Augsburg AI-ի արտադրական ցանցը՝ DLR Lightweight Production Technology Center (ZLP), Fraunhofer IGCV-ն և Augsburg-ի համալսարանը, օգտագործում են ուլտրաձայնային տվիչներ՝ ձայնը կոմպոզիտային նյութերի մշակման որակի հետ փոխկապակցելու համար:
Ուլտրաձայնային սենսոր, որը տեղադրված է CNC ֆրեզերային մեքենայի վրա՝ վերահսկելու մշակման որակը:Պատկերի աղբյուր՝ Բոլոր իրավունքները պաշտպանված են Աուգսբուրգի համալսարանի կողմից
Augsburg AI (արհեստական բանականություն) արտադրական ցանցը, որը ստեղծվել է 2021 թվականի հունվարին և գտնվում է Աուգսբուրգում, Գերմանիա, միավորում է Աուգսբուրգի համալսարանը, Ֆրաունհոֆերը և ձուլման, կոմպոզիտային նյութերի և մշակման տեխնոլոգիայի (Fraunhofer IGCV) և գերմանական թեթև արտադրության տեխնոլոգիայի հետազոտությունները: կենտրոն.Գերմանական օդատիեզերական կենտրոն (DLR ZLP):Նպատակն է համատեղ ուսումնասիրել արհեստական ինտելեկտի վրա հիմնված արտադրության տեխնոլոգիաները նյութերի, արտադրական տեխնոլոգիաների և տվյալների վրա հիմնված մոդելավորման միջերեսում:Ծրագրի օրինակ, որտեղ արհեստական ինտելեկտը կարող է աջակցել արտադրական գործընթացին, մանրաթելերով ամրացված կոմպոզիտային նյութերի մշակումն է:
Արհեստական ինտելեկտի արտադրության նորաստեղծ ցանցում գիտնականներն ուսումնասիրում են, թե ինչպես կարող է արհեստական ինտելեկտը օպտիմալացնել արտադրական գործընթացները։Օրինակ, օդատիեզերական կամ մեքենաշինության մեջ շատ արժեքային շղթաների վերջում CNC հաստոցները մշակում են մանրաթելային ամրացված պոլիմերային կոմպոզիտներից պատրաստված բաղադրիչների վերջնական եզրագծերը:Այս մշակման գործընթացը մեծ պահանջներ է դնում ֆրեզերային կտրիչի վրա:Աուգսբուրգի համալսարանի հետազոտողները կարծում են, որ հնարավոր է օպտիմիզացնել մշակման գործընթացը՝ օգտագործելով սենսորներ, որոնք վերահսկում են CNC ֆրեզերային համակարգերը:Նրանք ներկայումս օգտագործում են արհեստական ինտելեկտը՝ այս սենսորների կողմից տրամադրվող տվյալների հոսքերը գնահատելու համար:
Արդյունաբերական արտադրական գործընթացները սովորաբար շատ բարդ են, և կան բազմաթիվ գործոններ, որոնք ազդում են արդյունքների վրա:Օրինակ, սարքավորումները և մշակման գործիքները արագ մաշվում են, հատկապես կոշտ նյութերը, ինչպիսիք են ածխածնի մանրաթելը:Հետևաբար, կրիտիկական մաշվածության մակարդակները բացահայտելու և կանխատեսելու կարողությունը էական է բարձրորակ կտրված և մշակված կոմպոզիտային կառուցվածքներ ապահովելու համար:Արդյունաբերական CNC ֆրեզերային մեքենաների վերաբերյալ հետազոտությունները ցույց են տալիս, որ համապատասխան սենսորային տեխնոլոգիան արհեստական ինտելեկտի հետ համատեղ կարող է ապահովել նման կանխատեսումներ և բարելավումներ:
Արդյունաբերական CNC ֆրեզերային մեքենա ուլտրաձայնային սենսորային հետազոտության համար:Պատկերի աղբյուր՝ Բոլոր իրավունքները պաշտպանված են Աուգսբուրգի համալսարանի կողմից
