Artefarita Inteligenteco Optimumigas CNC Muelado de Karbona Fibro Plifortigita Kunmetaĵoj |Composite Materials World

La Augsburg AI-produktada reto - DLR Lightweight Production Technology Center (ZLP), Fraunhofer IGCV kaj la Universitato de Augsburg - uzas ultrasonajn sensilojn por korelacii sonon kun la kvalito de kunmetita materiala prilaborado.
Ultrasona sensilo instalita sur CNC-frezmaŝino por kontroli la kvaliton de maŝinado.Bildfonto: Ĉiuj rajtoj rezervitaj de la Universitato de Augsburg
La Augsburg AI (Artefarita Inteligenteco) produktreto-establita en januaro 2021 kaj ĉefsidejita en Augsburg, Germanio-kunigas la Universitaton de Augsburg, Fraunhofer, kaj esploradon pri gisado, kunmetaĵmaterialoj kaj pretigteknologio (Fraunhofer IGCV) kaj la germanan malpezan produktadoteknologion. centro.Germana Aerospaca Centro (DLR ZLP).La celo estas komune esplori artefaritajn inteligentec-bazitajn produktadteknologiojn ĉe la interfaco inter materialoj, produktadteknologioj kaj datum-bazita modeligado.Ekzemplo de aplikaĵo kie artefarita inteligenteco povas apogi la produktadprocezon estas la pretigo de fibro-plifortikigitaj kunmetaĵoj.
En la nove establita artefarita inteligenteco produktadreto, sciencistoj studas kiel artefarita inteligenteco povas optimumigi produktadajn procezojn.Ekzemple, ĉe la fino de multaj valorĉenoj en aerospaca aŭ mekanika inĝenierado, CNC-maŝinaj iloj prilaboras la finajn konturojn de komponantoj faritaj el fibro-plifortigitaj polimerkunmetaĵoj.Ĉi tiu maŝinadprocezo metas altajn postulojn al la frezo.Esploristoj de la Universitato de Augsburg opinias, ke eblas optimumigi la maŝinan procezon per uzado de sensiloj, kiuj kontrolas CNC-frezsistemojn.Ili nuntempe uzas artefaritan inteligentecon por taksi la datumfluojn provizitajn de ĉi tiuj sensiloj.
Industriaj produktadprocezoj estas kutime tre kompleksaj, kaj ekzistas multaj faktoroj kiuj influas la rezultojn.Ekzemple, ekipaĵo kaj pretigaj iloj eluziĝas rapide, precipe malmolaj materialoj kiel karbonfibro.Tial, la kapablo identigi kaj antaŭdiri kritikajn eluziĝonivelojn estas esenca por disponigi altkvalitajn eltonditajn kaj maŝinprilaboritajn kunmetitajn strukturojn.Esplorado pri industriaj CNC-frezmaŝinoj montras, ke taŭga sensila teknologio kombinita kun artefarita inteligenteco povas provizi tiajn antaŭdirojn kaj plibonigojn.
Industria CNC-frezmaŝino por ultrasona sensilo-esplorado.Bildfonto: Ĉiuj rajtoj rezervitaj de la Universitato de Augsburg
Plej modernaj CNC-frezmaŝinoj havas enkonstruitajn bazajn sensilojn, kiel registrante energikonsumon, furaĝforton kaj tordmomanton.Tamen, ĉi tiuj datumoj ne ĉiam sufiĉas por solvi la bonajn detalojn de la muelada procezo.Tiucele, la Universitato de Augsburg evoluigis ultrasonan sensilon por analizi strukturan sonon kaj integrigis ĝin en industrian CNC-frezmaŝinon.Ĉi tiuj sensiloj detektas strukturitajn sonajn signalojn en la ultrasona gamo generita dum muelado kaj poste disvastiĝas tra la sistemo al la sensiloj.
La struktura sono povas tiri konkludojn pri la stato de la pretigprocezo."Ĉi tio estas indikilo, kiu estas tiel signifoplena por ni, kiel arĉŝnuro estas por violono," klarigis Prof. Markus Sause, direktoro de la artefarita inteligenteca produktada reto."Muzikprofesiuloj povas tuj determini de la sono de la violono ĉu ĝi estas agordita kaj la majstrado de la ludanto de la instrumento."Sed kiel ĉi tiu metodo validas por CNC-maŝinoj?Maŝina lernado estas la ŝlosilo.
Por optimumigi la CNC-muelan procezon bazitan sur la datumoj registritaj de la ultrasona sensilo, la esploristoj laborantaj kun Sause uzis la tiel nomatan maŝinlernadon.Certaj trajtoj de la akustika signalo povas indiki malfavoran procezkontrolon, kiu indikas ke la kvalito de la muelita parto estas malbona.Tial ĉi tiu informo povas esti uzata por rekte ĝustigi kaj plibonigi la muelan procezon.Por fari tion, uzu la registritajn datumojn kaj la respondan staton (ekzemple, bona aŭ malbona prilaborado) por trejni la algoritmon.Tiam, la persono funkciiganta la frezmaŝinon povas reagi al la prezentitaj sistemaj statusaj informoj, aŭ la sistemo povas reagi aŭtomate per programado.
Maŝina lernado ne nur povas optimumigi la muelan procezon rekte sur la laborpeco, sed ankaŭ plani la funkciservan ciklon de la produktejo kiel eble plej ekonomie.Funkciaj komponantoj devas labori en la maŝino kiel eble plej longe por plibonigi ekonomian efikecon, sed spontaneaj misfunkciadoj kaŭzitaj de komponento-damaĝo devas esti evititaj.
Prognoza prizorgado estas metodo en kiu AI uzas kolektitajn sensilajn datumojn por kalkuli kiam partoj devus esti anstataŭigitaj.Por la CNC-frezmaŝino studata, la algoritmo rekonas kiam iuj trajtoj de la sonsignalo ŝanĝiĝas.Tiamaniere ĝi povas ne nur identigi la gradon de eluziĝo de la maŝina ilo, sed ankaŭ antaŭdiri la ĝustan tempon por ŝanĝi la ilon.Ĉi tiu kaj aliaj procezoj de artefarita inteligenteco estas enkorpigitaj en la artefaritan inteligentecan produktadreton en Augsburg.La tri ĉefaj partneraj organizoj kunlaboras kun aliaj produktadinstalaĵoj por krei produktadreton kiu povas esti reagordita en modula kaj material-optimumigita maniero.
Klarigas la malnovan arton malantaŭ la unua fibro-plifortigo de la industrio, kaj havas profundan komprenon de nova fibroscienco kaj estonta evoluo.


Afiŝtempo: Oct-08-2021