شبکه تولید Augsburg AI-DLR Lightweight Production Technology Center (ZLP)، Fraunhofer IGCV و دانشگاه Augsburg از حسگرهای اولتراسونیک برای ارتباط صدا با کیفیت پردازش مواد کامپوزیت استفاده می کنند.
یک سنسور اولتراسونیک نصب شده بر روی یک دستگاه فرز CNC برای نظارت بر کیفیت ماشین کاری.منبع تصویر: کلیه حقوق این سایت متعلق به دانشگاه آگسبورگ می باشد
شبکه تولید آگسبورگ AI (هوش مصنوعی) که در ژانویه 2021 تأسیس شد و دفتر مرکزی آن در آگسبورگ، آلمان قرار دارد، دانشگاه آگسبورگ، فراونهوفر و تحقیقات در زمینه ریختهگری، مواد کامپوزیت و فناوری پردازش (Fraunhofer IGCV) و فناوری تولید سبک وزن آلمان را گرد هم میآورد. مرکزمرکز هوافضای آلمان (DLR ZLP).هدف تحقیق مشترک فناوریهای تولید مبتنی بر هوش مصنوعی در رابط بین مواد، فناوریهای ساخت و مدلسازی مبتنی بر داده است.نمونه ای از کاربردهایی که هوش مصنوعی می تواند از فرآیند تولید پشتیبانی کند، پردازش مواد کامپوزیتی تقویت شده با الیاف است.
در شبکه تولید هوش مصنوعی تازه تاسیس، دانشمندان در حال مطالعه این هستند که چگونه هوش مصنوعی می تواند فرآیندهای تولید را بهینه کند.برای مثال، در انتهای بسیاری از زنجیرههای ارزش در مهندسی هوافضا یا مکانیک، ماشینابزارهای CNC خطوط نهایی اجزای ساخته شده از کامپوزیتهای پلیمری تقویتشده با الیاف را پردازش میکنند.این فرآیند ماشینکاری تقاضاهای زیادی را برای فرز برش ایجاد می کند.محققان دانشگاه آگسبورگ بر این باورند که می توان فرآیند ماشینکاری را با استفاده از حسگرهایی که بر سیستم های فرز CNC نظارت می کنند، بهینه کرد.آنها در حال حاضر از هوش مصنوعی برای ارزیابی جریان داده های ارائه شده توسط این حسگرها استفاده می کنند.
فرآیندهای تولید صنعتی معمولاً بسیار پیچیده هستند و عوامل زیادی بر نتایج تأثیر می گذارند.به عنوان مثال، تجهیزات و ابزارهای پردازش به سرعت فرسوده می شوند، به ویژه مواد سخت مانند فیبر کربن.بنابراین، توانایی شناسایی و پیشبینی سطوح سایش بحرانی برای ارائه ساختارهای کامپوزیتی تراششده و ماشینکاری شده با کیفیت بالا ضروری است.تحقیقات روی ماشینهای فرز صنعتی CNC نشان میدهد که فناوری حسگر مناسب همراه با هوش مصنوعی میتواند چنین پیشبینیها و پیشرفتهایی را ارائه دهد.
دستگاه فرز CNC صنعتی برای تحقیقات سنسور اولتراسونیک.منبع تصویر: کلیه حقوق این سایت متعلق به دانشگاه آگسبورگ می باشد
بیشتر ماشینهای فرز CNC مدرن دارای حسگرهای پایه داخلی هستند، مانند ثبت مصرف انرژی، نیروی تغذیه و گشتاور.با این حال، این داده ها همیشه برای حل جزئیات دقیق فرآیند آسیاب کافی نیستند.برای این منظور، دانشگاه آگسبورگ یک حسگر اولتراسونیک برای تجزیه و تحلیل صدای ساختار ایجاد کرده و آن را در یک ماشین فرز صنعتی CNC ادغام کرده است.این حسگرها سیگنال های صوتی ساختار یافته را در محدوده فراصوت تولید شده در طول آسیاب تشخیص می دهند و سپس از طریق سیستم به سنسورها انتشار می یابند.
صدای ساختار می تواند در مورد وضعیت فرآیند پردازش نتیجه گیری کند.پروفسور مارکوس ساس، مدیر شبکه تولید هوش مصنوعی، توضیح داد: «این شاخصی است که برای ما به همان اندازه معنادار است که سیم کمان برای ویولن معنادار است.«متخصصان موسیقی میتوانند فوراً از روی صدای ویولن تعیین کنند که آیا ویولن کوک شده است یا خیر و تسلط نوازنده بر ساز.»اما این روش چگونه برای ماشین های CNC کاربرد دارد؟یادگیری ماشین کلید است.
به منظور بهینه سازی فرآیند فرز CNC بر اساس داده های ثبت شده توسط حسگر اولتراسونیک، محققانی که با Sause کار می کردند از یادگیری ماشینی استفاده کردند.برخی از ویژگی های سیگنال صوتی ممکن است نشان دهنده کنترل نامطلوب فرآیند باشد که نشان می دهد کیفیت قطعه آسیاب شده ضعیف است.بنابراین می توان از این اطلاعات برای تنظیم مستقیم و بهبود فرآیند آسیاب استفاده کرد.برای این کار از داده های ثبت شده و وضعیت مربوطه (مثلاً پردازش خوب یا بد) برای آموزش الگوریتم استفاده کنید.سپس، شخصی که ماشین فرز را اداره می کند می تواند به اطلاعات وضعیت سیستم ارائه شده واکنش نشان دهد یا سیستم می تواند به طور خودکار از طریق برنامه نویسی واکنش نشان دهد.
یادگیری ماشینی نه تنها می تواند فرآیند آسیاب را مستقیماً روی قطعه کار بهینه کند، بلکه چرخه تعمیر و نگهداری کارخانه تولید را تا حد امکان اقتصادی برنامه ریزی می کند.اجزای عملکردی باید تا زمانی که ممکن است در ماشین کار کنند تا کارایی اقتصادی بهبود یابد، اما باید از خرابی های خود به خودی ناشی از آسیب قطعات اجتناب شود.
تعمیر و نگهداری پیش بینی روشی است که در آن هوش مصنوعی از داده های حسگر جمع آوری شده برای محاسبه زمان تعویض قطعات استفاده می کند.برای دستگاه فرز CNC مورد مطالعه، الگوریتم تشخیص می دهد که مشخصه های خاصی از سیگنال صوتی تغییر می کند.به این ترتیب نه تنها می تواند میزان سایش ابزار ماشینکاری را شناسایی کند، بلکه زمان صحیح تعویض ابزار را نیز پیش بینی می کند.این و سایر فرآیندهای هوش مصنوعی در شبکه تولید هوش مصنوعی در آگسبورگ گنجانده شده است.سه سازمان اصلی شریک در حال همکاری با سایر تأسیسات تولیدی برای ایجاد یک شبکه تولیدی هستند که میتواند به شیوهای مدولار و بهینهسازی مواد پیکربندی شود.
هنر قدیمی پشت اولین تقویت الیاف صنعت را توضیح می دهد و درک عمیقی از علم فیبر جدید و توسعه آینده دارد.
زمان ارسال: اکتبر-08-2021