ઑગ્સબર્ગ AI પ્રોડક્શન નેટવર્ક-DLR લાઇટવેઇટ પ્રોડક્શન ટેક્નૉલૉજી સેન્ટર (ZLP), ફ્રેનહોફર IGCV અને ઑગ્સબર્ગ યુનિવર્સિટી-સાઉન્ડને સંયુક્ત સામગ્રી પ્રોસેસિંગની ગુણવત્તા સાથે સાંકળવા માટે અલ્ટ્રાસોનિક સેન્સર્સનો ઉપયોગ કરે છે.
મશીનિંગની ગુણવત્તા પર દેખરેખ રાખવા માટે CNC મિલિંગ મશીન પર અલ્ટ્રાસોનિક સેન્સર ઇન્સ્ટોલ કરેલું છે.છબી સ્ત્રોત: ઓગ્સબર્ગ યુનિવર્સિટી દ્વારા તમામ અધિકારો આરક્ષિત છે
ઑગ્સબર્ગ AI (કૃત્રિમ બુદ્ધિ) ઉત્પાદન નેટવર્ક-જાન્યુઆરી 2021 માં સ્થપાયેલ અને ઑગ્સબર્ગ, જર્મનીમાં મુખ્યમથક-યુનિવર્સિટી ઑફ ઑગ્સબર્ગ, ફ્રૉનહોફરને એકસાથે લાવે છે અને કાસ્ટિંગ, કમ્પોઝિટ મટિરિયલ્સ અને પ્રોસેસિંગ ટેક્નોલોજી (ફ્રેનહોફર IGCV) અને જર્મન લાઇટવેઇટ પ્રોડક્શન ટેક્નોલોજી પર સંશોધન કરે છે. કેન્દ્રજર્મન એરોસ્પેસ સેન્ટર (DLR ZLP).હેતુ સામગ્રી, ઉત્પાદન તકનીકો અને ડેટા-આધારિત મોડેલિંગ વચ્ચેના ઇન્ટરફેસ પર સંયુક્ત રીતે આર્ટિફિશિયલ ઇન્ટેલિજન્સ-આધારિત ઉત્પાદન તકનીકોનું સંશોધન કરવાનો છે.એપ્લિકેશનનું ઉદાહરણ જ્યાં કૃત્રિમ બુદ્ધિ ઉત્પાદન પ્રક્રિયાને સમર્થન આપી શકે છે તે ફાઇબર-રિઇનફોર્સ્ડ સંયુક્ત સામગ્રીની પ્રક્રિયા છે.
નવા સ્થાપિત આર્ટિફિશિયલ ઇન્ટેલિજન્સ પ્રોડક્શન નેટવર્કમાં, વૈજ્ઞાનિકો અભ્યાસ કરી રહ્યા છે કે કેવી રીતે આર્ટિફિશિયલ ઇન્ટેલિજન્સ ઉત્પાદન પ્રક્રિયાઓને ઑપ્ટિમાઇઝ કરી શકે છે.ઉદાહરણ તરીકે, એરોસ્પેસ અથવા મિકેનિકલ એન્જિનિયરિંગમાં ઘણી મૂલ્ય સાંકળોના અંતે, CNC મશીન ટૂલ્સ ફાઇબર-રિઇનફોર્સ્ડ પોલિમર કમ્પોઝિટથી બનેલા ઘટકોના અંતિમ રૂપરેખા પર પ્રક્રિયા કરે છે.આ મશીનિંગ પ્રક્રિયા મિલિંગ કટર પર ઉચ્ચ માંગ મૂકે છે.ઑગ્સબર્ગ યુનિવર્સિટીના સંશોધકો માને છે કે CNC મિલિંગ સિસ્ટમ્સનું નિરીક્ષણ કરતા સેન્સર્સનો ઉપયોગ કરીને મશીનિંગ પ્રક્રિયાને ઑપ્ટિમાઇઝ કરવું શક્ય છે.તેઓ હાલમાં આ સેન્સર્સ દ્વારા પ્રદાન કરવામાં આવેલ ડેટા સ્ટ્રીમ્સનું મૂલ્યાંકન કરવા માટે કૃત્રિમ બુદ્ધિમત્તાનો ઉપયોગ કરી રહ્યાં છે.
