Увеличение срока службы режущих инструментов с помощью переносимого ИИ, снижение производственных затрат.
На производственные затраты на обрабатываемую деталь влияют два фактора: объем материала, удаляемого с течением времени, и износ инструмента. Чтобы надежно прогнозировать состояние износа и, таким образом, оптимизировать процессы резки, исследователи из Технического университета Кайзерслаутерна (TUK) разрабатывают процесс, поддерживаемый искусственным интеллектом (ИИ). Они представят свою концепцию на выставке Hannover Messe с 30 мая по 3 июня на исследовательском стенде земли Рейнланд-Пфальц (зал 2, стенд B40). Система будет обучена с использованием реальных данных процесса и измерений. Цель состоит в том, чтобы адаптировать систему к различным условиям процесса посредством трансферного обучения.
Инструменты, используемые для процессов механической обработки в производстве, таких как сверление или фрезерование, со временем изнашиваются. Компании обычно заменяют их преждевременно после определенного количества операций, основанного на опыте, чтобы избежать потери качества или даже дорогостоящих простоев из-за поломки инструмента. Но замена инструментов также требует больших затрат времени и денег, поэтому в конечном итоге стоит оптимизировать циклы замены.
«Чтобы иметь возможность прогнозировать состояние износа режущих инструментов, мы сначала учитываем параметры, связанные с процессом», — говорит Даниэль Мюллер, научный сотрудник Института производственных технологий и производственных систем TUK. К ним относятся технологические силы, действующие во время резки, вибрации и требования к мощности осей станка. «Аналогичным образом мы собираем данные непрерывных измерений, проводимых на инструменте и заготовке», — говорит инженер. «Самая большая проблема заключается в том, чтобы определить корреляции в собранных данных».
С этой целью исследователи обучают систему с поддержкой искусственного интеллекта, которая использует методы машинного обучения для распознавания возможных закономерностей и получения выводов о состоянии износа. Кроме того, предполагается, что система сможет прогнозировать, с какими параметрами процесса компании должны работать в определенных процессах обработки, чтобы обеспечить безопасное и надежное использование инструмента в течение целевого срока службы. «Данные, которые система должна изучить, собираются от пяти компаний-партнеров, включая глобальных игроков, а также малые и средние предприятия», — объясняет Даниэль Мюллер. «При этом мы тестируем широкий спектр вариантов, таких как типы инструментов и материалов или параметры процесса, и таким образом собираем обширную базу данных за весь срок службы инструмента до его выхода из строя».
Эти результаты используются для разработки адаптируемой базовой модели, которая является адаптируемой. «Мы используем концепцию трансферного обучения», — сообщает Питер Саймон, который работает над проектом вместе с Даниэлем Мюллером. «Этот подход позволяет адаптировать базовую модель к процессам обработки, специфичным для клиента, с минимальными дополнительными усилиями. Кроме того, мы будем использовать результаты исследовательского проекта в рамках этого использования в виде инновационных бизнес-моделей. »
Теги: автоматизация, ИИ