Ժամանակակից CNC ֆրեզերային մեքենաները ունեն ներկառուցված հիմնական սենսորներ, ինչպիսիք են էներգիայի սպառման, սնուցման ուժի և ոլորող մոմենտը գրանցելու համար:Այնուամենայնիվ, այս տվյալները միշտ չէ, որ բավարար են ֆրեզերային գործընթացի նուրբ մանրամասները լուծելու համար:Այդ նպատակով Աուգսբուրգի համալսարանը մշակել է ուլտրաձայնային սենսոր՝ կառուցվածքի ձայնը վերլուծելու համար և այն ինտեգրել արդյունաբերական CNC ֆրեզերային մեքենայի մեջ:Այս սենսորները հայտնաբերում են կառուցվածքային ձայնային ազդանշաններ ուլտրաձայնային տիրույթում, որոնք առաջացել են ֆրեզերային մշակման ժամանակ և այնուհետև տարածվում են համակարգի միջոցով դեպի սենսորներ:
Կառուցվածքի ձայնը կարող է եզրակացություններ անել մշակման գործընթացի վիճակի մասին:«Սա մեզ համար նույնքան իմաստալից ցուցիչ է, որքան ջութակի համար աղեղնավորը», - բացատրեց արհեստական ինտելեկտի արտադրության ցանցի տնօրեն պրոֆեսոր Մարկուս Սաուզը:«Երաժշտության մասնագետները կարող են անմիջապես որոշել ջութակի ձայնից, թե արդյոք այն լարված է, և նվագարկչի կողմից գործիքի վարպետությունը»:Բայց ինչպե՞ս է այս մեթոդը կիրառվում CNC հաստոցների վրա:Մեքենայի ուսուցումը բանալին է:
Ուլտրաձայնային սենսորի կողմից գրանցված տվյալների հիման վրա CNC ֆրեզերային գործընթացը օպտիմալացնելու համար Sause-ի հետ աշխատող հետազոտողները օգտագործել են այսպես կոչված մեքենայական ուսուցում։Ձայնային ազդանշանի որոշ բնութագրեր կարող են վկայել գործընթացի անբարենպաստ հսկողության մասին, ինչը ցույց է տալիս, որ աղացած մասի որակը վատ է:Հետևաբար, այս տեղեկատվությունը կարող է օգտագործվել ուղղակիորեն կարգավորելու և բարելավելու ֆրեզերային գործընթացը:Դա անելու համար օգտագործեք գրանցված տվյալները և համապատասխան վիճակը (օրինակ՝ լավ կամ վատ մշակում) ալգորիթմը վարժեցնելու համար։Այնուհետև ֆրեզերային մեքենան աշխատող անձը կարող է արձագանքել ներկայացված համակարգի կարգավիճակի տեղեկատվությանը, կամ համակարգը կարող է ավտոմատ կերպով արձագանքել ծրագրավորման միջոցով:
Մեքենայական ուսուցումը կարող է ոչ միայն օպտիմալացնել ֆրեզերային գործընթացը անմիջապես աշխատանքային մասի վրա, այլև պլանավորել արտադրական գործարանի պահպանման ցիկլը հնարավորինս տնտեսապես:Ֆունկցիոնալ բաղադրիչները պետք է աշխատեն մեքենայի մեջ որքան հնարավոր է երկար՝ տնտեսական արդյունավետությունը բարելավելու համար, սակայն բաղադրիչների վնասման հետևանքով առաջացած ինքնաբուխ խափանումները պետք է խուսափել:
Կանխատեսելի սպասարկումն այն մեթոդն է, որտեղ AI-ն օգտագործում է հավաքագրված սենսորային տվյալները՝ հաշվարկելու, թե երբ պետք է փոխվեն մասերը:Ուսումնասիրվող CNC ֆրեզերային մեքենայի համար ալգորիթմը ճանաչում է, երբ փոխվում են ձայնային ազդանշանի որոշ բնութագրեր:Այսպիսով, այն կարող է ոչ միայն բացահայտել հաստոցների մաշվածության աստիճանը, այլև կանխատեսել գործիքը փոխելու ճիշտ ժամանակը:Այս և այլ արհեստական ինտելեկտի գործընթացները ներառվում են Աուգսբուրգի արհեստական ինտելեկտի արտադրության ցանցում:Երեք հիմնական գործընկեր կազմակերպությունները համագործակցում են այլ արտադրական օբյեկտների հետ՝ ստեղծելու արտադրական ցանց, որը կարող է վերակազմավորվել մոդուլային և նյութական օպտիմալացված ձևով:
Բացատրում է արդյունաբերության առաջին մանրաթելերի ամրապնդման հիմքում ընկած հին արվեստը և ունի մանրաթելերի նոր գիտության և ապագա զարգացման խորը պատկերացում:
Հրապարակման ժամանակը՝ հոկտ-08-2021