Hårde nødder, knækket på en smart måde

svejsning, trykning, knusning af beton – et Empa-team overvåger støjende processer ved hjælp af kunstig intelligens. På denne måde kan du bogstaveligt talt høre produktionsfejl og forestående ulykker.

Kilian Wasmer fra Empa lab for Advanced Materials Processing i Thun bliver ved med at ryste på hovedet, mens han taler, som om han ikke selv kan tro på succeshistorien. Sammen med sit team, han patenterede for nylig et system til at overvåge komplekse produktionsprocesser, som kan bruges i en lang række situationer – selvom udsigterne til denne idé i starten slet ikke så særlig gode ud. "Jeg fortalte vores partnere, at jeg vurderede chancerne for succes til omkring 5 procent. Men vi ville stadig give det en chance, " husker Wasmer om projektets tidlige dage.

Lynet slår ned på beton

Den førnævnte partner er Selfrag AG fra Kerzers ved Bern. Virksomheden fremstiller højspændingsgeneratorer, som kan forsvække eller endda knække beton ved hjælp af lynudladninger. I modsætning til en forhammer, som giver skarpkantede klumper af beton med flækkede småsten, denne metode er i stand til at nedbryde beton til dens grundlæggende komponenter af grus, sand og cement – ​​hvilket gør det muligt at genbruge dem fuldt ud.

Empa-forskerne begyndte at bombardere små prøvestykker lavet af plexiglas med højspændingslyn. Den akustiske signatur af hvert lyn blev registreret, og det tilsvarende plexiglas-prøvestykke blev undersøgt for revner og overfladeskader under mikroskopet. Sergey Shevchik, teamets specialist i kunstig intelligens, testet en række forskellige strategier for at genkende afslørende mønstre fra dataene. Til sidst, ikke kun lykkedes det ham at skelne succesfulde lynnedslag fra misser, men også i at spotte overfladehits. For første gang, dette gav Selfrag en online overvågningsmulighed for sin lynteknologi.

Succesen med lynanalyse i realtid gav holdet ideen om også at analysere andre ekstremt støjende processer:knirkende, raslende maskiner.

Når lejer sætter sig fast, og maskiner dør

Hvis rullelejer og andre bevægelige metaldele ikke er korrekt olieret, de kan slide. Problemet forårsager betydelig skade på verdensplan. Desværre, temperatursensorer integreret i sårbare komponenter registrerer først en temperaturstigning, når ridsningen er begyndt, og delene allerede er ødelagte.

Imidlertid, bare fordi noget knirker i en maskine, betyder det ikke nødvendigvis, at maskinen har brug for fuldstændig revision. Enhver, der demonterer og servicerer sine produktionsmaskiner oftere end nødvendigt, forårsager unødvendige omkostninger. Men de, der venter for længe, ​​risikerer, at en bevægelig del bliver slidt, bryde fra hinanden og dermed ødelægge andre dele af maskinen, hvilket ville være katastrofalt. Målet, derfor, er at høre det "afgørende" knirken fra kakofonien af ​​støj – og at stoppe maskinen lige i tide, før den bliver beskadiget.

Wasmers team tillod et leje lavet af hærdet stål at gnide mod en støbejernsbase på et tribometer, et instrument til at måle friktion, optog lydene, standsede eksperimentet i forskellige faser og studerede skaden under et mikroskop. Empa-forskerne formåede at skelne de vitale spor fra denne kakofoni. De er nu i stand til at genkende jammingen med 80 procent sikkerhed. Endnu vigtigere, dog:Den afgørende pre-scuffing fase kan erkendes med 65 procent sikkerhed - og endda forudsige et par minutter før den katastrofale konklusion kommer. Dette ville være tilstrækkeligt til at standse mange industrimaskiner i tide og forhindre alvorlig skade.

Kvalitetsstyring i additiv fremstilling

Wasmers seneste projekt er afsat til additiv fremstilling (AM) – produktion af metalliske komponenter lavet af metalpulver, som smeltes med en laserstråle. Denne nye fremstillingsteknik bruger ingen støbeforme og er kun billetten til geometrisk komplekse individuelle dele. Indtil i dag, imidlertid, det har været nødvendigt nøje at overholde procesparametrene (f.eks. lasereffekt og hastighed, pulverspecifikation osv.) for en bestemt legering eller anvendelse. Enhver afvigelse kan forårsage porer, revner eller indre belastninger i emnet, gør den ubrugelig.

Wasmer og Co. kombinerede akustiske sensorer med maskinlæring og analyserede dataene ved hjælp af en algoritme kaldet SCNN ("Spectral Convolutional Neural Network") og først beskrevet i 2016. Ved hjælp af denne maskinlæringsmetode, det lykkedes dem at skelne, om lasersmeltningsprocessen var for varm eller for kold med et hit-forhold på over 83 procent. Resultaterne blev offentliggjort i Additive Manufacturing i maj 2018.

Listening in during laser welding

The researchers are confident that the method can also be applied to things other than laser 3-D printers. Other AM techniques such as laser sintering, stereolithography or multi-jet printing are based on similar physical principles. The Empa method for process and quality monitoring in real time could thus be valuable for all these techniques.

Another industrial partner has already benefited from Empa's knowhow:Coherent Switzerland, based in Belp, has been manufacturing laser sources and tool heads for welding devices for 44 years. Thanks to the Empa results, the company now has a sensor system at its disposal that monitors and documents the welding process optically and acoustically. The data obtained in this way could help optimize future welding processes and maintain the high quality standard that the automotive industry demands from its suppliers.