Artificial Intelligence သည် ကာဗွန်ဖိုက်ဘာ အားဖြည့် ကွန်ပေါင်းများကို CNC ကြိတ်ခွဲခြင်းအား အကောင်းဆုံးဖြစ်စေသည် |ပေါင်းစပ်ပစ္စည်းများကမ္ဘာ

Augsburg AI ထုတ်လုပ်မှုကွန်ရက်-DLR Lightweight Production Technology Center (ZLP)၊ Fraunhofer IGCV နှင့် University of Augsburg တို့သည် ပေါင်းစပ်ပစ္စည်းများ၏ အရည်အသွေးနှင့် အသံကို ပေါင်းစပ်ရန်အတွက် ultrasonic အာရုံခံကိရိယာများကို အသုံးပြုသည်။
စက်၏အရည်အသွေးကို စောင့်ကြည့်ရန် CNC ကြိတ်စက်တွင် တပ်ဆင်ထားသော ultrasonic အာရုံခံကိရိယာ။ပုံရင်းမြစ်- University of Augsburg မှ မူပိုင်ခွင့်အားလုံးကို ကန့်သတ်ထားသည်။
Augsburg AI (Artificial Intelligence) ထုတ်လုပ်မှုကွန်ရက်ကို 2021 ခုနှစ် ဇန်နဝါရီလတွင် တည်ထောင်ခဲ့ပြီး ဂျာမနီနိုင်ငံ၊ Augsburg တွင် ရုံးစိုက်ပြီး - University of Augsburg, Fraunhofer နှင့် သတ္တုပုံသွင်းခြင်း၊ ပေါင်းစပ်ပစ္စည်းများနှင့် ပြုပြင်ခြင်းနည်းပညာဆိုင်ရာ သုတေသနပြုခြင်း (Fraunhofer IGCV) နှင့် ဂျာမန်ပေါ့ပါးသောထုတ်လုပ်မှုနည်းပညာ ဗဟို။ဂျာမန်လေကြောင်းအာကာသစင်တာ (DLR ZLP)။ရည်ရွယ်ချက်မှာ ပစ္စည်းများ၊ ထုတ်လုပ်ရေးနည်းပညာများနှင့် ဒေတာအခြေပြု မော်ဒယ်လ်များကြားတွင် ဥာဏ်ရည်တုအခြေခံ ထုတ်လုပ်မှုနည်းပညာများကို ပူးတွဲသုတေသနပြုရန်ဖြစ်သည်။ဥာဏ်ရည်တု ထုတ်လုပ်မှု လုပ်ငန်းစဉ်ကို ပံ့ပိုးပေးနိုင်သည့် အက်ပလီကေးရှင်းတစ်ခု၏ ဥပမာမှာ ဖိုက်ဘာအားဖြည့် ပေါင်းစပ်ပစ္စည်းများကို စီမံဆောင်ရွက်ခြင်း ဖြစ်သည်။
အသစ်ဖွဲ့စည်းထားသော ဉာဏ်ရည်တုထုတ်လုပ်မှုကွန်ရက်တွင် သိပ္ပံပညာရှင်များသည် ဉာဏ်ရည်တု ထုတ်လုပ်မှုလုပ်ငန်းစဉ်များကို အကောင်းဆုံးဖြစ်အောင် မည်သို့လုပ်ဆောင်နိုင်သည်ကို သိပ္ပံပညာရှင်များက လေ့လာနေကြသည်။ဥပမာအားဖြင့်၊ အာကာသယာဉ် သို့မဟုတ် စက်မှုအင်ဂျင်နီယာဆိုင်ရာ တန်ဖိုးကွင်းဆက်များစွာ၏အဆုံးတွင်၊ CNC စက်ကိရိယာများသည် ဖိုက်ဘာ-အားဖြည့်ပိုလီမာ ပေါင်းစပ်ပြုလုပ်ထားသည့် အစိတ်အပိုင်းများ၏ နောက်ဆုံးပုံစံများကို လုပ်ဆောင်သည်။ဤစက်စက်လုပ်ငန်းသည် ကြိတ်ခွဲစက်တွင် မြင့်မားသော တောင်းဆိုမှုများကို ဖြစ်ပေါ်စေသည်။Augsburg တက္ကသိုလ်မှ သုတေသီများသည် CNC ကြိတ်ခွဲမှုစနစ်များကို စောင့်ကြည့်သည့် အာရုံခံကိရိယာများကို အသုံးပြုခြင်းဖြင့် စက်ပိုင်းဆိုင်ရာလုပ်ငန်းစဉ်ကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်နိုင်သည်ဟု ယုံကြည်ကြသည်။၎င်းတို့သည် လက်ရှိတွင် အဆိုပါအာရုံခံကိရိယာများမှ ပံ့ပိုးပေးထားသည့် ဒေတာစီးကြောင်းများကို အကဲဖြတ်ရန် ဥာဏ်ရည်တုကို အသုံးပြုနေပါသည်။
