การผลิตแห่งอนาคต: เครื่องมือมีประสิทธิภาพมากขึ้นเมื่อใช้ผ่านปัญญาประดิษฐ์

  •  
  •  
  •  
  •  
  •  

เมื่อการตัดเฉือนส่วนประกอบ ความสึกหรอของเครื่องมือและอัตราการขจัดโลหะเป็นปัจจัยชี้ขาด การเรียนรู้ของเครื่องจักรสามารถช่วยเพิ่มคุณค่าให้มีประสิทธิภาพมากขึ้นในการปรับต้นทุนการผลิตให้เหมาะสมที่สุด เพื่อสนับสนุนกระบวนการตัดสินใจในการเปลี่ยนเครื่องมือ

แบบจำลองปัญญาประดิษฐ์ (AI) ทำให้เครื่องมือสามารถใช้ได้ยาวนานขึ้นอย่างมีนัยสำคัญ (ที่มา: Nikola Krieger)

เช่นเดียวกับแวดวงอุตสาหกรรมทั้งหมด แรงกดดันต้นทุนมีมากขึ้นเรื่อยๆ ในภาคส่วนการตัดเฉือน ยิ่งเครื่องมือสามารถถูกใช้อย่างมีประสิทธิภาพได้มากเท่าไร ต้นทุนจะยิ่งต่ำ อย่างไรก็ตาม ตรงนี้ไม่มีวิธีการที่เป็นสิทธิบัตร แต่ละกระบวนการมีความแตกต่างกันมากเกินไปจากการใช้งานหนึ่งไปอีกหนึ่ง การถ่ายโอนการเรียนรู้สามารถที่จะให้วิธีการได้ ทีนี่ ความรู้ที่ได้ถูกเรียนรู้แล้วจากงานที่เกี่ยวข้อง ได้ถูกใช้เพื่อฝึกแบบจำลองการเรียนรู้ของเครื่องจักร (Machine learning) ได้เร็วยิ่งขึ้นสำหรับงานใหม่แต่มีความเกี่ยวข้อง โครงการวิจัยที่ให้เงินโดยกระทรวงศึกษาธิการและการวิจัยแห่งสหพันธรัฐเยอรมัน (BMBF) ได้ดำเนินการตั้งแต่ มิถุนายน 2021 เพื่อเสาะหาความเป็นไปได้ในการถ่ายโอนการเรียนรู้ในการตัดเฉือนและทำให้มันใช้งานได้สำหรับอุตสาหกรรม

ต้นทุนการผลิตของชิ้นส่วนตัดเฉือนถูกกำหนดอย่างมากโดยอัตราการขจัดโลหะและความสึกหรอของเครื่องมือ ด้วยแรงกดดันต้นทุนที่เพิ่มขึ้นอย่างต่อเนื่อง การปรับการใช้เครื่องมือให้เหมาะสมที่สุดจึงเป็นจุดเริ่มต้นสำหรับการลดต้นทุนและการเพิ่มประสิทธิภาพ หากเครื่องมือถูกสับเปลี่ยนช้าเกินไป ความสึกหรอมีผลกระทบเชิงลบต่อคุณภาพชิ้นงาน นอกจากความเบี่ยงเบนจากความคลาดเคลื่อนทางเรขาคณิตที่ต้องการ การเกิดเสี้ยนที่มากขึ้น ความขรุขระและความด้อยลงของคุณสมบัติเชิงกลและโลหการของบริเวณมุมชิ้นงานเป็นผลของเครื่องมือที่สึกหรอ ดังนั้นในทางปฏิบัติเชิงอุตสาหกรรม เครื่องมือมักถูกเปลี่ยนเร็วเกินไปเพื่อเป็นการระวังไว้ก่อน แต่สิ่งนี้มีผลลบกับต้นทุนการผลิต นอกจากศักยภาพของอายุเครื่องมือที่สูญเปล่า เวลาติดตั้งและต้นทุนเครื่องมือก็เพิ่มขึ้นด้วย การจัดการเครื่องมืออัจฉริยะที่สนับสนุนด้วย AI สามารถช่วยปรับอายุเครื่องมือให้เหมาะสมที่สุด

โดยเรียนรู้แบบจำลองที่เหมาะสมเป็นอันดับแรก เป็นไปได้ที่จะคาดการณ์การสึกหรอของเครื่องมือระหว่างการตัดเฉือนโดยการวัดความสั่นสะเทือน สัญญาณเสียงและแรงในกระบวนการ ตรงหน้างาน ในทางตรงกันข้ามแรงในกระบวนการและอุณหภูมิที่คาดหวังสามารถถูกประเมินได้ด้วยสถานะความสึกหรอที่ทราบ นอกจากนี้ ยังเป็นไปได้ที่จะคาดการณ์ต้นทุนการผลิตและคุณสมบัติของส่วนประกอบอย่างเช่น ความขรุขระ ความสูงของเสี้ยนและโครงสร้างไมโครหรือความแข็งไมโครที่แสดงอยู่ในโครงสร้างไมโครด้วยการเลือกพารามิเตอร์กระบวนการที่ทราบสำหรับกระบวนการผลิตที่แตกต่างกัน สิ่งนี้หมายถึงว่าเครื่องมือต่างๆ สามารถที่จะถูกใช้ได้ยาวนานขึ้นมากโดยปราศจากความเสี่ยงของการสึกหรอที่เป็นปัญหา โดยวิธีนี้สามารถรับรู้ได้ถึงผลิตภาพที่ปรับปรุงผลผลิตอย่างยั่งยืนและใช้ทรัพยากรอย่างมีประสิทธิภาพ ซึ่งสามารถช่วยอย่างมากในการเพิ่มความสามารถในการแข่งขันของบริษัทผู้ผลิต

