Алюминийн профилийг CNC-машинаар хураах төхөөрөмжүүд дээр төхөөрөмжийн зүүн хүртэмжийг урьдчилан таамаглахад хүснэгт оролцоо хэрхэн интеграци хийх вэ?

Яагаад ИИ-ийн урьдчилан таамаглаж буй хэрэгсэлийн дүүрэлт CNC-д алюминийг машиндах үед чухал вэ

Хэрэв хэрэгсэл алюминий профил хуваах үед тааруухан гэмтдэг бол, Ponemon-ийн 2023 оны тайлангаар, үйлдвэрлэгчид жилд дунджаар $740,000-ын хохирол үүсгэнэ. Энэ асуудал 6061-T6 сплавт илүү хурдан хэрэгсэл зөөлрөлд үүсгэдэг бүтээдүүр хүртэлх илтгүүрүүд ба дулааны цацрагт үүсдэг трещинуудын нөлөөллөөр илүү ноцтой болой. Хэрэгсэл солихын тулд зөвхөн календарын хугацаа үндэслэлд суурилж, үйлдвэрүүд хэрэгслийн үлдсэн үйлчилгээний хугацааны дунджаар 30% -ыг хаяж, хамгийн муу тохиолдолд хамгийн их хурднаар ажиллаж байхад голомтот гэмтэл үүсгэнэ. Умные ИИ системүүд нь түүнээс бүртгүүр шинэчлэлт хийж байна. Түүнд машинуудын хонхорхой, төвхөн ачааллын өөрчлөлт, төхөөрөмжийн үүсгэдэг дууны мэдээллийг оролт болгож, хэсгүүд техникийн шаардлагатай хэмжээнд гарахаас урьд хүндрүүлдэг жижиг зөөлрөлдийн шинж тэмдэгтүүдийг илрүүлж байна. Дараа нь үүнд юу болой: машин суралцаж бүх анхны мэдээллийг үнэнд үндэслэсэн таамаглалуудад хөрвүүлж байна. Үүнээс үүдэн засвар үйлчилгээг үйлдвэрлэлд саад үүсгэхгүйн тулд шөнө хийж болой, операторууд хоолойн хурдыг ба хуваах хурдыг шууд тохируулж болой. Түүнүүдийн технологиудыг хүлээн авч ажиллуулж буй компаниүүд төлөвлөгүй зогсолтын хугацааг дунджаар 41% -аар бууруулж, хуваах хэрэгсэлүүдийн үйлчилгээний хугацааг 17% -аар нэмж байна. Аэрокосмос ба автомашин үйлдвэрлэлийн том үйлдвэрүүд, яг одоо хоногт мянган профил үйлдвэрлэдэг, түүнүүдийн сайжруулалт нь бүх төхөөрөмжийн нийт үйлчилгээний үр дүнгийн (OEE) тоон үзүүрлүүдийг шууд сайжруулж байна.

Датчикүүдийн интеграци и бүртгэлд өмнөх боловсруулалт алюминийн тодорхой хүртэмжийн шинж тэмдэгтүүдийн хувьд

Хөдөлгүүр, дууны цацрагт үүсгэлт ба төвхөн токио — 6061-T6 алюминийн урд талын анхны хүртэмжийг хугацааны үед тодорхойлох гол үзүүлэлтүүд

