La red de producción de IA de Augsburgo (DLR Lightweight Production Technology Center (ZLP), Fraunhofer IGCV y la Universidad de Augsburgo) utilizan sensores ultrasónicos para correlacionar el sonido con la calidad del procesamiento de materiales compuestos.
Un sensor ultrasónico instalado en una fresadora CNC para monitorear la calidad del mecanizado.Fuente de la imagen: Todos los derechos reservados por la Universidad de Augsburgo
La red de producción de IA (Inteligencia Artificial) de Augsburgo, establecida en enero de 2021 y con sede en Augsburgo, Alemania, reúne a la Universidad de Augsburgo, Fraunhofer, y la investigación sobre fundición, materiales compuestos y tecnología de procesamiento (Fraunhofer IGCV) y la tecnología de producción ligera alemana. centro.Centro Aeroespacial Alemán (DLR ZLP).El objetivo es investigar conjuntamente tecnologías de producción basadas en inteligencia artificial en la interfaz entre materiales, tecnologías de fabricación y modelado basado en datos.Un ejemplo de una aplicación en la que la inteligencia artificial puede respaldar el proceso de producción es el procesamiento de materiales compuestos reforzados con fibra.
En la recién creada red de producción de inteligencia artificial, los científicos están estudiando cómo la inteligencia artificial puede optimizar los procesos de producción.Por ejemplo, al final de muchas cadenas de valor en la ingeniería aeroespacial o mecánica, las máquinas herramienta CNC procesan los contornos finales de componentes hechos de compuestos poliméricos reforzados con fibras.Este proceso de mecanizado exige mucho a la fresa.Los investigadores de la Universidad de Augsburgo creen que es posible optimizar el proceso de mecanizado utilizando sensores que controlan los sistemas de fresado CNC.Actualmente están utilizando inteligencia artificial para evaluar los flujos de datos proporcionados por estos sensores.
Los procesos de fabricación industrial suelen ser muy complejos y hay muchos factores que afectan a los resultados.Por ejemplo, los equipos y las herramientas de procesamiento se desgastan rápidamente, especialmente los materiales duros como la fibra de carbono.Por lo tanto, la capacidad de identificar y predecir niveles críticos de desgaste es esencial para proporcionar estructuras compuestas recortadas y mecanizadas de alta calidad.La investigación sobre fresadoras CNC industriales muestra que la tecnología de sensores adecuada combinada con inteligencia artificial puede proporcionar tales predicciones y mejoras.
Fresadora CNC industrial para investigación de sensores ultrasónicos.Fuente de la imagen: Todos los derechos reservados por la Universidad de Augsburgo
La mayoría de las fresadoras CNC modernas tienen sensores básicos integrados, como el registro del consumo de energía, la fuerza de avance y el par.Sin embargo, estos datos no siempre son suficientes para resolver los pequeños detalles del proceso de molienda.Para ello, la Universidad de Augsburgo desarrolló un sensor ultrasónico para analizar el sonido estructural y lo integró en una fresadora CNC industrial.Estos sensores detectan señales de sonido estructuradas en el rango ultrasónico generado durante el fresado y luego se propagan a través del sistema hasta los sensores.
El sonido estructural puede sacar conclusiones sobre el estado del proceso de procesamiento."Este es un indicador tan significativo para nosotros como la cuerda de un arco para un violín", explicó el profesor Markus Sause, director de la red de producción de inteligencia artificial."Los profesionales de la música pueden determinar inmediatamente por el sonido del violín si está afinado y si el intérprete domina el instrumento".Pero, ¿cómo se aplica este método a las máquinas herramienta CNC?El aprendizaje automático es la clave.
Para optimizar el proceso de fresado CNC a partir de los datos registrados por el sensor ultrasónico, los investigadores que trabajaron con Sause utilizaron el llamado aprendizaje automático.Ciertas características de la señal acústica pueden indicar un control del proceso desfavorable, lo que indica que la calidad de la pieza fresada es mala.Por lo tanto, esta información se puede utilizar para ajustar y mejorar directamente el proceso de molienda.Para hacer esto, use los datos registrados y el estado correspondiente (por ejemplo, procesamiento bueno o malo) para entrenar el algoritmo.Luego, la persona que opera la fresadora puede reaccionar a la información de estado del sistema presentada, o el sistema puede reaccionar automáticamente mediante programación.
El aprendizaje automático no sólo permite optimizar el proceso de fresado directamente en la pieza, sino también planificar el ciclo de mantenimiento de la planta de producción de la forma más económica posible.Los componentes funcionales deben trabajar en la máquina el mayor tiempo posible para mejorar la eficiencia económica, pero se deben evitar fallas espontáneas causadas por daños en los componentes.
El mantenimiento predictivo es un método en el que la IA utiliza datos de sensores recopilados para calcular cuándo se deben reemplazar las piezas.Para la fresadora CNC en estudio, el algoritmo reconoce cuándo cambian ciertas características de la señal sonora.De esta forma, no sólo puede identificar el grado de desgaste de la herramienta de mecanizado, sino también predecir el momento correcto para cambiar la herramienta.Este y otros procesos de inteligencia artificial se están incorporando a la red de producción de inteligencia artificial de Augsburgo.Las tres principales organizaciones asociadas están colaborando con otras instalaciones de producción para crear una red de fabricación que pueda reconfigurarse de forma modular y optimizada en cuanto a materiales.
Explica el antiguo arte detrás del primer refuerzo de fibra de la industria y tiene un conocimiento profundo de la nueva ciencia de las fibras y el desarrollo futuro.
Hora de publicación: 08-oct-2021