แบบจำลองที่ไม่สามารถถ่ายโอนได้

การตัดเฉือนไม่ได้เหมือนกันทั้งหมด อย่างไรก็ตาม นอกเหนือจากความหลากหลายของวัสดุที่สามารถถูกตัดเฉือนได้ มันสำคัญเสมอที่จะพิจารณาที่ตัวกระบวนการเอง แม้ด้วยเครื่องมือมาตรฐาน ก็มีความแตกต่างกันอย่างเห็นได้ชัด เครื่องมือต่าง ๆ ไม่เพียงประกอบด้วยวัสดุที่แตกต่างกันที่เหมาะสมกับแอปพลิเคชันเฉพาะ แต่มักมีเรขาคณิตที่แตกต่างกันและแม้แต่เคลือบก็อาจจะต่างกัน ผลลัพธ์ของแอปพลิเคชันนึงจึงไม่สามารถถ่ายโอนให้กับแอปพลิเคชันอื่น ๆ ได้โดยง่าย ยิ่งกว่านั้นการอบรมระบบมักกินเวลามาก จนถึงตอนนี้ โซลูชันที่มีสำหรับการปรับให้เหมาะสมที่สุดโดย ML มักอ้างถึงกระบวนการตัดเฉพาะบนวัสดุด้วยเครื่องมือที่กำหนดและช่วงของพารามิเตอร์การตัดที่กำหนด มักอยู่ภายใต้สภาวะห้องทดลอง ผลคือมันเป็นไปไม่ได้ที่จะถ่ายโอนแบบจำลองไปสู่กระบวนการตัดเฉือนที่แปรปรวนในบริษัทการผลิตที่ใช้วิธีการปัจจุบัน

การถ่ายโอนการเรียนรู้สามารถให้โซลูชันที่เป็นไปได้ ทีนี่ ความรู้จากแอปพลิเคชันที่เกี่ยวข้องที่ได้ถูกเรียนรู้แล้วถูกใช้เพื่ออบรมแบบจำลอง ML รวดเร็วยิ่งขึ้นสำหรับงานหรือกรณีการใช้งานใหม่ อย่างไรก็ตาม ยังคงไม่มีแบบจำลองกระบวนการที่ทำให้การถ่ายโอนการเรียนรู้สามารถใช้สำหรับแอปพลิเคชันในอุตสาหกรรมในทุกวันได้ นี่คือที่ซึ่งโครงการวิจัย “การควบคุมของกระบวนการตัดเฉือนผ่านปัญญาประดิษฐ์ที่ถ่ายโอนได้ – พื้นฐานสำหรับการปรับปรุงกระบวนการและแบบจำลองธุรกิจใหม่ (TransKI)” ในมาตรการระดมทุน “การเรียนรู้เทคโนโลยีการผลิต – การใช้ปัญญาประดิษฐ์ (AI) ในการผลิต (ProLern)” ได้เข้ามา ซึ่งได้รับทุนโดยกระทรวงศึกษาธิการและการวิจัยแห่งสหพันธรัฐเยอรมัน (BMBF).

วัตถุประสงค์โดยรวมของโครงการ การพัฒนาการถ่ายโอนการเรียนรู้สำหรับการสร้างแบบจำลอง ML ที่สามารถถูกถ่ายโอนไปยังแวดวงของแอปพลิเคชันใหม่ ๆ ด้วยความพยายามเล็กน้อย โครงการได้ถูกแบ่งออกเป็นสามวัตถุประสงค์ย่อย เป้าหมายย่อยแรกคือการกำหนดและสร้างแบบจำลองของการปฏิสัมพันธ์เชิงต้นเหตุในการตัดเฉือน เป้าหมายย่อยที่สองถูกกำหนดเป็นการทำให้แน่ใจในการถ่ายโอนได้ ซึ่งในท้ายที่สุดมีผลเป็นเป้าหมายย่อยที่สามคือการทำให้แบบจำลองสามารถใช้งานได้



เมื่อทำการเลือกแบบจำลอง ML สำหรับการตัดเฉือน การพิจารณาตัวกระบวนการเองก็มีความสำคัญเช่นกัน (ที่มา: Nicola Krieger)