Алюминийн профилийг хайчлах үед хэрэгсэлийн дундаж хүртэлх хүрэлцээт хүртэмжийн танилцуулагч шинж тэмдэгтүүдийг илрүүлэхдээ гурван үндсэн технологи ялгаран гарч буй: хөдөлгөөний сенсорууд, акустик цацрагийн сондуулан харах багажууд, ба спинделийн гүйдэл хяналтын системүүд. Асуудал нь алюминийн хайлах цэг нисхүүл бүүл, үүнээс адгезив хүртэмжийн процессын хурд нэмэгддүүл. Түүн дараа юу болой? Хайчлалын ирмүүд дээр жижиг хайчлалын хугацаа үүсдүүл, 15–25 кГц хүртэлх өндөр давтамжийн хөдөлгөөнүүдийг үүсгэдүүл, мөн 4 МГц-с дээш акустик цацрагийн (AE) цохилтоос үүсдүүл. Тодорхой 6061-T6 хавсаргын хувьд спинделийн гүйдэл нормаль түвшнээс илүү 8% хазайд, үүнээс хойш талын хүртэмж нэмэгддүүл, учир нь үрэлдүүлэх хүч нэмэгддүүл машинд илүү их чадал шаарддүүл. Бүх төрлийн сигналын үүсгүүрүүдийг нийлүүлж, үйлдвэрлэгчид хүртэмжийн асуудлыг хүртэмжийн улмаас бүтээдүүлдүүл хэсгүүдийн хэмжээний асуудлууд үүсдүүл өмнөх үед л илрүүлдүүл.

Холимог EMD + Гильбертийн хувиртамж алюминийн бага дамжуулалтын коэффициентын нөлөөлөлд нуугдаж буй хатуу хөдөлгөөний гармоникүүдийг тусгаарлах

Алюминий нь байгалийн хувьд маш муу дутагдалтай шинж чанартай, ихэвчлэн 0.05-ээс доош байдаг. Энэ нь улмаас энэ нь гадаад шуугианг өргөжүүлж, чухал ярианы давтамжийг утааж байдаг гэсэн үг юм. Инженерууд Ensemble Empirical Mode Decomposition буюу товчхондоо EEMD-ийг ашиглаж, чулууны эргэлтийн гармоник нь мэдрэгчээс харагдах нь цэвэрхэн байдаг. Үүний зэрэгцээ тэд Хилбертын хувиргалын техникээр тухайн мөчлийн амплитудын хэмжилтийг хийдэг. Энэ хоёр алхамтай үйл явц нь нэгдмэл бол 500 Гц-ээс доош шуугиан шуугиан шуугиан шуугиан шуугиан шуугиан шуугиан шуугиан шуугиан шуугиан шуугиан шуугиан шуугиан шуугиан шу Энэ арга нь үнэ цэнэтэй болсон нь хуурайшигч бодисын урсдаг, эсвэл ажиллуулагчдын хоорондын жижиг ялгаа зэрэг зүйлээс үүсэх хуурамч шуугиан тайвшруулалтыг багасгах, үйлдвэрлэгчид хэрэгслийг хэзээ солих хэрэгтэй болохыг урьдчилан таамаглах боломжийг олгодог.

Тод, бат бөх хэрэгслийн өмнөх төлөвлөгөөний зориулалттай хиймэл оюун ухааны загварчлалын стратеги

Ажилтай хиймэл оюун ухааны урьдчилсан хэрэгслийн хувцас өмсөх загвар нь түүхий эд мэдрэгчдийн өгөгдлийг алюмины боловсруулалтын хэрэгжиж болох ойлголтоор хувиргадаг.

Олон дамжин өнгөрөх алюмины экструзийн хатуужуулалтын үе шатны үр дүнг загварчлахад LSTM сүлжээ (RMSE -22%)

LSTM сүлжээ нь мэдрэгчдийн мэдээллээр цаг хугацааны явцад хэрхэн өөрчлөгдөж байгааг хайж олоход маш сайн байдаг. Энэ нь олон давхаргаар алюминыг хасахдаа хэрэгслийн хувцаслалын тод загваруудыг бий болгоход тусалдаг. Машингийн хөдөлгөөн, дууны хэв маягийг харахад LSTM загварууд нь энгийн цэгт хүрэх арга зүйтэй харьцуулахад урьдчилсан таамаглалын алдааг 22 хувиар бууруулдаг. Маш төвөгтэй хэлбэртэй үйлдвэрлэгчдэд энэ нь маш чухал, учир нь хэрэгсэл аажмаар хуурайшихад эцсийн гадаргын чанарыг нөлөөлдөг. LSTM-үүд маш сайн ажилладаг нь тэдний өнгөрсөн хасах үйл ажиллагааг санаж, бодит үйл явдлын үндсэн дээр таамаглалыг тохируулж чаддаг. Энэ нь аллюмины зэрэг материалын хувьд онцгой ач холбогдолтой бөгөөд тэдгээр нь машинжуулалтын үеэр тоног төхөөрөмжүүдэд баттай байдаг бөгөөд эцсийн бүтээгдэхүүнийг эвдэрдэг бузартай гумбэртэй хуримтлалыг үүсгэдэг.

