Ինչպես ինտեգրել արհեստական ինտելեկտը ԿՀՄ-ի ալյումինե պրոֆիլների կտրման սարքավորումներում՝ գործիքների մաշվելու կանխատեսման համար

Ինչու՞ է ԱԻ-ի կանխատեսման գործիքի մաշվածությունը կարևոր ալյումինի CNC մշակման համար

Երբ ալյումինե պրոֆիլների կտրման ժամանակ գործիքները անսպասելիորեն ձախողվում են, արտադրողները տարեկան մոտավորապես 740 000 ԱՄՆ դոլար են կորցնում անաշխատունակության պատճառով՝ համաձայն Ponemon-ի 2023 թվականի զեկույցի: Խնդիրը ավելի է վատթարվում 6061-T6 համաձուլվածքների դեպքում, որոնք միտում ունեն արագացնելու գործիքների մաշվելը՝ պայմանավորված կտրման մակերևույթներին առաջացող այսպես կոչված «կառուցված» եզրերով և ջերմային ճեղքերով: Ավանդական մոտեցումները, երբ արտադրամասերը պարզապես փոխարինում են գործիքները՝ հիմնվելով օրացույցի վրա, հանգեցնում են մոտավորապես 30 %-ի այն գործիքների կյանքի կորստին, որոնք դեռ կարող են օգտագործվել, կամ ավելի վատ՝ առաջացնում են կարևոր ձախողումներ առավելագույն արագությամբ աշխատելիս: Ինտելեկտուալ AI համակարգերը ամբողջովին փոխում են այս իրավիճակը: Այս համակարգերը վերլուծում են տարբեր տեսակի իրական ժամանակում ստացվող սենսորային տվյալներ, ինչպես օրինակ՝ մեքենայի թարթումները, սպինդելի բեռնվածության փոփոխությունները և նույնիսկ սարքավորումներից առաջացող ձայները՝ հայտնաբերելու մաշման առաջին փոքրիկ նշանները՝ մինչև մասերը սկսելը չափավորման սահմաններից դուրս գալ: Հաջորդ քայլը բավականին հետաքրքիր է. մեքենայական ուսուցումը վերամշակում է այդ հոսքային տվյալները և դրանցից ստանում է իրական կանխատեսումներ: Սա նշանակում է, որ սպասարկումը կարող է իրականացվել գիշերը՝ առանց արտադրության ընդհատման, իսկ օպերատորները կարող են իրական ժամանակում ճշգրտել մատակարարման արագությունները և կտրման արագությունները: Այս տեխնոլոգիաները ընդունած ընկերությունները սովորաբար տեսնում են իրենց պլանավարված չլինելու անաշխատունակության մոտավորապես 41 %-ով նվազում և ստանում են իրենց կտրող գործիքների կյանքի 17 %-ով ավելի երկար տևողություն: Ավիատիեզերական և ավտոմոբիլային արտադրության մեծ ձեռնարկություններում, որտեղ օրական հազարավոր պրոֆիլներ են արտադրվում, այս բարելավումները անմիջապես արտացոլվում են ամբողջ սարքավորումների ընդհանուր արդյունավետության (OEE) ցուցանիշների բարելավման վրա:

Սենսորների ինտեգրում և սահմանային մաշվածության ալյումինի համար բնորոշ ստորագրությունների սկզբնական մշակում

Վիբրացիան, ակուստիկ ճառագայթումը և սպինդլի հոսանքը՝ որպես 6061-T6 ալյումինում սկզբնական կողային մաշվածության հիմնարար իրական ժամանակի ցուցանիշներ

