Umjetna inteligencija optimizira CNC glodanje kompozita ojačanih karbonskim vlaknima |Svijet kompozitnih materijala

Augsburška AI proizvodna mreža - DLR Lightweight Production Technology Center (ZLP), Fraunhofer IGCV i Univerzitet u Augsburgu koriste ultrazvučne senzore za povezivanje zvuka s kvalitetom obrade kompozitnog materijala.
Ultrazvučni senzor instaliran na CNC glodalici za praćenje kvaliteta obrade.Izvor slike: Sva prava zadržana od strane Univerziteta u Augsburgu
Augsburška AI (Umjetna inteligencija) proizvodna mreža osnovana u januaru 2021. godine sa sjedištem u Augsburgu, Njemačka, okuplja Univerzitet u Augsburgu, Fraunhofer, i istraživanja o livenju, kompozitnim materijalima i tehnologiji obrade (Fraunhofer IGCV) i njemačku laganu proizvodnu tehnologiju centar.Njemački svemirski centar (DLR ZLP).Svrha je zajedničko istraživanje proizvodnih tehnologija zasnovanih na umjetnoj inteligenciji na spoju između materijala, proizvodnih tehnologija i modeliranja zasnovanog na podacima.Primjer aplikacije u kojoj umjetna inteligencija može podržati proizvodni proces je obrada kompozitnih materijala ojačanih vlaknima.
U novouspostavljenoj proizvodnoj mreži umjetne inteligencije, naučnici proučavaju kako umjetna inteligencija može optimizirati proizvodne procese.Na primjer, na kraju mnogih lanaca vrijednosti u svemirskom ili mašinskom inženjerstvu, CNC alatne mašine obrađuju konačne konture komponenti napravljenih od polimernih kompozita ojačanih vlaknima.Ovaj proces obrade postavlja visoke zahtjeve za glodalo.Istraživači sa Univerziteta u Augsburgu vjeruju da je moguće optimizirati proces obrade korištenjem senzora koji prate CNC sisteme glodanja.Trenutno koriste umjetnu inteligenciju za procjenu tokova podataka koje pružaju ovi senzori.
Industrijski proizvodni procesi su obično vrlo složeni i postoji mnogo faktora koji utiču na rezultate.Na primjer, oprema i alati za obradu brzo se troše, posebno tvrdi materijali kao što su karbonska vlakna.Stoga je sposobnost identifikacije i predviđanja kritičnih nivoa habanja od suštinskog značaja za obezbeđivanje visokokvalitetnih obrezanih i mašinski obrađenih kompozitnih struktura.Istraživanja industrijskih CNC glodalica pokazuju da odgovarajuća senzorska tehnologija u kombinaciji s umjetnom inteligencijom može pružiti takva predviđanja i poboljšanja.
Industrijska CNC glodalica za istraživanje ultrazvučnih senzora.Izvor slike: Sva prava zadržana od strane Univerziteta u Augsburgu
Većina modernih CNC glodalica ima ugrađene osnovne senzore, kao što su snimanje potrošnje energije, sile pomaka i obrtnog momenta.Međutim, ovi podaci nisu uvijek dovoljni za rješavanje finih detalja procesa mljevenja.U tu svrhu, Univerzitet u Augsburgu je razvio ultrazvučni senzor za analizu strukturnog zvuka i integrirao ga u industrijsku CNC glodalicu.Ovi senzori detektuju strukturirane zvučne signale u ultrazvučnom opsegu koji nastaju tokom mlevenja, a zatim se šire kroz sistem do senzora.
Strukturni zvuk može izvući zaključke o stanju procesa obrade.“Ovo je pokazatelj koji je za nas značajan kao tetiva za violinu”, objasnio je prof. Markus Sause, direktor mreže za proizvodnju umjetne inteligencije.„Muzički profesionalci mogu odmah odrediti po zvuku violine da li je uštimana i majstorstvu svirača na instrumentu.”Ali kako se ova metoda primjenjuje na CNC alatne strojeve?Mašinsko učenje je ključ.
Kako bi optimizirali CNC proces glodanja na osnovu podataka snimljenih ultrazvučnim senzorom, istraživači koji rade sa Sauseom koristili su takozvano mašinsko učenje.Određene karakteristike akustičkog signala mogu ukazivati ​​na nepovoljnu kontrolu procesa, što ukazuje na lošu kvalitetu brušenog dijela.Stoga se ove informacije mogu koristiti za direktno podešavanje i poboljšanje procesa mljevenja.Da biste to učinili, koristite snimljene podatke i odgovarajuće stanje (na primjer, dobra ili loša obrada) za obuku algoritma.Zatim, osoba koja upravlja glodalicom može reagovati na predstavljene informacije o statusu sistema, ili sistem može reagovati automatski kroz programiranje.
Mašinsko učenje ne samo da može optimizirati proces glodanja direktno na radnom komadu, već i planirati ciklus održavanja proizvodnog pogona što je ekonomičnije moguće.Funkcionalne komponente moraju raditi u mašini što je duže moguće kako bi se poboljšala ekonomska efikasnost, ali se moraju izbjeći spontani kvarovi uzrokovani oštećenjem komponenti.
Prediktivno održavanje je metoda u kojoj AI koristi prikupljene podatke senzora kako bi izračunao kada dijelove treba zamijeniti.Za proučavanu CNC glodalicu, algoritam prepoznaje kada se određene karakteristike zvučnog signala promijene.Na taj način ne samo da može identificirati stepen istrošenosti alata za obradu, već i predvidjeti tačno vrijeme za promjenu alata.Ovaj i drugi procesi umjetne inteligencije se inkorporiraju u proizvodnu mrežu umjetne inteligencije u Augsburgu.Tri glavne partnerske organizacije sarađuju s drugim proizvodnim pogonima kako bi stvorili proizvodnu mrežu koja se može rekonfigurirati na modularan način i optimiziran za materijale.
Objašnjava staru umjetnost koja stoji iza prvog ojačanja vlaknima u industriji i ima duboko razumijevanje nove nauke o vlaknima i budućeg razvoja.


Vrijeme objave: Oct-08-2021