Kunstig intelligens optimerer CNC-fræsning af kulfiberforstærkede kompositter |Composite Materials World

Augsburg AI-produktionsnetværket-DLR Lightweight Production Technology Center (ZLP), Fraunhofer IGCV og University of Augsburg bruger ultralydssensorer til at korrelere lyd med kvaliteten af ​​kompositmaterialebehandling.
En ultralydssensor installeret på en CNC-fræser for at overvåge kvaliteten af ​​bearbejdningen.Billedkilde: Alle rettigheder forbeholdt University of Augsburg
Augsburg AI (Artificial Intelligence) produktionsnetværk, der blev etableret i januar 2021 og har hovedkvarter i Augsburg, Tyskland, samler University of Augsburg, Fraunhofer, og forskning i støbning, kompositmaterialer og forarbejdningsteknologi (Fraunhofer IGCV) og den tyske letvægtsproduktionsteknologi centrum.German Aerospace Center (DLR ZLP).Formålet er i fællesskab at forske i kunstig intelligens-baserede produktionsteknologier i grænsefladen mellem materialer, fremstillingsteknologier og databaseret modellering.Et eksempel på en applikation, hvor kunstig intelligens kan understøtte produktionsprocessen, er forarbejdning af fiberforstærkede kompositmaterialer.
I det nyetablerede produktionsnetværk for kunstig intelligens studerer forskere, hvordan kunstig intelligens kan optimere produktionsprocesser.For eksempel, i slutningen af ​​mange værdikæder inden for rumfart eller maskinteknik, behandler CNC-værktøjsmaskiner de endelige konturer af komponenter fremstillet af fiberforstærkede polymerkompositter.Denne bearbejdningsproces stiller høje krav til fræseren.Forskere ved University of Augsburg mener, at det er muligt at optimere bearbejdningsprocessen ved at bruge sensorer, der overvåger CNC-fræsesystemer.De bruger i øjeblikket kunstig intelligens til at evaluere datastrømmene fra disse sensorer.
Industrielle fremstillingsprocesser er normalt meget komplekse, og der er mange faktorer, der påvirker resultaterne.For eksempel slides udstyr og bearbejdningsværktøj hurtigt, især hårde materialer som kulfiber.Derfor er evnen til at identificere og forudsige kritiske slidniveauer afgørende for at levere trimmede og bearbejdede kompositstrukturer af høj kvalitet.Forskning på industrielle CNC fræsemaskiner viser, at passende sensorteknologi kombineret med kunstig intelligens kan give sådanne forudsigelser og forbedringer.
Industriel CNC fræsemaskine til ultralydssensorforskning.Billedkilde: Alle rettigheder forbeholdt University of Augsburg
De fleste moderne CNC fræsemaskiner har indbyggede basissensorer, såsom registrering af energiforbrug, fremføringskraft og moment.Disse data er dog ikke altid tilstrækkelige til at løse de fine detaljer i fræseprocessen.Til dette formål har University of Augsburg udviklet en ultralydssensor til analyse af strukturlyd og integreret den i en industriel CNC-fræser.Disse sensorer registrerer strukturerede lydsignaler i ultralydsområdet, der genereres under fræsning, og forplanter sig derefter gennem systemet til sensorerne.
Strukturlyden kan drage konklusioner om tilstanden af ​​behandlingsprocessen."Dette er en indikator, der er lige så meningsfuld for os, som en buestreng er for en violin," forklarede prof. Markus Sause, direktør for produktionsnetværket for kunstig intelligens."Musikprofessionelle kan med det samme afgøre ud fra lyden af ​​violinen, om den er stemt og spillerens beherskelse af instrumentet."Men hvordan gælder denne metode for CNC-værktøjsmaskiner?Maskinlæring er nøglen.
For at optimere CNC-fræsningsprocessen baseret på de data, der er registreret af ultralydssensoren, brugte forskerne, der arbejder med Sause, såkaldt maskinlæring.Visse karakteristika ved det akustiske signal kan indikere ugunstig processtyring, hvilket indikerer, at kvaliteten af ​​den fræsede del er dårlig.Derfor kan denne information bruges til direkte at justere og forbedre fræseprocessen.For at gøre dette skal du bruge de registrerede data og den tilsvarende tilstand (for eksempel god eller dårlig behandling) til at træne algoritmen.Derefter kan den person, der betjener fræsemaskinen, reagere på de præsenterede systemstatusoplysninger, eller systemet kan reagere automatisk gennem programmering.
Maskinlæring kan ikke kun optimere fræseprocessen direkte på emnet, men også planlægge vedligeholdelsescyklussen af ​​produktionsanlægget så økonomisk som muligt.Funktionelle komponenter skal arbejde i maskinen så længe som muligt for at forbedre den økonomiske effektivitet, men spontane fejl forårsaget af komponentskade skal undgås.
Prediktiv vedligeholdelse er en metode, hvor AI bruger indsamlede sensordata til at beregne, hvornår dele skal udskiftes.For den undersøgte CNC-fræser genkender algoritmen, når visse egenskaber ved lydsignalet ændres.På denne måde kan den ikke kun identificere graden af ​​slid på bearbejdningsværktøjet, men også forudsige den korrekte tid til at skifte værktøjet.Denne og andre kunstig intelligens-processer er ved at blive inkorporeret i kunstig intelligens-produktionsnetværket i Augsburg.De tre vigtigste partnerorganisationer samarbejder med andre produktionsfaciliteter for at skabe et produktionsnetværk, der kan omkonfigureres på en modulær og materialeoptimeret måde.
Forklarer den gamle kunst bag industriens første fiberforstærkning og har en dybdegående forståelse for ny fibervidenskab og fremtidig udvikling.


Indlægstid: Okt-08-2021