Het Augsburg AI-productienetwerk – DLR Lightweight Production Technology Center (ZLP), Fraunhofer IGCV en de Universiteit van Augsburg – gebruiken ultrasone sensoren om geluid te correleren met de kwaliteit van de verwerking van composietmateriaal.
Een ultrasone sensor geïnstalleerd op een CNC-freesmachine om de kwaliteit van de bewerking te bewaken.Bron afbeelding: Alle rechten voorbehouden aan de Universiteit van Augsburg
Het Augsburg AI-productienetwerk (Artificial Intelligence), opgericht in januari 2021 en met hoofdkantoor in Augsburg, Duitsland, brengt de Universiteit van Augsburg, Fraunhofer en onderzoek op het gebied van gieten, composietmaterialen en verwerkingstechnologie (Fraunhofer IGCV) en de Duitse lichtgewichtproductietechnologie samen centrum.Duits lucht- en ruimtevaartcentrum (DLR ZLP).Het doel is om gezamenlijk onderzoek te doen naar op kunstmatige intelligentie gebaseerde productietechnologieën op het raakvlak tussen materialen, productietechnologieën en op data gebaseerde modellering.Een voorbeeld van een toepassing waarbij kunstmatige intelligentie het productieproces kan ondersteunen is de verwerking van vezelversterkte composietmaterialen.
In het nieuw opgerichte productienetwerk voor kunstmatige intelligentie bestuderen wetenschappers hoe kunstmatige intelligentie productieprocessen kan optimaliseren.Aan het einde van veel waardeketens in de lucht- en ruimtevaart- of machinebouw verwerken CNC-bewerkingsmachines bijvoorbeeld de uiteindelijke contouren van componenten gemaakt van vezelversterkte polymeercomposieten.Dit bewerkingsproces stelt hoge eisen aan de frees.Onderzoekers van de Universiteit van Augsburg denken dat het mogelijk is om het bewerkingsproces te optimaliseren door gebruik te maken van sensoren die CNC-freessystemen monitoren.Momenteel gebruiken ze kunstmatige intelligentie om de datastromen van deze sensoren te evalueren.
Industriële productieprocessen zijn doorgaans zeer complex en er zijn veel factoren die de resultaten beïnvloeden.Apparatuur en verwerkingsgereedschappen slijten bijvoorbeeld snel, vooral harde materialen zoals koolstofvezel.Daarom is het vermogen om kritische slijtageniveaus te identificeren en te voorspellen essentieel om hoogwaardige, getrimde en machinaal bewerkte composietstructuren te leveren.Uit onderzoek op industriële CNC-freesmachines blijkt dat de juiste sensortechnologie in combinatie met kunstmatige intelligentie dergelijke voorspellingen en verbeteringen kan opleveren.
Industriële CNC-freesmachine voor ultrasoon sensoronderzoek.Bron afbeelding: Alle rechten voorbehouden aan de Universiteit van Augsburg
De meeste moderne CNC-freesmachines hebben ingebouwde basissensoren, zoals het registreren van energieverbruik, voedingskracht en koppel.Deze gegevens zijn echter niet altijd voldoende om de fijne details van het maalproces op te lossen.Daartoe heeft de Universiteit van Augsburg een ultrasone sensor ontwikkeld voor het analyseren van structuurgeluid en deze in een industriële CNC-freesmachine geïntegreerd.Deze sensoren detecteren gestructureerde geluidssignalen in het ultrasone bereik die tijdens het frezen worden gegenereerd en verspreiden zich vervolgens door het systeem naar de sensoren.
Het structuurgeluid kan conclusies trekken over de status van het verwerkingsproces.“Dit is een indicator die voor ons net zo betekenisvol is als een boogpees voor een viool”, legt prof. Markus Sause, directeur van het productienetwerk voor kunstmatige intelligentie, uit.“Muziekprofessionals kunnen aan de klank van de viool direct vaststellen of deze gestemd is en of de speler het instrument beheerst.”Maar hoe is deze methode van toepassing op CNC-bewerkingsmachines?Machine learning is de sleutel.
Om het CNC-freesproces te optimaliseren op basis van de gegevens die door de ultrasone sensor zijn geregistreerd, gebruikten de onderzoekers die met Sause werkten zogenaamde machine learning.Bepaalde kenmerken van het akoestische signaal kunnen wijzen op een ongunstige procesbeheersing, wat erop wijst dat de kwaliteit van het gefreesde onderdeel slecht is.Deze informatie kan dus gebruikt worden om het maalproces direct aan te passen en te verbeteren.Om dit te doen, gebruikt u de geregistreerde gegevens en de bijbehorende status (bijvoorbeeld goede of slechte verwerking) om het algoritme te trainen.Vervolgens kan de persoon die de freesmachine bedient, reageren op de gepresenteerde systeemstatusinformatie, of het systeem kan automatisch reageren door middel van programmering.
Machine learning kan niet alleen het freesproces direct op het werkstuk optimaliseren, maar ook de onderhoudscyclus van de productie-installatie zo economisch mogelijk plannen.Functionele componenten moeten zo lang mogelijk in de machine blijven werken om de economische efficiëntie te verbeteren, maar spontane storingen veroorzaakt door schade aan componenten moeten worden vermeden.
Predictief onderhoud is een methode waarbij AI aan de hand van verzamelde sensordata berekent wanneer onderdelen vervangen moeten worden.Voor de onderzochte CNC-freesmachine herkent het algoritme wanneer bepaalde kenmerken van het geluidssignaal veranderen.Op deze manier kan het niet alleen de mate van slijtage van het bewerkingsgereedschap identificeren, maar ook het juiste tijdstip voorspellen om het gereedschap te vervangen.Deze en andere kunstmatige-intelligentieprocessen worden opgenomen in het kunstmatige-intelligentieproductienetwerk in Augsburg.De drie belangrijkste partnerorganisaties werken samen met andere productiefaciliteiten om een productienetwerk te creëren dat op een modulaire en materiaalgeoptimaliseerde manier opnieuw kan worden geconfigureerd.
Legt de oude kunst uit achter de eerste vezelversterking in de industrie en heeft een diepgaand inzicht in de nieuwe vezelwetenschap en toekomstige ontwikkelingen.
Posttijd: okt-08-2021