Երբ խոսքը վերաբերում է ալյումինե պրոֆիլների կտրման ժամանակ գործիքի մաշվելու վաղ նշանների հայտնաբերմանը, երեք հիմնական տեխնոլոգիաներ են առանձնանում՝ թրթռման սենսորներ, ակուստիկ ճառագայթման զննարկիչներ և սպինդելի հոսանքի մոնիտորինգի համակարգեր: Խնդիրն այն է, որ ալյումինը ունի այնքան ցածր հալման ջերմաստիճան, որը իրականում արագացնում է կպչուն մաշվելու գործընթացները: Ի՞նչ է տեղի ունենում այդ դեպքում: Կտրման եզրերի երկայնքով սկսում են առաջանալ մանր խեժեր, ինչը առաջացնում է բնորոշ բարձր հաճախականության թրթռումներ 15–25 կՀց միջակայքում, ինչպես նաև ակուստիկ ճառագայթման (AE) պայթյուններ 4 ՄՀց-ից բարձր մակարդակում: Մասնավորապես 6061-T6 համաձուլվածքների դեպքում, երբ սպինդելի հոսանքը սկսում է շեղվել նորմալ արժեքներից ավելի քան 8 %, սա սովորաբար նշանակում է, որ կողային մաշումը վատթարվում է, քանի որ մեծացած շփումը մեքենայից պահանջում է ավելի շատ հզորություն: Այս տարբեր սիգնալների աղբյուրները միավորելով՝ արտադրողները կարող են անմիջապես հայտնաբերել մաշման խնդիրները՝ մինչև դրանք ավարտված մասերում չառաջացնեն չափսերի խնդիրներ:

EMD համախմբային մեթոդ + Հիլբերտի ձևափոխություն՝ ալյումինի ցածր թրթռման թույլատրելիության գործակցի կողմից թաքցված թրթռման հարմոնիկների առանձնացման համար

Ալյումինը բնականաբար ունի շատ թույլ թմբլման հատկություններ՝ սովորաբար 0,05-ից ցածր, որը նշանակում է, որ այն միտ tendency ունի ամպլիֆիկացնելու ֆոնային աղմուկը և խլացնելու կարևոր ճռռոցի հաճախականությունները: Ինժեներները օգտագործում են Համախմբային Էմպիրիկ Ռեժիմի Դեկոմպոզիցիան (EEMD), որպեսզի զտեն սենսորների սկզբնական ցուցմունքներից սղոցի պտտման հարմոնիկները: Միաժամանակ նրանք կիրառում են Հիլբերտի ձևափոխության մեթոդը՝ ստանալու այդ պահաբանական ամպլիտուդային չափումները: Երբ այս երկու քայլերը միավորվում են, այս գործընթացը կարող է հայտնաբերել 500 Հց-ից ցածր ճռռոցի ազդանշաններ, որոնք գործիքների լրիվ ձախողման հիմնական նախազգուշացման նշաններն են, և դաշտային փորձարկումների համաձայն՝ այն ապացուցվել է իրական գործարանային պայմաններում մոտավորապես 92 % հաջողության արդյունքով: Այս մոտեցման արժեքը կայանում է նրանում, որ այն նվազեցնում է կեղտաջրի ցայտացման կամ մշակվող մասերի միջև փոքր տարբերությունների պատճառով առաջացող սխալ զգուշացումների քանակը, ինչը հնարավորություն է տալիս արտադրողներին շատ ավելի ճշգրիտ prognozավորել, թե երբ է անհրաժեշտ գործիքները փոխարինել:

Արհեստական ինտելեկտի մոդելավորման ռազմավարություններ ճշգրիտ և կայուն գործիքների մաշվածության prognozավորման համար

Արդյունավետ արհեստական ինտելեկտի կանխատեսման գործիքային մաշվածության մոդելները վերափոխում են հում սենսորային տվյալները ալյումինի մշակման համար օգտակար տեղեկությունների:

LSTM ցանցեր ժամանակային մաշվածության զարգացման մոդելավորման համար բազմափուլ ալյումինե էքստրուդիրային կտրումների դեպքում (RMSE −22%)

