Le réseau de production IA d'Augsbourg – le DLR Lightweight Production Technology Center (ZLP), le Fraunhofer IGCV et l'Université d'Augsbourg – utilisent des capteurs à ultrasons pour corréler le son avec la qualité du traitement des matériaux composites.
Un capteur à ultrasons installé sur une fraiseuse CNC pour surveiller la qualité de l'usinage.Source de l'image : Tous droits réservés par l'Université d'Augsbourg
Le réseau de production Augsburg AI (Intelligence artificielle), créé en janvier 2021 et dont le siège est à Augsbourg, en Allemagne, rassemble l'Université d'Augsbourg, Fraunhofer, la recherche sur la fonderie, les matériaux composites et la technologie de traitement (Fraunhofer IGCV) et la technologie allemande de production légère. centre.Centre aérospatial allemand (DLR ZLP).L’objectif est de rechercher conjointement des technologies de production basées sur l’intelligence artificielle, à l’interface entre les matériaux, les technologies de fabrication et la modélisation basée sur les données.Un exemple d’application où l’intelligence artificielle peut soutenir le processus de production est le traitement de matériaux composites renforcés de fibres.
Dans le réseau de production d'intelligence artificielle récemment créé, les scientifiques étudient comment l'intelligence artificielle peut optimiser les processus de production.Par exemple, au bout de nombreuses chaînes de valeur dans l'aéronautique ou l'ingénierie mécanique, les machines-outils CNC traitent les contours finaux des composants en composites polymères renforcés de fibres.Ce processus d'usinage impose des exigences élevées à la fraise.Des chercheurs de l'Université d'Augsbourg pensent qu'il est possible d'optimiser le processus d'usinage en utilisant des capteurs qui surveillent les systèmes de fraisage CNC.Ils utilisent actuellement l’intelligence artificielle pour évaluer les flux de données fournis par ces capteurs.
Les processus de fabrication industrielle sont généralement très complexes et de nombreux facteurs affectent les résultats.Par exemple, les équipements et les outils de traitement s'usent rapidement, en particulier les matériaux durs comme la fibre de carbone.Par conséquent, la capacité d’identifier et de prédire les niveaux d’usure critiques est essentielle pour fournir des structures composites découpées et usinées de haute qualité.Les recherches sur les fraiseuses CNC industrielles montrent qu'une technologie de capteurs appropriée, combinée à l'intelligence artificielle, peut fournir de telles prédictions et améliorations.
Fraiseuse CNC industrielle pour la recherche de capteurs à ultrasons.Source de l'image : Tous droits réservés par l'Université d'Augsbourg
La plupart des fraiseuses CNC modernes disposent de capteurs de base intégrés, tels que l'enregistrement de la consommation d'énergie, de la force d'avance et du couple.Cependant, ces données ne sont pas toujours suffisantes pour résoudre les moindres détails du processus de fraisage.À cette fin, l'Université d'Augsbourg a développé un capteur à ultrasons pour analyser le bruit des structures et l'a intégré dans une fraiseuse CNC industrielle.Ces capteurs détectent les signaux sonores structurés dans la plage ultrasonore générés lors du fraisage, puis se propagent à travers le système jusqu'aux capteurs.
Le son de la structure permet de tirer des conclusions sur l'état du processus de traitement.«C'est un indicateur qui est aussi important pour nous qu'une corde d'arc l'est pour un violon», explique le professeur Markus Sause, directeur du réseau de production d'intelligence artificielle."Les professionnels de la musique peuvent immédiatement déterminer à partir du son du violon s'il est accordé et la maîtrise de l'instrument par le joueur."Mais comment cette méthode s’applique-t-elle aux machines-outils CNC ?L’apprentissage automatique est la clé.
Afin d'optimiser le processus de fraisage CNC sur la base des données enregistrées par le capteur à ultrasons, les chercheurs travaillant avec Sause ont utilisé ce qu'on appelle l'apprentissage automatique.Certaines caractéristiques du signal acoustique peuvent indiquer un contrôle de processus défavorable, ce qui indique que la qualité de la pièce fraisée est médiocre.Par conséquent, ces informations peuvent être utilisées pour ajuster et améliorer directement le processus de fraisage.Pour ce faire, utilisez les données enregistrées et l'état correspondant (par exemple, bon ou mauvais traitement) pour entraîner l'algorithme.Ensuite, la personne qui utilise la fraiseuse peut réagir aux informations d'état du système présentées, ou le système peut réagir automatiquement via la programmation.
L'apprentissage automatique peut non seulement optimiser le processus de fraisage directement sur la pièce, mais également planifier le cycle de maintenance de l'usine de production de la manière la plus économique possible.Les composants fonctionnels doivent fonctionner dans la machine le plus longtemps possible pour améliorer l'efficacité économique, mais les pannes spontanées causées par des dommages aux composants doivent être évitées.
La maintenance prédictive est une méthode dans laquelle l'IA utilise les données collectées par les capteurs pour calculer le moment où les pièces doivent être remplacées.Pour la fraiseuse CNC étudiée, l'algorithme reconnaît quand certaines caractéristiques du signal sonore changent.De cette manière, il peut non seulement identifier le degré d’usure de l’outil d’usinage, mais également prédire le moment correct pour changer l’outil.Ce processus ainsi que d’autres processus d’intelligence artificielle sont intégrés au réseau de production d’intelligence artificielle d’Augsbourg.Les trois principales organisations partenaires collaborent avec d'autres sites de production pour créer un réseau de fabrication pouvant être reconfiguré de manière modulaire et optimisée en termes de matériaux.
Explique l'art ancien derrière le premier renforcement de fibres de l'industrie et possède une compréhension approfondie de la nouvelle science des fibres et du développement futur.
Heure de publication : 08 octobre 2021