Artificiell intelligens optimerar CNC-fräsning av kolfiberförstärkta kompositer |Composite Materials World

Augsburgs AI-produktionsnätverk-DLR Lightweight Production Technology Center (ZLP), Fraunhofer IGCV och University of Augsburg använder ultraljudssensorer för att korrelera ljud med kvaliteten på bearbetning av kompositmaterial.
En ultraljudssensor installerad på en CNC-fräsmaskin för att övervaka kvaliteten på bearbetningen.Bildkälla: Alla rättigheter reserverade av University of Augsburg
Produktionsnätverket Augsburg AI (Artificial Intelligence) som etablerades i januari 2021 och har sitt huvudkontor i Augsburg, Tyskland, samlar universitetet i Augsburg, Fraunhofer, och forskning om gjutning, kompositmaterial och processteknik (Fraunhofer IGCV) och den tyska lättviktsproduktionsteknologin Centrum.German Aerospace Center (DLR ZLP).Syftet är att gemensamt forska om artificiell intelligens-baserad produktionsteknik i gränssnittet mellan material, tillverkningsteknik och databaserad modellering.Ett exempel på en applikation där artificiell intelligens kan stödja produktionsprocessen är bearbetning av fiberförstärkta kompositmaterial.
I det nyinrättade produktionsnätverket för artificiell intelligens studerar forskare hur artificiell intelligens kan optimera produktionsprocesser.Till exempel, i slutet av många värdekedjor inom flyg- eller maskinteknik, bearbetar CNC-verktygsmaskiner de slutliga konturerna av komponenter gjorda av fiberförstärkta polymerkompositer.Denna bearbetningsprocess ställer höga krav på fräsen.Forskare vid universitetet i Augsburg tror att det är möjligt att optimera bearbetningsprocessen genom att använda sensorer som övervakar CNC-frässystem.De använder för närvarande artificiell intelligens för att utvärdera dataströmmarna från dessa sensorer.
Industriella tillverkningsprocesser är vanligtvis mycket komplexa och det är många faktorer som påverkar resultatet.Till exempel slits utrustning och bearbetningsverktyg snabbt, särskilt hårda material som kolfiber.Därför är förmågan att identifiera och förutsäga kritiska slitagenivåer avgörande för att tillhandahålla högkvalitativa trimmade och bearbetade kompositstrukturer.Forskning på industriella CNC-fräsmaskiner visar att lämplig sensorteknik i kombination med artificiell intelligens kan ge sådana förutsägelser och förbättringar.
Industriell CNC-fräsmaskin för ultraljudssensorforskning.Bildkälla: Alla rättigheter reserverade av University of Augsburg
De flesta moderna CNC-fräsmaskiner har inbyggda bassensorer, som att registrera energiförbrukning, matningskraft och vridmoment.Dessa data är dock inte alltid tillräckliga för att lösa de fina detaljerna i fräsprocessen.För detta ändamål har University of Augsburg utvecklat en ultraljudssensor för att analysera strukturljud och integrerat den i en industriell CNC-fräsmaskin.Dessa sensorer upptäcker strukturerade ljudsignaler i ultraljudsområdet som genereras under fräsning och sprider sig sedan genom systemet till sensorerna.
Strukturljudet kan dra slutsatser om bearbetningsprocessens tillstånd."Detta är en indikator som är lika meningsfull för oss som en stråksträng är för en fiol", förklarade Prof. Markus Sause, chef för nätverket för produktion av artificiell intelligens."Musikproffs kan omedelbart avgöra från ljudet av fiolen om den är stämd och spelarens behärskning av instrumentet."Men hur fungerar denna metod för CNC-verktygsmaskiner?Maskininlärning är nyckeln.
För att optimera CNC-fräsningsprocessen baserat på data som registrerats av ultraljudssensorn använde forskarna som arbetade med Sause så kallad maskininlärning.Vissa egenskaper hos den akustiska signalen kan indikera ogynnsam processkontroll, vilket indikerar att kvaliteten på den frästa delen är dålig.Därför kan denna information användas för att direkt justera och förbättra fräsprocessen.För att göra detta, använd inspelad data och motsvarande tillstånd (till exempel bra eller dålig bearbetning) för att träna algoritmen.Sedan kan den som använder fräsmaskinen reagera på den presenterade systemstatusinformationen, eller så kan systemet reagera automatiskt genom programmering.
Maskininlärning kan inte bara optimera fräsningsprocessen direkt på arbetsstycket, utan också planera underhållscykeln för produktionsanläggningen så ekonomiskt som möjligt.Funktionella komponenter måste arbeta i maskinen så länge som möjligt för att förbättra den ekonomiska effektiviteten, men spontana fel orsakade av komponentskador måste undvikas.
Prediktivt underhåll är en metod där AI använder insamlad sensordata för att beräkna när delar ska bytas ut.För CNC-fräsmaskinen som studeras känner algoritmen igen när vissa egenskaper hos ljudsignalen ändras.På så sätt kan den inte bara identifiera graden av slitage på bearbetningsverktyget, utan också förutsäga rätt tidpunkt för att byta verktyg.Denna och andra artificiella intelligensprocesser införlivas i produktionsnätverket för artificiell intelligens i Augsburg.De tre huvudsakliga partnerorganisationerna samarbetar med andra produktionsanläggningar för att skapa ett tillverkningsnätverk som kan omkonfigureras på ett modulärt och materialoptimerat sätt.
Förklarar den gamla konsten bakom branschens första fiberförstärkning, och har en djupgående förståelse för ny fibervetenskap och framtida utveckling.


Posttid: 2021-okt-08