LSTM ցանցերը շատ լավ են հետևում սենսորային տվյալներում բաների ժամանակի ընթացքում փոփոխություններին, ինչը օգնում է ստեղծել ճշգրիտ մոդելներ ալյումինի մշակման ընթացքում գործիքի մաշվածության վերաբերյալ՝ մի քանի անցումների ընթացքում: Երբ վերլուծվում են մեքենայից առաջացող տատանումների և ձայների օրինակները, այս LSTM մոդելները կանխատեսման սխալները նվազեցնում են մոտավորապես 22%-ով՝ համեմատած պարզ շեմային մոտեցումների հետ: Դա շատ կարևոր է արտադրողների համար, ովքեր աշխատում են բարդ պրոֆիլային ձևերի հետ, քանի որ գործիքի աստիճանաբար մաշվելը ազդում է վերջնական մակերևույթի որակի վրա: LSTM-ների այդքան լավ աշխատելու պատճառն այն է, որ դրանք կարող են հիշել նախորդ մշակման գործողությունները և համապատասխանաբար ճշգրտել կանխատեսումները՝ հիմնված իրականում տեղի ունեցող իրադարձությունների վրա: Սա հատկապես օգտակար է այնպիսի նյութերի հետ, ինչպես ալյումինը, որոնք մեքենայացման ընթացքում հակված են կպչելու գործիքներին՝ ստեղծելով այն անհաճելի կպչուն առաջացումները, որոնք վնասում են վերջնական արտադրանքը:

ANN + EEMD-Hilbert միաձուլումը 5-առանցքանի CNC սղոցների արդյունաբերական կիրառման դեպքում կեղծ զգուշացումները նվազեցնում է 68%-ով

Երբ մենք միավորում ենք արհեստական նեյրոնային ցանցերը համախմբված էմպիրիկ մոդայի վերլուծության և Հիլբերտի ձևափոխության մեթոդների հետ, մենք իրականում կարող ենք առանձնացնել մշակման իսկական նշանները սենսորային տվյալների բոլոր այդ ֆոնային աղմուկից: Այս միավորումը երեք երկուսով նվազեցնում է սխալ նախազգուշացումների քանակը այդ բարդ 5 առանցքանի CNC սղոցների համակարգերում, քանի որ այն տարբերակում է իրական գործիքի մշակումը մեքենայի սեփական սովորական տատանումներից: Սկզբում EEMD-Հիլբերտի մասը պտտման առանցքից ստացված տատանվող հոսանքները վերլուծում է փոքր բաղադրիչների, որոնք կոչվում են ներքին մոդայի ֆունկցիաներ: Այս գործընթացը վերացնում է այն անհաճելի ցածր հաճախականության ռեզոնանսները, որոնք առաջանում են ալյումինե նյութերի մշակման ժամանակ: Այս բաղադրիչների մաքրումից հետո դրանք մտնում են նեյրոնային ցանցի դասակարգիչ, որը ճշգրիտ prognozներ է կատարում՝ նույնիսկ երբ շրջապատում շատ տատանումներ են տեղի ունենում: Մենք սա փորձարկել ենք իրական ավիատիեզերական մշակման գործողություններում, որտեղ մասերը պետք է ունենան ճշգրիտ պրոֆիլներ, և այն անընդհատ լավ է աշխատում գիշեր առ գիշեր՝ այն անդադար արտադրական ցիկլերի ընթացքում, որոնք աշխատում են օրվա 24 ժամը և շաբաթվա 7 օրը:

Արհեստական ինտելեկտի կանխատեսումից մինչև շահագործման գործողություն. Պարամետրերի օպտիմալացում և կանգառների կանխարգելում

Մաշվածության կանխատեսումների հիման վրա իրականացվող փակ ցիկլի մեջ տրվող մեքենայի արագության և մատակարարման ճշգրտումը բարձր ծավալային գծերում անսպասելի կանգառները նվազեցնում է 41%-ով

