Uczenie maszynowe dla lepszej jakości w produkcji addytywnej
Produkcja addytywna oferuje bezprecedensową elastyczność w produkcji złożonych geometrii, ale jest podatna na defekty podczas procesu produkcyjnego. Dzięki projektowi ML-S-LeAF wnieśliśmy decydujący wkład w rozwój nowych możliwości cyfrowego zapewniania jakości.
ML-S-LeAF oznacza innowacyjne podejście do zapewniania jakości w produkcji addytywnej. Projekt, finansowany przez niemieckie Federalne Ministerstwo Gospodarki i Ochrony Klimatu, ma na celu uczynienie procesów produkcyjnych bardziej zasobooszczędnymi.
Celem konsorcjum badawczego jest opracowanie zautomatyzowanego systemu monitorowania procesu opartego na symulacji emisji hałasu podczas przemysłowego procesu drukowania i topienia.
Projekt
Sztuczna inteligencja słucha
Projekt koncentrował się na opracowaniu sztucznej inteligencji (AI), która akustycznie monitoruje proces produkcji metodą fuzji w złożu proszkowym (PBF). Cel: rozpoznawanie wad na wczesnym etapie, zanim wpłyną one na jakość komponentów.
Sztuczna inteligencja analizuje systematyczne odchylenia w profilach dźwiękowych - zarówno w powietrzu, jak i w samym komponencie.
Rys.: Układ pomiarowy wykorzystujący mikrofony i czujnik przyspieszenia w komorze ciśnieniowej systemu PBF
Należało potwierdzić tezę, że drukowanie wadliwych komponentów można rozpoznać po odchyleniach akustycznych. W tym celu wydrukowano komponenty z niezwykle cienkimi liniami, które doprowadziły system testowy do granic jego jakości.
Rys.: Obrazy mikroskopowe linii bez defektów (po lewej) i linii z defektami (po prawej).
Sztuczna inteligencja została następnie przeszkolona przy użyciu kombinacji rzeczywistych pomiarów z urządzenia testowego i wirtualnych danych dźwiękowych. Duża ilość wirtualnych danych została wykorzystana między innymi w celu zapewnienia szerokiej gamy odchyleń, na których sztuczna inteligencja może zbudować solidny wzorzec oceny.
Rys.: Porównanie zmierzonych i symulowanych danych dźwiękowych.
Ze względu na ilość danych szkoleniowych osiągnięto wykrywanie błędów z dokładnością do 98%.
Rys.: Macierz błędów sztucznej inteligencji z klasyfikacją binarną
Partnerzy projektu
Wraz z konsorcjum wysokiej klasy przedstawicieli przemysłu i nauki pracowaliśmy nad pionierskimi metodami zapewniania jakości:
Fraunhofer IDMT
Eksperci w dziedzinie technologii mediów cyfrowychSAM i PTW w TU Darmstadt
Najnowocześniejsze badania w dziedzinie akustyki i technologii produkcjiOmegaLambdaTec GmbH
Specjaliści od analizy danych i uczenia maszynowegoNovicos GmbH
Eksperci w dziedzinie akustyki do symulacji i pomiarów
Podziękowania dla wszystkich sponsorów
Chcielibyśmy podziękować naszym partnerom konsorcjum, a także BMWK (jeszcze BMWi w momencie składania wniosku) i Centrum Badawczemu Jülich za ich finansowanie i wsparcie tego udanego projektu.
Projekt stworzył podstawę dla cyfrowego, opartego na sztucznej inteligencji systemu zapewnienia jakości, który został opracowany specjalnie do użytku w lekkich konstrukcjach. Stanowi to znaczący krok w kierunku pełnej cyfryzacji monitorowania jakości w produkcji addytywnej.
Osoba kontaktowa
Z przyjemnością odpowiem na wszelkie pytania i przedstawię dalsze szczegóły dotyczące wdrożenia i wyników ML-S-LeaF.
Dr Ömer Yildiz
Dalsze szczegóły
Nieustannie dzielimy się postępami i sukcesami projektów badawczych, takich jak ML-S-LeAF, na LinkedIn. Śledź nas, aby otrzymywać najnowsze aktualizacje i dowiedzieć się, jak uczenie maszynowe rewolucjonizuje branżę produkcyjną.
Novicos na LinkedIn