Виробнича мережа Аугсбурга – DLR Lightweight Production Technology Center (ZLP), Fraunhofer IGCV і Аугсбурзький університет – використовують ультразвукові датчики для співвіднесення звуку з якістю обробки композитних матеріалів.
Ультразвуковий датчик, встановлений на фрезерному верстаті з ЧПУ для контролю якості обробки.Джерело зображення: усі права захищено Аугсбурзьким університетом
Виробнича мережа Augsburg AI (Artificial Intelligence), створена в січні 2021 року зі штаб-квартирою в Аугсбурзі, Німеччина, об’єднує Університет Аугсбурга Фраунгофера та дослідження лиття, композитних матеріалів і технологій обробки (Fraunhofer IGCV) і німецьку технологію легкого виробництва. центр.Німецький аерокосмічний центр (DLR ZLP).Метою є спільне дослідження виробничих технологій на основі штучного інтелекту на стику між матеріалами, виробничими технологіями та моделюванням на основі даних.Прикладом застосування, де штучний інтелект може підтримувати виробничий процес, є обробка композитних матеріалів, армованих волокном.
У нещодавно створеній виробничій мережі штучного інтелекту вчені вивчають, як штучний інтелект може оптимізувати виробничі процеси.Наприклад, наприкінці багатьох ланцюжків доданої вартості в аерокосмічній галузі чи машинобудуванні верстати з ЧПК обробляють остаточні контури компонентів із армованих волокном полімерних композитів.Цей процес обробки висуває високі вимоги до фрезера.Дослідники з Університету Аугсбурга вважають, що можна оптимізувати процес обробки за допомогою датчиків, які контролюють фрезерні системи з ЧПК.Зараз вони використовують штучний інтелект для оцінки потоків даних, які надають ці датчики.
Процеси промислового виробництва зазвичай дуже складні, і існує багато факторів, які впливають на результати.Наприклад, обладнання та інструменти для обробки швидко зношуються, особливо тверді матеріали, такі як вуглецеве волокно.Таким чином, здатність визначати та прогнозувати критичні рівні зносу має важливе значення для створення високоякісних оброблених і оброблених композитних структур.Дослідження промислових фрезерних верстатів з ЧПК показує, що відповідні сенсорні технології в поєднанні зі штучним інтелектом можуть забезпечити такі прогнози та покращення.
Промисловий фрезерний верстат з ЧПУ для ультразвукових сенсорних досліджень.Джерело зображення: усі права захищено Аугсбурзьким університетом
Більшість сучасних фрезерних верстатів з ЧПК мають вбудовані основні датчики, такі як запис споживання енергії, сили подачі та крутного моменту.Однак цих даних не завжди достатньо для визначення дрібних деталей процесу фрезерування.З цією метою Університет Аугсбурга розробив ультразвуковий датчик для аналізу структурного звуку та інтегрував його в промисловий фрезерний верстат з ЧПК.Ці датчики виявляють структуровані звукові сигнали в ультразвуковому діапазоні, що генеруються під час фрезерування, а потім поширюються через систему до датчиків.
За структурою звуку можна зробити висновки про стан процесу обробки.«Це показник, який має таке ж значення для нас, як тятива для скрипки», — пояснив професор Маркус Саузе, директор мережі виробництва штучного інтелекту.«Музичні професіонали можуть одразу визначити за звучанням скрипки, чи вона налаштована, і чи виконавець майстерно володіє інструментом».Але як цей метод застосовується до верстатів з ЧПК?Машинне навчання є ключовим.
Щоб оптимізувати процес фрезерування з ЧПК на основі даних, записаних ультразвуковим датчиком, дослідники, які працювали з Sause, використовували так зване машинне навчання.Певні характеристики звукового сигналу можуть вказувати на несприятливий контроль процесу, який вказує на низьку якість відфрезерованої деталі.Таким чином, цю інформацію можна використовувати для безпосереднього налаштування та вдосконалення процесу фрезерування.Для цього використовуйте записані дані та відповідний стан (наприклад, хороша чи погана обробка) для навчання алгоритму.Тоді особа, яка керує фрезерним верстатом, може реагувати на представлену інформацію про стан системи, або система може реагувати автоматично за допомогою програмування.
Машинне навчання може не тільки оптимізувати процес фрезерування безпосередньо на заготовці, але й максимально економно спланувати цикл обслуговування виробничого підприємства.Функціональні компоненти повинні працювати в машині якомога довше, щоб підвищити економічну ефективність, але слід уникати спонтанних збоїв, спричинених пошкодженням компонентів.
Прогнозне технічне обслуговування — це метод, за якого штучний інтелект використовує зібрані дані датчиків для розрахунку часу заміни деталей.Для досліджуваного фрезерного верстата з ЧПК алгоритм розпізнає, коли змінюються певні характеристики звукового сигналу.Таким чином він може не тільки визначити ступінь зносу обробного інструменту, але й передбачити правильний час для заміни інструменту.Цей та інші процеси штучного інтелекту включаються в мережу виробництва штучного інтелекту в Аугсбурзі.Три головні організації-партнери співпрацюють з іншими виробничими потужностями, щоб створити виробничу мережу, яка може бути переналаштована в модульний спосіб і оптимізована за матеріалами.
Пояснює старе мистецтво, що лежить в основі першого в галузі армування волокном, і має глибоке розуміння нової науки про волокна та майбутніх розробок.
Час публікації: 08 жовтня 2021 р