Արհեստական ինտելեկտի օգտագործումը CNC ալյումինե պրոֆիլների կտրման փակ ցիկլի կառավարման մեջ այդ կանխատեսող տեսանկյունները վերածում է իրական գումարային խնայողությունների արտադրամասում: Երբ համակարգը իրական ժամանակում հսկելիս հայտնաբերում է, որ սարքի մաշվածությունը մոտենում է վտանգավոր մակարդակին, այն ինքնաբերաբար ճշգրտում է մատակարարման արագությունները և սպինդլի պտտման արագությունները՝ կտրման ուժերը վերահսկման տակ պահելու համար: Ի՞նչ է դա նշանակում: Սարքերի ավելի երկար ծառայության ժամանակ՝ առանց 6061-T6 ալյումինե մասերի համար անհրաժեշտ ճշգրտված չափսերի զիջելու: Այս տեխնոլոգիան ներդրած գործարանները զեկուցել են, որ իրենց անսպասելի կանգավորումները նվազել են մոտավորապես կեսով (մոտավորապես 41%) բեռնված արտադրական գծերում: Դա նշանակում է, որ յուրաքանչյուր մեքենայի համար տարեկան վերականգնվում է մոտավորապես 16 ամբողջական օր արտադրողական աշխատանք: Հետևաբար, համակցելով իմաստավորված տվյալների վերլուծությունը մեքենայի իրական կառավարման հետ, արտադրողները տեսնում են իրենց գործողությունների ընդհանուր բարելավումը:

• Անընդհատ օպտիմալացում՝ հաշվի առնելով սարքի ծառայության ժամանակը և ցիկլի տևողությունը
• Կатастроֆալ սարքի կոտրվածքի կանխարգելում խորը գրանցամասերի մեքենայացման գործողությունների ընթացքում
• Հարմարվողական պատասխաններ փոփոխական ալյումինե թեքվածքների կպչունության մարտահրավերներին
  Մաշվածության prognozները պարամետրերի ճշգրտումների վերափոխելով՝ արտադրողները հասնում են կայուն արտադրողականության՝ չվնասելով մակերևույթի վերջնական որակը և չառաջացնելով արտակարգ կանգառներ: Այս կանխատեսող մեթոդաբանությունը ցույց է տալիս, թե ինչպես են AI-ի կողմից կանխատեսվող սարքավորումների մաշվածության համակարգերը անցնում դիագնոստիկ հնարավորություններից դեպի մարմնավորված արտադրողականության բարելավումներ CNC ալյումինե մեքենայացման միջավայրերում:

Frequently Asked Questions - Հաճ📐

Ի՞նչ է AI-ի կողմից կանխատեսվող սարքավորումների մաշվածությունը CNC մեքենայացման մեջ:

AI-ի կողմից կանխատեսվող սարքավորումների մաշվածությունը վերաբերում է արհեստական ինտելեկտի համակարգերի օգտագործմանը CNC մեքենայացման ընթացքում սարքավորումների մաշվածության կանխատեսման համար, ինչը հնարավորություն է տալիս ժամանակին կատարել սպասարկում և ճշգրտումներ՝ ձախողումների առաջացումից առաջ:

Ինչու՞ է AI-ի կողմից կանխատեսվող սարքավորումների մաշվածությունը կարևոր ալյումինե մեքենայացման համար:

Դա օգնում է նվազեցնել անաշխատունակությունը և երկարացնել կտրող սարքավորումների կյանքը՝ հայտնաբերելով ալյումինին բնորոշ վաղ մաշվածության նշանները, որոնք կարող են թանկ արժել, քանի որ ալյումինը հայտնի է սարքավորումների արագ մաշվելու հատկությամբ:

Ինչպե՞ս են AI համակարգերը հայտնաբերում սարքավորումների մաշվածությունը:

Այս համակարգերը վերլուծում են տարբեր սենսորներից ստացված իրական ժամանակում աշխատող տվյալներ, այդ թվում՝ թափանցման, ակուստիկ ճառագայթման և սպինդլի հոսանքի սենսորներից, որպեսզի հայտնաբերեն գործիքի մաշվածությունը ցույց տվող օրինակներ:

Կարո՞ղ է արհեստական ինտելեկտը բարելավել թվային կառավարման մեքենաների (CNC) մշակման գործողությունների արդյունավետությունը:

Այո, արհեստական ինտելեկտը կարող է ինքնատեղաբաշխվող կերպով օպտիմալացնել մեքենայի առաջխաղացման արագություններն ու կտրման արագությունները, ինչը բարելավում է գործիքների ծառայության տևողությունը, նվազեցնում է անաշխատունակության ժամանակը և բարելավում է թվային կառավարման մեքենաների միջոցով ալյումինի մշակման ընդհանուր արդյունավետությունը: