Kunstig intelligens optimaliserer CNC-fresing av karbonfiberforsterkede kompositter |Composite Materials World

Augsburg AI-produksjonsnettverket-DLR Lightweight Production Technology Center (ZLP), Fraunhofer IGCV og University of Augsburg bruker ultralydsensorer for å korrelere lyd med kvaliteten på komposittmaterialebehandling.
En ultralydsensor installert på en CNC-fresemaskin for å overvåke kvaliteten på bearbeiding.Bildekilde: Alle rettigheter forbeholdt Universitetet i Augsburg
Augsburg AI (Artificial Intelligence) produksjonsnettverk, etablert i januar 2021 og med hovedkontor i Augsburg, Tyskland, bringer sammen University of Augsburg, Fraunhofer, og forskning på støping, komposittmaterialer og prosesseringsteknologi (Fraunhofer IGCV) og den tyske lettvektsproduksjonsteknologien senter.German Aerospace Center (DLR ZLP).Formålet er i fellesskap å forske på kunstig intelligens-basert produksjonsteknologi i grensesnittet mellom materialer, produksjonsteknologier og databasert modellering.Et eksempel på en applikasjon hvor kunstig intelligens kan støtte produksjonsprosessen er bearbeiding av fiberforsterkede komposittmaterialer.
I det nyetablerte produksjonsnettverket for kunstig intelligens studerer forskere hvordan kunstig intelligens kan optimere produksjonsprosesser.For eksempel, på slutten av mange verdikjeder innen romfart eller maskinteknikk, behandler CNC-maskinverktøy de endelige konturene av komponenter laget av fiberforsterkede polymerkompositter.Denne bearbeidingsprosessen stiller høye krav til fresen.Forskere ved Universitetet i Augsburg mener det er mulig å optimalisere maskineringsprosessen ved å bruke sensorer som overvåker CNC-fresesystemer.De bruker for tiden kunstig intelligens for å evaluere datastrømmene fra disse sensorene.
Industrielle produksjonsprosesser er vanligvis svært komplekse, og det er mange faktorer som påvirker resultatene.For eksempel slites utstyr og prosessverktøy raskt, spesielt harde materialer som karbonfiber.Derfor er evnen til å identifisere og forutsi kritiske slitasjenivåer avgjørende for å gi høykvalitets trimmede og maskinerte komposittstrukturer.Forskning på industrielle CNC-fresemaskiner viser at passende sensorteknologi kombinert med kunstig intelligens kan gi slike spådommer og forbedringer.
Industriell CNC-fresemaskin for ultralydsensorforskning.Bildekilde: Alle rettigheter forbeholdt Universitetet i Augsburg
De fleste moderne CNC-fresemaskiner har innebygde grunnleggende sensorer, som registrering av energiforbruk, matekraft og dreiemoment.Disse dataene er imidlertid ikke alltid tilstrekkelige til å løse de fine detaljene i freseprosessen.For dette formål har University of Augsburg utviklet en ultralydsensor for å analysere strukturlyd og integrert den i en industriell CNC-fresemaskin.Disse sensorene oppdager strukturerte lydsignaler i ultralydområdet som genereres under fresing og forplanter seg deretter gjennom systemet til sensorene.
Strukturlyden kan trekke konklusjoner om tilstanden til prosesseringsprosessen."Dette er en indikator som er like meningsfull for oss som en buestreng er for en fiolin," forklarte prof. Markus Sause, direktør for produksjonsnettverket for kunstig intelligens."Musikkfagfolk kan umiddelbart bestemme ut fra lyden av fiolinen om den er stemt og spillerens mestring av instrumentet."Men hvordan gjelder denne metoden for CNC-maskiner?Maskinlæring er nøkkelen.
For å optimalisere CNC-freseprosessen basert på data registrert av ultralydsensoren, brukte forskerne som jobbet med Sause såkalt maskinlæring.Visse egenskaper ved det akustiske signalet kan tyde på ugunstig prosesskontroll, noe som indikerer at kvaliteten på den freste delen er dårlig.Derfor kan denne informasjonen brukes til å justere og forbedre freseprosessen direkte.For å gjøre dette, bruk de registrerte dataene og den tilsvarende tilstanden (for eksempel god eller dårlig behandling) for å trene algoritmen.Deretter kan personen som betjener fresemaskinen reagere på den presenterte systemstatusinformasjonen, eller systemet kan reagere automatisk gjennom programmering.
Maskinlæring kan ikke bare optimere freseprosessen direkte på arbeidsstykket, men også planlegge vedlikeholdssyklusen til produksjonsanlegget så økonomisk som mulig.Funksjonelle komponenter må fungere i maskinen så lenge som mulig for å forbedre den økonomiske effektiviteten, men spontane feil forårsaket av komponentskade må unngås.
Prediktivt vedlikehold er en metode der AI bruker innsamlede sensordata for å beregne når deler bør skiftes ut.For CNC-fresemaskinen som studeres, gjenkjenner algoritmen når visse egenskaper ved lydsignalet endres.På denne måten kan den ikke bare identifisere graden av slitasje på maskineringsverktøyet, men også forutsi riktig tidspunkt for å skifte verktøyet.Denne og andre kunstig intelligens-prosesser blir innlemmet i produksjonsnettverket for kunstig intelligens i Augsburg.De tre viktigste partnerorganisasjonene samarbeider med andre produksjonsanlegg for å skape et produksjonsnettverk som kan rekonfigureres på en modulær og materialoptimalisert måte.
Forklarer den gamle kunsten bak bransjens første fiberarmering, og har en inngående forståelse av ny fibervitenskap og fremtidig utvikling.


Innleggstid: Okt-08-2021