητικά σήματα στο εύρος υπερήχων που παράγονται κατά τη άλεση και στη συνέχεια διαδίδονται μέσω του συστήματος στους αισθητήρες.
Ο ήχος της δομής μπορεί να βγάλει συμπεράσματα σχετικά με την κατάσταση της διαδικασίας επεξεργασίας.«Αυτός είναι ένας δείκτης που έχει τόσο νόημα για εμάς όσο το τόξο για ένα βιολί», εξήγησε ο καθηγητής Markus Sause, διευθυντής του δικτύου παραγωγής τεχνητής νοημοσύνης.«Οι επαγγελματίες της μουσικής μπορούν να προσδιορίσουν αμέσως από τον ήχο του βιολιού εάν είναι κουρδισμένο και την ικανότητα του παίκτη στο όργανο».Πώς όμως εφαρμόζεται αυτή η μέθοδος στις εργαλειομηχανές CNC;Η μηχανική μάθηση είναι το κλειδί.
Προκειμένου να βελτιστοποιηθεί η διαδικασία άλεσης CNC με βάση τα δεδομένα που καταγράφονται από τον αισθητήρα υπερήχων, οι ερευνητές που συνεργάζονται με τον Sause χρησιμοποίησαν τη λεγόμενη μηχανική μάθηση.Ορισμένα χαρακτηριστικά του ακουστικού σήματος μπορεί να υποδεικνύουν δυσμενή έλεγχο διεργασίας, γεγονός που υποδηλώνει ότι η ποιότητα του αλεσμένου τμήματος είναι κακή.Επομένως, αυτές οι πληροφορίες μπορούν να χρησιμοποιηθούν για την άμεση προσαρμογή και βελτίωση της διαδικασίας άλεσης.Για να το κάνετε αυτό, χρησιμοποιήστε τα καταγεγραμμένα δεδομένα και την αντίστοιχη κατάσταση (για παράδειγμα, καλή ή κακή επεξεργασία) για να εκπαιδεύσετε τον αλγόριθμο.Στη συνέχεια, το άτομο που χειρίζεται τη μηχανή φρεζαρίσματος μπορεί να αντιδράσει στις παρουσιαζόμενες πληροφορίες κατάστασης του συστήματος ή το σύστημα μπορεί να αντιδράσει αυτόματα μέσω προγραμματισμού.
Η μηχανική εκμάθηση μπορεί όχι μόνο να βελτιστοποιήσει τη διαδικασία άλεσης απευθείας στο τεμάχιο εργασίας, αλλά και να σχεδιάσει τον κύκλο συντήρησης του εργοστασίου παραγωγής όσο το δυνατόν πιο οικονομικά.Τα λειτουργικά εξαρτήματα πρέπει να λειτουργούν στο μηχάνημα όσο το δυνατόν περισσότερο για να βελτιωθεί η οικονομική απόδοση, αλλά πρέπει να αποφεύγονται οι αυθόρμητες βλάβες που προκαλούνται από ζημιά εξαρτημάτων.
Η προγνωστική συντήρηση είναι μια μέθοδος στην οποία η τεχνητή νοημοσύνη χρησιμοποιεί συλλεγμένα δεδομένα αισθητήρων για να υπολογίσει πότε πρέπει να αντικατασταθούν εξαρτήματα.Για την υπό μελέτη φρέζα CNC, ο αλγόριθμος αναγνωρίζει πότε αλλάζουν ορισμένα χαρακτηριστικά του ηχητικού σήματος.Με αυτόν τον τρόπο, όχι μόνο μπορεί να αναγνωρίσει τον βαθμό φθοράς του εργαλείου μηχανουργικής κατεργασίας, αλλά και να προβλέψει τη σωστή ώρα αλλαγής του εργαλείου.Αυτή και άλλες διαδικασίες τεχνητής νοημοσύνης ενσωματώνονται στο δίκτυο παραγωγής τεχνητής νοημοσύνης στο Άουγκσμπουργκ.Οι τρεις κύριοι οργανισμοί-εταίροι συνεργάζονται με άλλες εγκαταστάσεις παραγωγής για να δημιουργήσουν ένα δίκτυο παραγωγής που μπορεί να αναδιαμορφωθεί με αρθρωτό και βελτιστοποιημένο για υλικά τρόπο.
Εξηγεί την παλιά τέχνη πίσω από την πρώτη ενίσχυση ινών της βιομηχανίας και έχει μια εις βάθος κατανόηση της νέας επιστήμης των ινών και της μελλοντικής ανάπτυξης.
Ώρα δημοσίευσης: Οκτ-08-2021