Jaringan produksi Augsburg AI-DLR Lightweight Production Technology Center (ZLP), Fraunhofer IGCV, dan Universitas Augsburg menggunakan sensor ultrasonik untuk mengkorelasikan suara dengan kualitas pemrosesan material komposit.
Sensor ultrasonik dipasang pada mesin milling CNC untuk memantau kualitas pemesinan.Sumber gambar: Semua hak dilindungi undang-undang oleh Universitas Augsburg
Jaringan produksi Augsburg AI (Kecerdasan Buatan) – didirikan pada Januari 2021 dan berkantor pusat di Augsburg, Jerman – menyatukan Universitas Augsburg, Fraunhofer, dan penelitian tentang pengecoran, material komposit dan teknologi pemrosesan (Fraunhofer IGCV) dan teknologi produksi ringan Jerman tengah.Pusat Dirgantara Jerman (DLR ZLP).Tujuannya adalah untuk bersama-sama meneliti teknologi produksi berbasis kecerdasan buatan pada antarmuka antara material, teknologi manufaktur, dan pemodelan berbasis data.Contoh penerapan kecerdasan buatan yang dapat mendukung proses produksi adalah pemrosesan material komposit yang diperkuat serat.
Dalam jaringan produksi kecerdasan buatan yang baru dibentuk, para ilmuwan sedang mempelajari bagaimana kecerdasan buatan dapat mengoptimalkan proses produksi.Misalnya, di akhir banyak rantai nilai di bidang kedirgantaraan atau teknik mesin, peralatan mesin CNC memproses kontur akhir komponen yang terbuat dari komposit polimer yang diperkuat serat.Proses pemesinan ini memberikan tuntutan yang tinggi pada pemotong frais.Para peneliti di Universitas Augsburg percaya bahwa proses pemesinan dapat dioptimalkan dengan menggunakan sensor yang memantau sistem penggilingan CNC.Mereka saat ini menggunakan kecerdasan buatan untuk mengevaluasi aliran data yang disediakan oleh sensor ini.
Proses manufaktur industri biasanya sangat kompleks, dan banyak faktor yang mempengaruhi hasilnya.Misalnya saja peralatan dan perkakas pengolahan yang cepat aus, terutama material keras seperti serat karbon.Oleh karena itu, kemampuan untuk mengidentifikasi 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 bahwa teknologi sensor tepat guna yang dikombinasikan dengan kecerdasan buatan dapat memberikan prediksi dan perbaikan tersebut.
Mesin penggilingan CNC industri untuk penelitian sensor ultrasonik.Sumber gambar: Semua hak dilindungi undang-undang oleh Universitas Augsburg
Sebagian besar mesin penggilingan CNC modern memiliki sensor dasar bawaan, seperti mencatat konsumsi energi, gaya umpan, dan torsi.Namun, data ini tidak selalu cukup untuk menyelesaikan detail halus dari proses penggilingan.Untuk tujuan ini, Universitas Augsburg telah mengembangkan sensor ultrasonik untuk menganalisis suara struktur dan mengintegrasikannya ke dalam mesin penggilingan CNC industri.Sensor ini mendeteksi sinyal suara terstruktur dalam rentang ultrasonik yang dihasilkan selama penggilingan dan kemudian disebarkan melalui sistem ke sensor.
Struktur suara dapat menarik kesimpulan tentang keadaan proses pengolahan.“Bagi kami, ini merupakan indikator yang sama pentingnya dengan tali busur bagi biola,” jelas Prof. Markus Sause, direktur jaringan produksi kecerdasan buatan.“Para profesional musik dapat segera menentukan dari suara biola apakah disetel dan penguasaan pemain terhadap instrumen tersebut.”Tapi bagaimana metode ini diterapkan pada peralatan mesin CNC?Pembelajaran mesin adalah kuncinya.
Untuk mengoptimalkan proses penggilingan CNC berdasarkan data yang direkam oleh sensor ultrasonik, para peneliti bekerja sama dengan Sause menggunakan apa yang disebut pembelajaran mesin.Karakteristik tertentu dari sinyal akustik mungkin menunjukkan kontrol proses yang tidak menguntungkan, yang menunjukkan bahwa kualitas bagian yang digiling buruk.Oleh karena itu, informasi ini dapat digunakan untuk secara langsung menyesuaikan dan meningkatkan proses penggilingan.Untuk melakukan ini, gunakan data yang direkam dan status terkait (misalnya, pemrosesan baik atau buruk) untuk melatih algoritme.Kemudian, orang yang mengoperasikan mesin penggilingan dapat bereaksi terhadap informasi status sistem yang disajikan, atau sistem dapat bereaksi secara otomatis melalui pemrograman.
Pembelajaran mesin tidak hanya dapat mengoptimalkan proses penggilingan langsung pada benda kerja, tetapi juga merencanakan siklus pemeliharaan pabrik produksi seekonomis mungkin.Komponen fungsional perlu bekerja di dalam mesin selama mungkin untuk meningkatkan efisiensi ekonomi, namun kegagalan spontan yang disebabkan oleh kerusakan komponen harus dihindari.
Pemeliharaan prediktif adalah metode di mana AI menggunakan data sensor yang dikumpulkan untuk menghitung kapan suku cadang harus diganti.Untuk mesin penggilingan CNC yang diteliti, algoritme mengenali kapan karakteristik tertentu dari sinyal suara berubah.Dengan cara ini, alat ini tidak hanya dapat mengidentifikasi tingkat keausan alat permesinan, namun juga memperkirakan waktu yang tepat untuk mengganti alat tersebut.Proses ini dan proses kecerdasan buatan lainnya dimasukkan ke dalam jaringan produksi kecerdasan buatan di Augsburg.Tiga organisasi mitra utama berkolaborasi dengan fasilitas produksi lainnya untuk menciptakan jaringan manufaktur yang dapat dikonfigurasi ulang secara modular dan mengoptimalkan material.
Menjelaskan seni lama di balik penguatan serat pertama di industri, dan memiliki pemahaman mendalam tentang ilmu serat baru dan perkembangan masa depan.
Waktu posting: 08-Okt-2021