AI verbetert CNC-freesprecisie voor koolstofvezel-versterkte composieten

Het Augsburg AI (kunstmatige intelligentie) Productienetwerk — opgericht in januari 2021 en gevestigd in Augsburg, Duitsland — brengt de Universiteit van Augsburg, het Fraunhofer-instituut voor Gieterei-, Composiet- en Verwerkingstechnologie (Fraunhofer IGCV) en het Centrum voor Lichtgewicht Productietechnologie van het Duitse Ruimtevaartcentrum (DLR ZLP) samen. Het doel is gezamenlijk onderzoek naar AI-gebaseerde productietechnologieën op de interface tussen materialen, productietechnologieën en datagebaseerde modellering. Een toepassingsvoorbeeld waar AI productieprocessen kan ondersteunen, is de bewerking van vezel-versterkte composietmaterialen.

Sensortechnologie en machine learning

In het nieuw opgerichte AI Productienetwerk onderzoeken wetenschappers hoe AI productieprocessen kan optimaliseren. Bijvoorbeeld, aan het einde van veel waardeketens in de luchtvaart of mechanische techniek, verwerken CNC-machines de eindcontour van componenten gemaakt van vezel-versterkte polymere composieten. Dit bewerkingsproces stelt hoge eisen aan de frees. Onderzoekers van de Universiteit van Augsburg zien potentieel om bewerkingsprocessen te optimaliseren door sensoren te gebruiken die het CNC-freessysteem monitoreren. Ze gebruiken momenteel AI om de datastromen van deze sensoren te evalueren.

Industriële productieprocessen zijn vaak zeer complex, met veel factoren die het resultaat beïnvloeden. Uitrusting en bewerkingsgereedschappen slijten snel, met name bij harde materialen zoals koolstofvezel. De mogelijkheid om kritische slijtgraad te herkennen en te voorspellen is daarom essentieel om hoogwaardig getrimde en bewerkte composietstructuren te leveren. Onderzoek op een industriële CNC-freesmachine toont hoe geschikte sensortechnologie, gekoppeld aan AI, dergelijke voorspellingen en verbeteringen kan leveren.

Structuurgeluid en machine learning

Meeste moderne CNC-freesmachines hebben al enkele basis-sensoren ingebouwd, die energieverbruik, voedingskracht en koppel registreren. Deze data is echter niet altijd voldoende voor de resolutie van fijne details in het freesproces. Daarom zijn ultrasone sensoren voor het analyseren van structuurgeluid ontwikkeld aan de Universiteit van Augsburg en geïntegreerd in een industriële CNC-freesmachine. Deze sensoren detecteren structuurgeluidsignalen in het ultrasonische bereik die gegenereerd worden tijdens het freesproces en vervolgens door het systeem naar de sensor voortplanten.

Het structuurgeluid stelt conclusies toe over de toestand van het bewerkingsproces. "Dit is een indicator die even betekenisvol is voor ons als boogstroken voor een viool," legt Prof. Dr. Markus Sause, directeur van het AI Productienetwerk, uit. "Muziekprofessionals kunnen direct uit de klank van een viool horen of het gestemd is en hoe goed de speler het instrument beheerst." Maar hoe werkt deze aanpak voor een CNC-machine? Machine learning is de sleutel.

Om het CNC-freesproces te optimaliseren op basis van opgenomen data van de ultrasonische sensoren, maken onderzoekers die met Sause werken gebruik van machine learning. Bepaalde kenmerken van het akoestische signaal kunnen een ongunstige processturing aangeven, wat wijst op slechte kwaliteit van het gefreesde onderdeel. Als gevolg kan het freesproces direct worden aangepast en verbeterd met deze informatie. Hiervoor wordt een algoritme getraind met opgenomen data en de bijbehorende toestanden (bijv. goed of slecht bewerken). De persoon die de freesmachine bedient, kan dan reageren op de systeemstatusinformatie die gepresenteerd wordt of het systeem kan geprogrammeerd worden om automatisch te reageren.

Predictief onderhoud - voorzorgelijk handelen

Machine learning kan niet alleen het freesproces direct op het werkstuk optimaliseren, maar ook de onderhoudscycli van een productiefaciliteit zo economisch mogelijk plannen. Functionele onderdelen moeten zo lang mogelijk in de machine werken om de economische efficiëntie te verhogen, maar spontane storingen door beschadigde onderdelen moeten vermeden worden.

Predictief onderhoud is een benadering waarbij de AI, met behulp van de verzamelde sensordata, berekent wanneer een onderdeel vervangen moet worden. In het geval van de onderzochte CNC-freesmachine herkent een algoritme wanneer bepaalde kenmerken van het geluidssignaal veranderen. Op deze manier identificeert het niet alleen de slijtgraad van het bewerkingsgereedschap, maar voorspelt het ook het juiste moment om het gereedschap te vervangen. Deze en andere AI-processen worden geïntegreerd in het AI Productienetwerk in Augsburg. De drie hoofdpartnerorganisaties werken met andere productiefaciliteiten samen om een productienetwerk te creëren dat modulaire en materiaal-geoptimaliseerde herconfiguratie mogelijk maakt.