Kecerdasan buatan mengoptimalkan penggilingan CNC dari komposit yang diperkuat serat karbon

Augsburg AI (kecerdasan buatan) Production Network — didirikan pada Januari 2021 dan berbasis di Augsburg, Jerman — menyatukan Universitas Augsburg, Institut Fraunhofer untuk Teknologi Pengecoran, Komposit dan Pemrosesan (Fraunhofer IGCV) dan Pusat Teknologi Produksi Ringan Pusat Dirgantara Jerman (DLR ZLP). Tujuannya adalah penelitian bersama tentang teknologi produksi berbasis AI pada antarmuka antara material, teknologi manufaktur, dan pemodelan berbasis data. Salah satu contoh aplikasi di mana AI dapat mendukung proses produksi adalah pemesinan material komposit yang diperkuat serat.

Di Jaringan Produksi AI yang baru didirikan, para ilmuwan sedang meneliti bagaimana AI dapat mengoptimalkan proses produksi. Misalnya, di akhir banyak rantai nilai di bidang kedirgantaraan atau teknik mesin, mesin CNC memproses kontur akhir komponen yang terbuat dari komposit polimer yang diperkuat serat. Proses pemesinan ini menempatkan tuntutan tinggi pada alat penggilingan. Para peneliti di University of Augsburg percaya ada potensi untuk mengoptimalkan proses pemesinan dengan menggunakan sensor yang memantau sistem penggilingan 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 hasilnya. Misalnya, peralatan dan perkakas permesinan cepat aus, terutama dengan bahan keras seperti serat karbon. Oleh karena itu, kemampuan untuk mengenali dan memprediksi tingkat keausan kritis sangat penting untuk menghasilkan struktur komposit yang dipangkas dan dikerjakan dengan mesin berkualitas tinggi. Penelitian pada mesin penggilingan CNC industri menunjukkan bagaimana teknologi sensor yang sesuai, ditambah dengan AI, dapat memberikan prakiraan dan peningkatan tersebut.

Structure-borne sound dan machine learning

Sebagian besar mesin penggilingan CNC modern memiliki beberapa sensor dasar yang sudah terpasang, yang merekam konsumsi energi, gaya umpan dan torsi, misalnya. Namun, data ini tidak selalu cukup untuk resolusi detail halus dalam proses penggilingan. Untuk alasan ini, sensor ultrasonik untuk menganalisis suara yang terbawa struktur dikembangkan di Universitas Augsburg dan diintegrasikan ke dalam mesin penggilingan CNC industri. Sensor ini mendeteksi sinyal suara yang terbawa struktur dalam rentang ultrasonik yang dihasilkan selama proses penggilingan dan kemudian menyebar melalui sistem ke sensor.

Suara yang dibawa oleh struktur memungkinkan penarikan kesimpulan tentang keadaan proses pemesinan. “Ini adalah indikator yang sama berartinya bagi kami seperti pukulan busur untuk biola,” jelas Prof. Dr. Markus Sause, direktur AI Production Network. “Profesional musik dapat langsung mengetahui dari suara biola apakah itu selaras dan seberapa baik orang yang memainkannya menguasai instrumen itu.” Tetapi bagaimana cara kerja pendekatan ini untuk mesin CNC? Pembelajaran mesin adalah kuncinya.

Untuk mengoptimalkan proses penggilingan CNC berdasarkan data yang direkam dari sensor ultrasonik, peneliti yang bekerja dengan Sause memanfaatkan apa yang dikenal sebagai pembelajaran mesin. Karakteristik tertentu dari sinyal akustik dapat menunjukkan kontrol proses yang tidak menguntungkan, yang menunjukkan kualitas komponen yang digiling buruk. Akibatnya, proses penggilingan dapat langsung disesuaikan dan ditingkatkan dengan informasi ini. Untuk tujuan ini, algoritme dilatih dengan data yang direkam dan status terkait (mis. permesinan baik atau buruk). Orang yang mengoperasikan mesin penggilingan kemudian dapat bereaksi terhadap informasi status sistem yang disajikan atau sistem dapat diprogram untuk bereaksi secara otomatis.

Pemeliharaan prediktif - bertindak dengan pandangan ke depan

Machine learning tidak hanya dapat mengoptimalkan proses milling secara langsung pada benda kerja, tetapi juga dapat merencanakan siklus perawatan sebuah pabrik produksi seekonomis mungkin. Suku cadang fungsional perlu bekerja di dalam mesin selama mungkin untuk meningkatkan efisiensi ekonomi, tetapi kegagalan spontan karena suku cadang yang rusak harus dihindari.

Pemeliharaan prediktif adalah pendekatan di mana AI, menggunakan data sensor yang dikumpulkan, menghitung kapan suatu suku cadang harus diganti. Dalam kasus mesin penggilingan CNC yang sedang diselidiki, suatu algoritma mengenali ketika karakteristik tertentu dari sinyal suara berubah. Dengan cara ini, tidak hanya mengidentifikasi tingkat keausan pada pahat permesinan, tetapi juga memprediksi waktu yang tepat untuk mengganti pahat. Ini dan proses AI lainnya sedang dimasukkan ke dalam Jaringan Produksi AI di Augsburg. Tiga organisasi mitra utama bekerja sama dengan fasilitas produksi lainnya untuk menciptakan jaringan manufaktur yang dapat dikonfigurasi ulang secara modular dan dengan material yang dioptimalkan.