ИИ повышает точность ЧПУ-фрезеровки углеродных композитов в сети Augsburg AI Production Network

Augsburg AI Production Network: ИИ оптимизирует фрезеровку волокно-усиленных композитов

Основанная в январе 2021 года Augsburg AI Production Network (Аугсбург, Германия) объединяет Аугсбургский университет, Fraunhofer IGCV (Институт литейного дела, композитов и технологий обработки) и DLR ZLP (Центр технологий легкого производства Немецкого аэрокосмического центра). Цель — совместные НИОКР по ИИ-ориентированным производственным технологиям на стыке материалов, процессов обработки и данных.

Проблема: износ инструмента при обработке углеродного волокна

В конце многих производственных цепочек авиации и машиностроения ЧПУ-станки формируют окончательный контур деталей из полимерных композитов. Этот процесс предъявляет высокие требования к фрезам. Исследователи Аугсбургского университета видят потенциал в использовании сенсоров для мониторинга ЧПУ-системы и ИИ для анализа потоков данных.

Промышленные процессы сложны: оборудование и инструменты быстро изнашиваются, особенно на твердых материалах вроде углеродного волокна. Способность распознавать и прогнозировать критические стадии износа критична для качественной фрезеровки. Исследования на промышленном ЧПУ-станке показывают, как подходящая сенсорика в связке с ИИ даёт такие прогнозы и улучшения.

Структурный шум и машинное обучение

Современные ЧПУ-станки имеют базовые сенсоры (энергопотребление, сила подачи, крутящий момент), но их данных недостаточно для детализации процесса. В Аугсбургском университете разработаны ультразвуковые сенсоры для анализа структурного шума, интегрированные в промышленный ЧПУ-станок. Они фиксируют ультразвуковые сигналы, возникающие при фрезеровке и распространяющиеся через систему к сенсору.

Структурный шум позволяет делать выводы о состоянии процесса. «Это индикатор такой же информативности для нас, как смычковые удары для скрипича», — объясняет проф. др. Маркус Заузе, директор AI Production Network. «Профессионалы по звуку скрипки сразу слышат, настроен ли инструмент и как мастерски играет музыкант». Ключ к переносу этого подхода на ЧПУ — машинное обучение.

Для оптимизации фрезеровки на основе данных ультразвуковых сенсоров исследователи используют ML. Определенные характеристики акустического сигнала указывают на неблагоприятное управление процессом, что ведет к плохому качеству. Процесс можно корректировать напрямую. Алгоритм обучается на записанных данных и соответствующих состояниях (хорошая/плохая обработка). Оператор реагирует на статус или система программируется на автоматическую реакцию.

Предиктивное обслуживание: действие с предвидением

ML не только оптимизирует фрезеровку на заготовке, но и планирует циклы обслуживания максимально экономично. Детали должны работать как можно дольше, но внезапные поломки недопустимы. Предиктивное обслуживание — подход, где ИИ на основе сенсорных данных рассчитывает момент замены детали. Для исследуемого ЧПУ-станка алгоритм распознает изменение характеристик звукового сигнала, определяя степень износа инструмента и прогнозируя оптимальное время замены. Эти и другие ИИ-процессы интегрируются в Augsburg AI Production Network. Три главных партнера работают с другими производственными объектами, создавая модульную, материал-оптимизированную переконфигурируемую производственную сеть.