ในระยะแรกของโครงการวิจัย กรณีการใช้งานอุตสาหกรรมได้ถูกกำหนด และการทดสอบการตัดเฉือนถูกดำเนินการและประเมิน ด้วยข้อมูลประมวลผลจากการทดสอบเหล่านี้ แบบจำลอง ML พื้นฐานสามารถถูกพัฒนาขึ้นได้ ระยะที่สองเกี่ยวกับการทำให้แบบจำลองเหมาะสมสำหรับกรณีใช้งานใหม่ ๆ ในกระบวนการนี้ สภาพแวดล้อมการทดสอบ ตัวอย่างเช่น กระบวนการ เครื่องจักรและเทคโนโลยีเซ็นเซอร์ เช่นเดียวกับวัสดุถูกเปลี่ยน ระบุลักษณะร่วมที่ขึ้นกับการสึกหรอและความรู้ผู้เชี่ยวชาญถูกนำมารวมในการสำรวจ ในระยะที่สามของโครงการ ระบบช่วยเหลือสำหรับการควบคุมกระบวนการก่อนล่วงหน้าและโมเดลธุรกิจที่ใช้การถ่ายโอนการเรียนรู้จะถูกพัฒนาขึ้นเพื่อทำให้แบบจำลอง ML ที่ปรับให้เหมาะสมที่สุดสามารถใช้ได้เชิงอุตสาหกรรม

ความรู้ที่ได้มาจะถูกตรวจสอบความถูกต้องในแอปพลิเคชันนำร่องหลายอย่างที่แตกต่างกันสำหรับการเจาะและการกัด นอกจากนี้โครงการไม่เพียงแต่แก้ปัญหาเฉพาะของอุตสาหกรรมเครื่องมือ แต่ยังเปิดหนทางใหม่ ๆ ผ่านการถ่ายโอนการเรียนรู้เพื่อใช้ประโยชน์ศักยภาพการสร้างคุณค่าที่ยังไม่ได้ใช้ก่อนหน้านี้ ตัวอย่างเช่น ผู้ผลิตสินค้าทุนและบริษัทการผลิตในภาคส่วนอื่น ๆ

หุ้นส่วนที่แข็งแกร่งเพื่อผลลัพธ์ที่แข็งแกร่ง

โครงการที่มองไปข้างหน้าและมีความครอบคลุมนี้จำเป็นต้องมีความเชี่ยวชาญและทรัพยากรจากหลายวงการ นี้คือเหตุผลว่าทำไมหุ้นส่วนทั้งหมดเจ็ดรายมีส่วนเกี่ยวข้องในโครงการร่วม ผู้เชี่ยวชาญสำหรับเครื่องมือแม่นยำจาก K.-H. Müller Präzisionswerkzeuge กำลังประสานงานโครงการและรับผิดชอบสำหรับการพัฒนาของโมเดลธุรกิจนวัตกรรม ที่ใช้ AI, Robert Bosch กำลังตรวจสอบความสามารถในการโอนถ่ายของแบบจำลอง ML ไปยังกระบวนการตัดเฉือนที่เกี่ยวข้องเชิงอุตสาหกรรมและกำลังสนับสนุนประสบการณ์ที่มีอยู่ในการใช้งานของกระบวนการ AI/ML ในเทคโนโลยีการผลิตมาสู่โครงการ ในฐานะหุ้นส่วนอุตสาหกรรมในสาขาของเทคโนโลยีการเจาะแม่นยำ Botek Präzisionsbohrtechnik เป็นส่วนสำคัญของโครงการ ทั้งการดำเนินการทดสอบและในการตรววจสอบความถูกต้องของการถ่ายโอนการเรียนรู้ Empolis Information Management รับผิดชอบสำหรับการเตรียมข้อมูลเช่นเดียวกับการพัฒนาแบบจำลอง ML และทำให้แน่ใจในความสามารถในการโอนถ่าย การวิเคราะห์ของกลไกการตัดเฉือนในการเจาะและการตัดเฉือนโดยใช้แบบจำลองแบบพาราเมตริก และ กำลังดำเนินการ machine learning ที่ประธานของวิศวกรรมการผลิตและองค์กร FBK ที่ มหาวิทยาลัยเทคนิคแห่ง Kaiserslautern ผู้ผลิตเครื่องมือ Paul Horn รับผิดชอบสำหรับการดำเนินการและประเมินการทดสอบการกัดและมีบทบาทสำคัญในการเตรียมข้อมูล สถาบันสำหรับเครื่องมือกล IfW ที่มหาวิทยาลัย Stuttgart โฟกัสในการวิจัยในการควบคุมกระบวนการล่วงหน้าและรับผิดชอบสำหรับงานตรงอินเตอร์เฟซระหว่างแบบจำลอง ML และการควบคุมเครื่องจักร โครงการวางกำหนดการดำเนินการจนถึง 31 พฤษภาคม 2024

* Mathias Schmidt เป็นหุ้นส่วนผู้จัดการของ K.-H. Müller Präzisionswerkzeuge GmbH

อ้างอิง : https://www.etmm-online.com