Gereedschapsslijtage voorspellen met AI • Metaal Magazine Ga naar hoofdinhoud

Gereedschapsslijtage voorspellen met AI

Daniel Müller, Maximilian Berndt en Peter Simon (van links naar rechts) van het onderzoeksteam (foto: Reiner Voß)

Om de mate van slijtage van gereedschappen tijdens verspaning betrouwbaar te voorspellen en zo bewerkingsprocessen te optimaliseren, hebben onderzoekers van de Technische Universiteit van Kaiserslautern (TUK) een methode ontwikkeld die gebruikmaakt van kunstmatige intelligentie (AI) als ondersteuning.

Bij bewerkingsprocessen in de productie, zoals boren of frezen, wachten de meeste bedrijven niet tot een boor of frees stuk gaat, maar wordt het gereedschap meestal eerder vervangen, om dure stilstand of gereedschapsbreuk te voorkomen. Dit gebeurt meestal op basis van ervaring (aantal bewerkingen).

Behalve dat vervanging altijd te vroeg gebeurt, kost het ook tijd en geld, dus is het uiteindelijk de moeite waard om de vervangingscycli te optimaliseren, stellen de onderzoekers.

Werkelijke proces- en meetgegevens

Op de Hannover Messe presenteren onderzoekers van TUK een systeem, dat wordt gevoed met daadwerkelijke proces- en meetgegevens. Het doel is dat het zich snel kan aanpassen aan verschillende procesomstandigheden.

“Om de slijtagetoestand van bewerkingsgereedschappen te kunnen voorspellen, houden we allereerst rekening met procesgerelateerde parameters”, zegt Daniel Müller, onderzoeksassistent aan de leerstoel Productie Engineering en Plant Organisation aan TUK. Daartoe behoren de proceskrachten die tijdens de bewerking optreden, trillingen van de machine en het benodigde vermogen van de machine-assen.

“Daarnaast verzamelen we gegevens van continue metingen aan het gereedschap en het werkstuk,” zegt de ingenieur. “De grootste uitdaging is dan om correlaties in de verzamelde gegevens te ontdekken.”

Patronen herkennen en conclusies trekken

De onderzoekers maken daarvoor gebruik van een AI-ondersteund systeem dat met behulp van methoden voor machine learning mogelijke patronen herkent en conclusies trekt over de staat van de slijtage.

Bovendien moet het kunnen voorspellen met welke procesparameters bedrijven bij bepaalde bewerkingsprocessen moeten werken om het gereedschap veilig en betrouwbaar te kunnen blijven gebruiken gedurende de beoogde levensduur.

Afkomstig van verspanende bedrijven

De gegevens die het systeem van TUK voeden komen van 5 partners (kleine, middelgrote en grote verspanende bedrijven) waar de onderzoekers mee samenwerken.

“Daarbij doorlopen we een breed scala aan varianten,” legt Müller uit. “bijvoorbeeld op het gebied van gereedschap- en materiaalsoorten of procesparameters. Ze voeden we een brede database over de gehele levensduur, tot en met het uiteindelijk stuk gaan van het gereedschap.”

Eenvoudig aanpasbaar model

Dit moet de basis gaan vormen voor een model dat eenvoudig aanpasbaar is via machine learning.

“Deze aanpak moet het mogelijk maken het basismodel met zo weinig mogelijk extra inspanningen aan te passen aan klantspecifieke bewerkingsprocessen”, meldt Peter Simon, die samen met Müller aan het project werkt. “Ook zullen wij de bevindingen van het onderzoeksproject benutten voor innovatieve bedrijfsmodellen”.

Het onderzoeksproject ‘Besturing van verspaningsprocessen door overdraagbare kunstmatige intelligentie – basis voor procesverbeteringen en nieuwe bedrijfsmodellen’ (TransKI) wordt gefinancierd door het Duitse Federale Ministerie van Onderwijs en Onderzoek (BMBF).

Tijdens Hannover Messe

Onderzoekers van TUK tonen het op AI-gebaseerde gereedschapsslijtagesysteem tijdens de Hannover Messe op de onderzoekstand van de deelstaat Rheinland-Pfalz. Het systeem geeft aan welke parameters bijgesteld moeten worden om de gewenste levensduur voor het gereedschap te halen. 

Geef een antwoord

Het e-mailadres wordt niet gepubliceerd.

Deze site gebruikt Akismet om spam te verminderen. Bekijk hoe je reactie-gegevens worden verwerkt.

x
Mis niet langer het laatste nieuws

Schrijf u nu in voor onze nieuwsbrief.

Inschrijven