စက်မှုကုန်ထုတ်လုပ်ငန်းစဉ်များသည် အများအားဖြင့် အလွန်ရှုပ်ထွေးပြီး ရလဒ်များကို ထိခိုက်စေသည့်အချက်များစွာရှိသည်။ဥပမာအားဖြင့်၊ စက်ပစ္စည်းများနှင့် ပြုပြင်ရေးကိရိယာများ အထူးသဖြင့် ကာဗွန်ဖိုက်ဘာကဲ့သို့သော မာကျောသောပစ္စည်းများသည် လျင်မြန်စွာ ဝတ်ဆင်ကြသည်။ထို့ကြောင့်၊ အရေးပါသော ၀တ်ဆင်မှုအဆင့်များကို ခွဲခြားသိမြင်နိုင်မှုနှင့် ကြိုတင်ခန့်မှန်းနိုင်စွမ်းသည် အရည်အသွေးမြင့် ကွပ်ညှပ်နှင့် စက်ဖြင့်ပြုလုပ်ထားသော ပေါင်းစပ်ဖွဲ့စည်းပုံများကို ပံ့ပိုးပေးရန်အတွက် မရှိမဖြစ်လိုအပ်ပါသည်။စက်မှုနည်းပညာသုံး CNC ကြိတ်စက်များဆိုင်ရာ သုတေသနပြုချက်များအရ သင့်လျော်သော အာရုံခံနည်းပညာသည် ဉာဏ်ရည်တုဖြင့် ပေါင်းစပ်ထားသော ခန့်မှန်းချက်များနှင့် တိုးတက်မှုများကို ပေးစွမ်းနိုင်သည်ဟု ဆိုသည်။
ultrasonic sensor သုတေသနအတွက် စက်မှု CNC ကြိတ်စက်။ပုံရင်းမြစ်- University of Augsburg မှ မူပိုင်ခွင့်အားလုံးကို ကန့်သတ်ထားသည်။
ခေတ်မီ CNC ကြိတ်စက်အများစုတွင် စွမ်းအင်သုံးစွဲမှုကို မှတ်တမ်းတင်ခြင်း၊ feed force နှင့် torque ကဲ့သို့သော အခြေခံအာရုံခံကိရိယာများ ပါရှိသည်။သို့ရာတွင်၊ ကြိတ်ခွဲခြင်းလုပ်ငန်းစဉ်၏ ကောင်းမွန်သောအသေးစိတ်အချက်အလက်များကို ဖြေရှင်းရန် ဤဒေတာများသည် အမြဲတမ်းမလုံလောက်ပါ။ဤအဆုံးစွန်အထိ၊ University of Augsburg သည် ဖွဲ့စည်းတည်ဆောက်ပုံအသံကို ပိုင်းခြားစိတ်ဖြာရန်အတွက် ultrasonic sensor ကိုတီထွင်ခဲ့ပြီး ၎င်းကို စက်မှု CNC ကြိတ်စက်တစ်ခုအဖြစ် ပေါင်းစပ်ထားသည်။ဤအာရုံခံကိရိယာများသည် ကြိတ်ခွဲစဉ်အတွင်း ထုတ်ပေးသည့် ultrasonic အကွာအဝေးအတွင်း ဖွဲ့စည်းတည်ဆောက်ထားသော အသံအချက်ပြမှုများကို ထောက်လှမ်းသိရှိနိုင်ပြီး စနစ်မှတဆင့် အာရုံခံကိရိယာများသို့ ပျံ့နှံ့သွားပါသည်။
ဖွဲ့စည်းတည်ဆောက်ပုံအသံသည် လုပ်ငန်းစဉ်၏အခြေအနေနှင့်ပတ်သက်၍ ကောက်ချက်ဆွဲနိုင်သည်။“ဒါက လေးကြိုးက တယောလိုပါပဲ၊ ငါတို့အတွက် အဓိပ္ပာယ်ရှိတဲ့ ညွှန်ပြချက်တစ်ခုပါပဲ” ဟု ဥာဏ်ရည်တုထုတ်လုပ်မှုကွန်ရက် ဒါရိုက်တာ ပါမောက္ခ Markus Sause က ရှင်းပြသည်။"ဂီတကျွမ်းကျင်ပညာရှင်များသည် တယောသံကို ချိန်ညှိထားခြင်းရှိ၊ မရှိနှင့် တူရိယာ၏ကျွမ်းကျင်မှုရှိမရှိကို ဂီတပညာရှင်များမှ ချက်ချင်းဆုံးဖြတ်နိုင်သည်။"သို့သော် ဤနည်းလမ်းသည် CNC စက်ကိရိယာများနှင့် မည်သို့သက်ဆိုင်သနည်း။Machine Learning က အဓိကပါ။
