Аугсбуршка АИ производна мрежа – ДЛР Лигхтвеигхт Продуцтион Тецхнологи Центер (ЗЛП), Фраунхофер ИГЦВ и Универзитет у Аугсбургу – користе ултразвучне сензоре за повезивање звука са квалитетом обраде композитног материјала.
Ултразвучни сензор инсталиран на ЦНЦ глодалици за праћење квалитета обраде.Извор слике: Сва права задржана од стране Универзитета у Аугсбургу
Аугсбуршка АИ (вештачка интелигенција) производна мрежа, успостављена у јануару 2021. и са седиштем у Аугсбургу, Немачка, окупља Универзитет у Аугсбургу, Фраунхофер, и истраживање о ливењу, композитним материјалима и технологији обраде (Фраунхофер ИГЦВ) и немачкој технологији лаке производње центар.Немачки ваздухопловни центар (ДЛР ЗЛП).Сврха је заједничко истраживање производних технологија заснованих на вештачкој интелигенцији на интерфејсу између материјала, производних технологија и моделирања заснованог на подацима.Пример апликације у којој вештачка интелигенција може да подржи производни процес је обрада композитних материјала ојачаних влакнима.
У новоуспостављеној производној мрежи вештачке интелигенције, научници проучавају како вештачка интелигенција може да оптимизује производне процесе.На пример, на крају многих ланаца вредности у ваздухопловству или машинству, ЦНЦ машине алатке обрађују коначне контуре компоненти направљених од полимерних композита ојачаних влакнима.Овај процес обраде поставља високе захтеве за глодало.Истраживачи са Универзитета у Аугсбургу верују да је могуће оптимизовати процес обраде коришћењем сензора који прате ЦНЦ системе за глодање.Они тренутно користе вештачку интелигенцију за процену токова података које обезбеђују ови сензори.
Индустријски производни процеси су обично веома сложени и постоји много фактора који утичу на резултате.На пример, опрема и алати за обраду се брзо троше, посебно тврди материјали као што су угљенична влакна.Због тога је способност идентификовања и предвиђања критичних нивоа хабања од суштинског значаја за обезбеђивање висококвалитетних обрезаних и машински обрађених композитних структура.Истраживања на индустријским ЦНЦ машинама за глодање показују да одговарајућа сензорска технологија у комбинацији са вештачком интелигенцијом може да пружи таква предвиђања и побољшања.
Индустријска ЦНЦ глодалица за истраживање ултразвучних сензора.Извор слике: Сва права задржана од стране Универзитета у Аугсбургу
Већина модерних ЦНЦ машина за глодање има уграђене основне сензоре, као што су бележење потрошње енергије, силе напајања и обртног момента.Међутим, ови подаци нису увек довољни за решавање финих детаља процеса млевења.У ту сврху, Универзитет у Аугсбургу је развио ултразвучни сензор за анализу структурног звука и интегрисао га у индустријску ЦНЦ машину за глодање.Ови сензори детектују структуриране звучне сигнале у ултразвучном опсегу који се генеришу током млевења, а затим се пропагирају кроз систем до сензора.
Структурни звук може извући закључке о стању процеса обраде.„Ово је показатељ који је за нас значајан као тетива за виолину“, објаснио је проф. Маркус Саусе, директор мреже за производњу вештачке интелигенције.„Музички професионалци могу одмах да утврде на основу звука виолине да ли је подешена и мајсторства свирача на инструменту.Али како се ова метода примењује на ЦНЦ алатне машине?Машинско учење је кључ.
Да би оптимизовали ЦНЦ процес глодања на основу података које је забележио ултразвучни сензор, истраживачи који раде са Саусеом користили су такозвано машинско учење.Одређене карактеристике акустичког сигнала могу указивати на неповољну контролу процеса, што указује на лош квалитет брушеног дела.Стога се ове информације могу користити за директно подешавање и побољшање процеса млевења.Да бисте то урадили, користите снимљене податке и одговарајуће стање (на пример, добра или лоша обрада) за обуку алгоритма.Затим, особа која управља машином за млевење може да реагује на представљене информације о статусу система, или систем може реаговати аутоматски кроз програмирање.
Машинско учење може не само да оптимизује процес глодања директно на радном комаду, већ и да планира циклус одржавања производног погона што је могуће економичније.Функционалне компоненте морају да раде у машини што је дуже могуће да би се побољшала економска ефикасност, али се морају избегавати спонтани кварови узроковани оштећењем компоненти.
Предиктивно одржавање је метода у којој АИ користи прикупљене податке сензора да израчуна када делове треба заменити.За ЦНЦ глодалицу која се проучава, алгоритам препознаје када се промене одређене карактеристике звучног сигнала.На овај начин не само да може да идентификује степен истрошености алата за обраду, већ и да предвиди тачно време за промену алата.Овај и други процеси вештачке интелигенције се инкорпорирају у производну мрежу вештачке интелигенције у Аугсбургу.Три главне партнерске организације сарађују са другим производним погонима како би створили производну мрежу која се може реконфигурисати на модуларан начин и оптимизован за материјале.
Објашњава стару уметност која стоји иза првог ојачања влакнима у индустрији и има дубоко разумевање нове науке о влакнима и будућег развоја.
Време поста: 08.10.2021