ઔદ્યોગિક ઉત્પાદન પ્રક્રિયાઓ સામાન્ય રીતે ખૂબ જ જટિલ હોય છે, અને ત્યાં ઘણા પરિબળો છે જે પરિણામોને અસર કરે છે.ઉદાહરણ તરીકે, સાધનો અને પ્રોસેસિંગ ટૂલ્સ ઝડપથી પહેરે છે, ખાસ કરીને સખત સામગ્રી જેમ કે કાર્બન ફાઇબર.તેથી, ઉચ્ચ-ગુણવત્તાવાળા સુવ્યવસ્થિત અને મશિન સંયુક્ત માળખાં પ્રદાન કરવા માટે નિર્ણાયક વસ્ત્રોના સ્તરોને ઓળખવાની અને આગાહી કરવાની ક્ષમતા આવશ્યક છે.ઔદ્યોગિક CNC મિલિંગ મશીનો પર સંશોધન દર્શાવે છે કે કૃત્રિમ બુદ્ધિ સાથે જોડાયેલી યોગ્ય સેન્સર ટેકનોલોજી આવી આગાહીઓ અને સુધારાઓ પ્રદાન કરી શકે છે.
અલ્ટ્રાસોનિક સેન્સર સંશોધન માટે ઔદ્યોગિક CNC મિલિંગ મશીન.છબી સ્ત્રોત: ઓગ્સબર્ગ યુનિવર્સિટી દ્વારા તમામ અધિકારો આરક્ષિત છે
મોટા ભાગના આધુનિક CNC મિલિંગ મશીનોમાં બિલ્ટ-ઇન બેઝિક સેન્સર હોય છે, જેમ કે ઉર્જા વપરાશ, ફીડ ફોર્સ અને ટોર્ક રેકોર્ડિંગ.જો કે, આ ડેટા હંમેશા મિલિંગ પ્રક્રિયાની બારીક વિગતોને ઉકેલવા માટે પૂરતો નથી.આ માટે, ઑગ્સબર્ગ યુનિવર્સિટીએ સ્ટ્રક્ચર સાઉન્ડનું વિશ્લેષણ કરવા માટે અલ્ટ્રાસોનિક સેન્સર વિકસાવ્યું છે અને તેને ઔદ્યોગિક CNC મિલિંગ મશીનમાં એકીકૃત કર્યું છે.આ સેન્સર્સ મિલિંગ દરમિયાન જનરેટ થયેલા અલ્ટ્રાસોનિક રેન્જમાં સ્ટ્રક્ચર્ડ ધ્વનિ સિગ્નલો શોધી કાઢે છે અને પછી સિસ્ટમ દ્વારા સેન્સર્સ સુધી પ્રચાર કરે છે.
સ્ટ્રક્ચર ધ્વનિ પ્રક્રિયા પ્રક્રિયાની સ્થિતિ વિશે તારણો દોરી શકે છે.આર્ટિફિશિયલ ઇન્ટેલિજન્સ પ્રોડક્શન નેટવર્કના ડિરેક્ટર પ્રો. માર્કસ સોસે સમજાવ્યું, "આ એક સૂચક છે જે આપણા માટે તેટલો જ અર્થપૂર્ણ છે જેટલો ધનુષ વાયોલિન માટે છે.""સંગીત વ્યાવસાયિકો વાયોલિનના અવાજ પરથી તરત જ નક્કી કરી શકે છે કે તે ટ્યુન થયેલ છે કે કેમ અને વાદ્યમાં ખેલાડીની નિપુણતા છે."પરંતુ આ પદ્ધતિ CNC મશીન ટૂલ્સ પર કેવી રીતે લાગુ પડે છે?મશીન લર્નિંગ એ ચાવી છે.
