AI Tingkatkan Presisi Pemesinan CNC untuk Komposit Terkuat Serat Karbon
Jaringan Produksi AI (kecerdasan buatan) Augsburg — didirikan pada Januari 2021 dan berbasis di Augsburg, Jerman — menghimpun Universitas Augsburg, Institut Fraunhofer untuk Pengecoran, Komposit dan Teknologi Pemrosesan (Fraunhofer IGCV) dan Pusat Teknologi Produksi Ringan Pusat Penerbangan dan Antariksa Jerman (DLR ZLP). Tujuannya penelitian bersama tentang teknologi produksi berbasis AI di antarmuka antara bahan, teknologi manufaktur dan pemodelan berbasis data. Salah satu contoh aplikasi di mana AI dapat mendukung proses produksi adalah pemesinan bahan komposit terkuat serat.
Di Jaringan Produksi AI yang baru didirikan, ilmuwan meneliti bagaimana AI dapat mengoptimalkan proses produksi. Misalnya, di akhir banyak rantai nilai di penerbangan atau teknik mesin, mesin CNC memproses kontur akhir komponen yang dibuat dari komposit polimer terkuat serat. Proses pemesinan ini menuntut permintaan tinggi pada alat pemesinan. Peneliti di Universitas Augsburg percaya ada potensi untuk mengoptimalkan proses pemesinan dengan menggunakan sensor yang memantau sistem pemesinan CNC. Mereka saat ini menggunakan AI untuk mengevaluasi aliran data yang disediakan oleh sensor ini.
Proses manufaktur industri seringkali sangat kompleks, dengan banyak faktor yang mempengaruhi hasil. Misalnya, peralatan dan alat pemesinan aus dengan cepat, terutama dengan bahan keras seperti serat karbon. Kemampuan untuk mengenali dan memprediksi tingkat aus kritis sangat penting untuk memberikan struktur komposit yang dirampas dan diproses berkualitas tinggi. Penelitian pada mesin pemesinan CNC industri menunjukkan bagaimana teknologi sensor yang sesuai, dikombinasikan dengan AI, dapat menyampaikan prediksi dan perbaikan tersebut.
Suara Struktur dan Pembelajaran Mesin
Sebagian besar mesin pemesinan CNC modern sudah memiliki beberapa sensor dasar yang terintegrasi, yang mencatat konsumsi energi, gaya penggerak dan torsi, misalnya. Namun, data ini tidak selalu cukup untuk resolusi detail halus dalam proses pemesinan. Untuk alasan ini, sensor ultrasonik untuk menganalisis suara struktur dikembangkan di Universitas Augsburg dan diintegrasikan ke dalam mesin pemesinan CNC industri. Sensor ini mendeteksi sinyal suara struktur dalam rentang ultrasonik yang dihasilkan selama proses pemesinan dan kemudian merambat melalui sistem ke sensor.
Suara struktur memungkinkan kesimpulan ditarik tentang status proses pemesinan. “Ini adalah indikator yang sama bermakna bagi kita seperti ayunan busa bagi biola,” menjelaskan Prof. Dr. Markus Sause, direktur Jaringan Produksi AI. “Profesional musik dapat segera mengatakan dari suara biola apakah itu dimatikan dan seberapa baik orang yang memainkannya telah menguasai instrumen.” Namun bagaimana pendekatan ini bekerja untuk mesin CNC? Pembelajaran mesin adalah kunci.
Untuk mengoptimalkan proses pemesinan CNC berdasarkan data yang direkam dari sensor ultrasonik, peneliti yang bekerja dengan Sause menggunakan yang dikenal sebagai pembelajaran mesin. Beberapa karakteristik sinyal akustik dapat mengindikasikan kontrol proses yang tidak menguntungkan, yang menunjukkan kualitas buruk komponen yang diproses. Akibatnya, proses pemesinan dapat langsung disesuaikan dan ditingkatkan dengan informasi ini. Untuk tujuan ini, algoritma dilatih dengan data yang direkam dan status yang sesuai (mis. pemesinan baik atau buruk). Orang yang mengoperasikan mesin pemesinan kemudian dapat bereaksi terhadap informasi status sistem yang disajikan atau sistem dapat diprogram untuk bereaksi secara otomatis.
Pemeliharaan Prediktif - Bertindak dengan Penglihatan ke Depan
Pembelajaran mesin tidak hanya dapat mengoptimalkan proses pemesinan secara langsung pada benda kerja, tetapi juga dapat merencanakan siklus pemeliharaan pabrik produksi seekonomis mungkin. Bagian fungsional perlu bekerja dalam mesin selama mungkin untuk meningkatkan efisiensi ekonomi, tetapi kegagalan spontan akibat bagian yang rusak harus dihindari.
Pemeliharaan prediktif adalah pendekatan di mana AI, menggunakan data sensor yang dikumpulkan, menghitung kapan bagian harus diganti. Dalam kasus mesin pemesinan CNC yang diteliti, sebuah algoritma mengenali kapan karakteristik tertentu dari sinyal suara berubah. Dengan cara ini, ia tidak hanya mengidentifikasi tingkat aus alat pemesinan, tetapi juga memprediksi waktu yang tepat untuk mengganti alat. Proses AI ini dan lainnya sedang diintegrasikan ke dalam Jaringan Produksi AI di Augsburg. Tiga organisasi mitra utama bekerja sama dengan fasilitas produksi lainnya untuk menciptakan jaringan manufaktur yang dapat dikonfigurasikan ulang secara modular dan dioptimalkan bahan.