ultrasonic အာရုံခံကိရိယာမှ မှတ်တမ်းတင်ထားသော ဒေတာကိုအခြေခံ၍ CNC ကြိတ်ခြင်းလုပ်ငန်းစဉ်ကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ရန်အတွက် Sause နှင့် လက်တွဲလုပ်ဆောင်သော သုတေသီများသည် machine learning ဟုခေါ်တွင်ခြင်းကို အသုံးပြုခဲ့သည်။အသံပိုင်းဆိုင်ရာအချက်ပြမှု၏ အချို့သောဝိသေသလက္ခဏာများသည် ကြိတ်ခွဲထားသည့်အစိတ်အပိုင်း၏ အရည်အသွေးညံ့ဖျင်းကြောင်း ညွှန်ပြသည့် လုပ်ငန်းစဉ်ထိန်းချုပ်မှုအား အဆင်မပြေကြောင်း ညွှန်ပြနိုင်သည်။ထို့ကြောင့်၊ ကြိတ်ခွဲခြင်းလုပ်ငန်းစဉ်ကို တိုက်ရိုက်ချိန်ညှိရန်နှင့် တိုးတက်စေရန်အတွက် ဤအချက်အလက်ကို အသုံးပြုနိုင်သည်။၎င်းကိုလုပ်ဆောင်ရန်၊ အယ်လဂိုရီသမ်ကိုလေ့ကျင့်ရန် မှတ်တမ်းတင်ထားသောဒေတာနှင့် သက်ဆိုင်ရာအခြေအနေ (ဥပမာ၊ ကောင်းမွန်မှု သို့မဟုတ် ဆိုးရွားသောလုပ်ဆောင်ခြင်း) ကိုအသုံးပြုပါ။ထို့နောက် ကြိတ်စက်ကို လည်ပတ်နေသူသည် တင်ပြထားသည့် စနစ်အခြေအနေ အချက်အလက်ကို တုံ့ပြန်နိုင်သည်၊ သို့မဟုတ် စနစ်သည် ပရိုဂရမ်းမင်းဖြင့် အလိုအလျောက် တုံ့ပြန်နိုင်သည်။
Machine learning သည် workpiece ပေါ်တွင် တိုက်ရိုက် ကြိတ်ခြင်း လုပ်ငန်းစဉ်ကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ရုံသာမက ထုတ်လုပ်မှု စက်ရုံ၏ ပြုပြင်ထိန်းသိမ်းမှု လည်ပတ်မှုကို တတ်နိုင်သမျှ စီးပွားရေးအရပါ စီစဉ်ပေးပါသည်။စီးပွားရေး စွမ်းဆောင်ရည် မြှင့်တင်ရန် ဖြစ်နိုင်သမျှ ကာလပတ်လုံး လုပ်ငန်းဆောင်တာ အစိတ်အပိုင်းများသည် စက်တွင် အလုပ်လုပ်ရန် လိုအပ်သော်လည်း အစိတ်အပိုင်း ပျက်စီးခြင်းကြောင့် ဖြစ်ပေါ်သော အလိုအလျောက် ပျက်ကွက်မှုများကို ရှောင်ရှားရပါမည်။
Predictive maintenance သည် အစိတ်အပိုင်းများကို အစားထိုးသင့်သည်များကို တွက်ချက်ရန် AI သည် စုဆောင်းထားသော အာရုံခံဒေတာကို အသုံးပြုသည့် နည်းလမ်းတစ်ခုဖြစ်သည်။လေ့လာနေသည့် CNC ကြိတ်စက်အတွက်၊ အသံအချက်ပြမှု၏ အချို့သောလက္ခဏာရပ်များ ပြောင်းလဲသည့်အခါ algorithm က အသိအမှတ်ပြုသည်။ဤနည်းအားဖြင့် စက်ကိရိယာ၏ ဝတ်ဆင်မှုအတိုင်းအတာကို ခွဲခြားသိမြင်နိုင်ရုံသာမက ကိရိယာကို ပြောင်းလဲရန် မှန်ကန်သောအချိန်ကိုလည်း ခန့်မှန်းနိုင်သည်။ဤနှင့် အခြားသော ဉာဏ်ရည်တု လုပ်ငန်းစဉ်များကို Augsburg ရှိ အတုထောက်လှမ်းရေး ထုတ်လုပ်မှုကွန်ရက်တွင် ထည့်သွင်းထားသည်။အဓိက ပါတနာအဖွဲ့အစည်း သုံးခုသည် မော်ဂျူလာနှင့် ပစ္စည်း- အကောင်းဆုံးပုံစံဖြင့် ပြန်လည်ပြင်ဆင်နိုင်သည့် ကုန်ထုတ်လုပ်မှုကွန်ရက်ကို ဖန်တီးရန် အခြားသော ထုတ်လုပ်မှု အဆောက်အအုံများနှင့် ပူးပေါင်းဆောင်ရွက်လျက်ရှိသည်။
စက်မှုလုပ်ငန်း၏ ပထမဆုံး ဖိုက်ဘာအားဖြည့်မှုနောက်ကွယ်ရှိ အနုပညာဟောင်းကို ရှင်းပြထားပြီး ဖိုက်ဘာသိပ္ပံအသစ်နှင့် အနာဂတ်ဖွံ့ဖြိုးတိုးတက်မှုတို့ကို နက်နက်နဲနဲနားလည်ထားသည်။


စာတိုက်အချိန်- အောက်တိုဘာ-၀၈-၂၀၂၁