ANN + EEMD-Hilbert урвалт нь үйлдвэрлэлийн 5 отын CNC зуурт хуурамч шуугиан шуугиан 68% -иар бууруулдаг

Хиймэл мэдрэлийн сүлжээг Эмпирикийн хэв маягийн бүтэнжилт, Хилбертын хувиргалын аргаар хослуулбал, мэдрэгчүүдийн мэдээллийн гадаад шуурганаас жинхэнэ хувцас хуурайшилт илрэх болно. Энэ хослол нь хуурамч сэрэмжлүүлэлтийг 5 огийн CNC бутлуурын төвөгтэй бүрхүүлүүд дээр 2/3-иар бууруулдаг. Учир нь энэ нь жинхэнэ тоног төхөөрөмжийн эдэлбэр болон машины энгийн хөдөлгөөн хоорондын ялгааг мэддэг. Эхлээд EEMD-Hilbert хэсэг нь буталсан урсгалыг бага бүрэлдэхүүн хэсэгт хувааж, дотоод хэлбэрийн функц гэж нэрлэдэг. Энэ үйл явц нь алюмины материалын ажиллагаанд үүсдэг доромжилсон доромжилсон дуудлагыг арилгадаг. Эдгээр шинж чанарыг цэвэрлэсний дараа тэд мэдрэлийн сүлжээний ангилал руу орж, эргэн тойронд нь их хэмжээний сүрдэл байх үед ч тод таамаглал хийдэг. Бид энэ аргыг авианы салбарын бодисын бутлуурын үйл ажиллагаанд туршиж үзсэн. Энэ нь хэсгүүдэд нарийн профиль хэрэгтэй. Энэ нь өдөрт 24 цаг, долоо хоногт 7 өдөр үргэлжилсэн тасралтгүй үйлдвэрлэлийн үеэр шөнө бүр сайн ажилладаг.

Оюуны ур чадварын урьдчилан таамаглалаас үйл ажиллагааны арга хэмжээг хийхэд: Параметрүүд сайжруулах, зогсоолгүй байх хугацааг урьдчилан сэргийлэх

Хөлжилтийн урьдчилсан төлөвлөгөөний дагуу хаалттай дугуйгаар хангах/хурдамжийг тохируулж, өндөр хэмжээний шугамд төлөвлөсөнгүй зогсонги цаг хугацааг 41 хувиар бууруулдаг

ИИ-г CNC алюминий профил хураагчид хаалттай хяналтын системд ашиглаж, та нарийн таамаглалын оролдлогуудыг үйлдвэрийн ордонд бодит мөнгөн хэмнэлтүүд болгож өөрчилж үлдээдэг. Систем нь бүхэлд нь шинэхэн хяналт хийж, зүүний дүүрэлт нь аюултай түвшинд ойрхон гэдгийг илрүүлж, автоматаар хоолойн хурд ба төвдөрний эргэлтийн хурдыг тохируулж, хураагч хүчний түвшнийг хяналт дор барьж үлдээдэг. Үүнээс юу гарч ирдэг вэ? 6061-T6 алюминий деталд шаардагдаж буй нарийн хэмжээний шаардлажуудыг хадгалж, зүүний үйлдлийн хугацааг уртасгаж үлдээдэг. Энэ технологийг нь үйлдвэрт нь хэрэгжүүлсэн үйлдвэрүүд нь бүтээлд их ачаалалт үйлдвэрт нь төлөөлөхгүй зогсолтуудыг бараг хагас (орчимд 41%) хэмнэж үлдээдэг. Түүнээс үүдэн жилд бүрд машин бүрд үйлдвэрт нь үйлдвэрлэлд ашиглагдаж буй 16 бүтэн өдөр нэмж үлдээдэг. Ухаанык өгөгдлийн шинжилгээг үйлдвэрлэлд ашиглагдаж буй машин хяналтын системтэй хослуулж, үйлдвэрлэлд нь бодит сайжруулалтүүдийг хүртэл үлдээдэг.

