奥格斯堡人工智能生产网络——DLR 轻量化生产技术中心 (ZLP)、Fraunhofer IGCV 和奥格斯堡大学——使用超声波传感器将声音与复合材料加工质量关联起来。
安装在数控铣床上的超声波传感器用于监控加工质量。图片来源：奥格斯堡大学保留所有权利
奥格斯堡AI（人工智能）生产网络——成立于2021年1月，总部位于德国奥格斯堡——汇集了奥格斯堡大学、弗劳恩霍夫、铸造、复合材料和加工技术研究机构（Fraunhofer IGCV）以及德国轻量化生产技术中心。德国航空航天中心 (DLR ZLP)。目的是在材料、制造技术和基于数据的建模之间的接口上共同研究基于人工智能的生产技术。人工智能可以支持生产过程的一个应用示例是纤维增强复合材料的加工。
在新建立的人工智能生产网络中，科学家们正在研究人工智能如何优化生产流程。例如，在航空航天或机械工程的许多价值链末端，数控机床加工由纤维增强聚合物复合材料制成的部件的最终轮廓。这种加工工艺对铣刀提出了很高的要求。奥格斯堡大学的研究人员认为，通过使用监控数控铣削系统的传感器可以优化加工过程。他们目前正在使用人工智能来评估这些传感器提供的数据流。
工业制造过程通常非常复杂，影响结果的因素很多。例如，设备和加工工具磨损很快，特别是碳纤维等硬质材料。因此，识别和预测关键磨损程度的能力对于提供高质量的修整和加工复合结构至关重要。对工业数控铣床的研究表明，适当的传感器技术与人工智能相结合可以提供此类预测和改进。
用于超声波传感器研究的工业数控铣床。图片来源：奥格斯堡大学保留所有权利
大多数现代数控铣床都内置基本传感器，例如记录能耗、进给力和扭矩。然而，这些数据并不总是足以解决铣削过程的细节问题。为此，奥格斯堡大学开发了一种用于分析结构声音的超声波传感器，并将其集成到工业数控铣床上。这些传感器检测铣削过程中产生的超声波范围内的结构化声音信号，然后通过系统传播到传感器。
结构声音可以得出有关处理过程状态的结论。“这个指标对我们来说就像弓弦对小提琴一样有意义，”人工智能生产网络主任马库斯·索斯教授解释道。“音乐专业人士可以立即从小提琴的声音判断它是否调音以及演奏者对乐器的掌握程度。”但这种方法如何应用于数控机床呢？机器学习是关键。
为了根据超声波传感器记录的数据优化数控铣削过程，与 Sause 合作的研究人员使用了所谓的机器学习。声音信号的某些特征可能表明过程控制不利，这表明铣削零件的质量较差。因此，该信息可用于直接调整和改进铣削工艺。为此，请使用记录的数据和相应的状态（例如，良好或不良的处理）来训练算法。然后，操作铣床的人员可以对呈现的系统状态信息做出反应，或者系统可以通过编程自动做出反应。
机器学习不仅可以直接在工件上优化铣削工艺，还可以尽可能经济地规划生产工厂的维护周期。功能部件需要尽可能长时间地在机器中工作，以提高经济效益，但必须避免因部件损坏而引起的自发故障。
预测性维护是一种人工智能使用收集的传感器数据来计算何时应该更换零件的方法。对于正在研究的数控铣床，算法可以识别声音信号的某些特征何时发生变化。这样，不仅可以识别加工刀具的磨损程度，还可以预测正确的换刀时间。该人工智能流程和其他人工智能流程正在被纳入奥格斯堡的人工智能生产网络中。三个主要合作伙伴组织正在与其他生产设施合作，创建一个可以以模块化和材料优化的方式重新配置的制造网络。
讲解了行业首个纤维增强背后的古老艺术，并对新型纤维科学和未来发展有深入的了解。
发布时间：2021年10月8日