અલ્ટ્રાસોનિક સેન્સર દ્વારા રેકોર્ડ કરાયેલ ડેટાના આધારે CNC મિલિંગ પ્રક્રિયાને ઑપ્ટિમાઇઝ કરવા માટે, સોસ સાથે કામ કરતા સંશોધકોએ કહેવાતા મશીન લર્નિંગનો ઉપયોગ કર્યો હતો.એકોસ્ટિક સિગ્નલની અમુક લાક્ષણિકતાઓ પ્રતિકૂળ પ્રક્રિયા નિયંત્રણને સૂચવી શકે છે, જે સૂચવે છે કે મિલ્ડ ભાગની ગુણવત્તા નબળી છે.તેથી, આ માહિતીનો ઉપયોગ મિલિંગ પ્રક્રિયાને સીધી રીતે ગોઠવવા અને સુધારવા માટે થઈ શકે છે.આ કરવા માટે, એલ્ગોરિધમને તાલીમ આપવા માટે રેકોર્ડ કરેલ ડેટા અને અનુરૂપ સ્થિતિ (ઉદાહરણ તરીકે, સારી કે ખરાબ પ્રક્રિયા) નો ઉપયોગ કરો.પછી, મિલિંગ મશીનનું સંચાલન કરનાર વ્યક્તિ પ્રસ્તુત સિસ્ટમની સ્થિતિની માહિતી પર પ્રતિક્રિયા આપી શકે છે, અથવા સિસ્ટમ પ્રોગ્રામિંગ દ્વારા આપમેળે પ્રતિક્રિયા આપી શકે છે.
મશીન લર્નિંગ માત્ર વર્કપીસ પર સીધું જ મિલિંગ પ્રક્રિયાને ઑપ્ટિમાઇઝ કરી શકતું નથી, પરંતુ શક્ય તેટલી આર્થિક રીતે ઉત્પાદન પ્લાન્ટના જાળવણી ચક્રનું આયોજન પણ કરી શકે છે.આર્થિક કાર્યક્ષમતામાં સુધારો કરવા માટે કાર્યાત્મક ઘટકોને શક્ય હોય ત્યાં સુધી મશીનમાં કામ કરવાની જરૂર છે, પરંતુ ઘટકના નુકસાનને કારણે સ્વયંસ્ફુરિત નિષ્ફળતા ટાળવી જોઈએ.
અનુમાનિત જાળવણી એ એક પદ્ધતિ છે જેમાં AI એ ગણતરી કરવા માટે એકત્રિત સેન્સર ડેટાનો ઉપયોગ કરે છે કે ભાગો ક્યારે બદલવા જોઈએ.અભ્યાસ હેઠળના CNC મિલિંગ મશીન માટે, જ્યારે ધ્વનિ સંકેતની ચોક્કસ લાક્ષણિકતાઓ બદલાય છે ત્યારે અલ્ગોરિધમ ઓળખે છે.આ રીતે, તે માત્ર મશીનિંગ ટૂલના વસ્ત્રોની ડિગ્રીને ઓળખી શકતું નથી, પણ સાધન બદલવા માટેના યોગ્ય સમયની આગાહી પણ કરી શકે છે.આ અને અન્ય કૃત્રિમ બુદ્ધિ પ્રક્રિયાઓ ઑગ્સબર્ગમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ પ્રોડક્શન નેટવર્કમાં સામેલ કરવામાં આવી રહી છે.ત્રણ મુખ્ય ભાગીદાર સંસ્થાઓ મેન્યુફેક્ચરિંગ નેટવર્ક બનાવવા માટે અન્ય ઉત્પાદન સુવિધાઓ સાથે સહયોગ કરી રહી છે જે મોડ્યુલર અને સામગ્રી-ઓપ્ટિમાઇઝ રીતે ફરીથી ગોઠવી શકાય છે.
ઉદ્યોગના પ્રથમ ફાઇબર મજબૂતીકરણ પાછળની જૂની કળા સમજાવે છે, અને નવા ફાઇબર વિજ્ઞાન અને ભાવિ વિકાસની ઊંડાણપૂર્વકની સમજ ધરાવે છે.
પોસ્ટનો સમય: ઑક્ટો-08-2021