• Зүүний үйлдлийн хугацаа ба цикл хугацааны төвтөгнөл нь тасралтгүй саархуулалт
• Гүн ховил хураагч үйлдлүүд үед зүүний гэнэт хугарахыг саархуулалт
• Хувьсах алюминийн чипүүдийн адгезион (холбогдож байх) дуудлагад хүлээн авахад зохицож буй хариу үйлдлүүд
  Хүртэмжийн таамаглалуудыг параметрийн зөрүүлэлтүүд рүү хөрвүүлж, үйлдвэрлэгчид гадаргуугийн хачин чанарыг муудуулалгүй, аварга нөхцөлд зогсоол үүсгэлгүй тогтвортой үйлдвэрлэл хангаж чадаж. Энэ урьдчилан саатуулах арга бүс нь ИИ-н таамаглалын хүртэмжийн хүртэмжийн системүүд CNC машинаар алюминийг боловсруулах үед диагностикаас шууд үйлдвэрлэлийн хурдын сайжролд шилжихийн жишээ юм.

Түгээмэл асуултууд

CNC боловсруулалтад ИИ-н таамаглалын хүртэмжийн хүртэмж гэж юу вэ?

ИИ-н таамаглалын хүртэмжийн хүртэмж гэдэг нь CNC боловсруулалтад хүртэмжийн хүртэмжийн хориглолтыг умбайт искусственный интеллект системүүдийн тусламжтай таамаглах үйлдлүүд бөлгөөн, хүртэмжийн гэмтлийн үүсэхийн өмнө цаг тухайд тохирох засвар үйлдлүүд болон зөрүүлэлтүүд хийхийн зөвшөөрөл өгдөг.

Алюминийг боловсруулах үед ИИ-н таамаглалын хүртэмжийн хүртэмж яагаад чухал вэ?

Түүн дээр алюминийн онцлог шинж чанарын улмаас хүртэмжийн хүртэмжийн анхны шинж тэмдэгтүүдийг илрүүлж, түүний дүнд үйлдвэрлэлийн зогсолт багасаж, хүртэмжийн үйлдлийн хугацаа уртасаж. Алюминийн хүртэмжийн хүртэмжийн хурд нь их хүртэмжийн гэмтлийн шалтгаан бөлгөөн, үүн дээр хүртэмжийн солилцоо үнэтэй бөлгөөн.

ИИ системүүд хүртэмжийн хүртэмжийг яаж илрүүлдөг?

Эдгээр систем нь янз бүрийн мэдрэгчээс авсан, тэр дундаа сүрдэл, дуу чимээний урсгал, шилний урсгал зэрэг бодит цаг үеийн мэдээллийг шинжилж, тоног төхөөрөмжийн хувцаслалтын шинж чанарыг тодорхойлдог.

Оюуны хиймэл ухаан нь CNC-ийн тоног төхөөрөмжийн үйл ажиллагааны үр ашгийг сайжруулж чадах уу?

Тийм ээ, хиймэл оюун ухаан нь тос тосруулах хурд, хатуужилтыг автоматжуулж, хэрэгслийн урт удаан хугацааг нэмэгдүүлж, зогсоол хугацааг багасгаж, CNC алюмины тоног төхөөрөмжийн нийт бүтээмжийг сайжруулж болно.