"Irlequm" โครงการวิจัยใหม่ สำหรับการปรับกระบวนการให้เหมาะสมที่สุด และการปรับปรุงคุณภาพสำหรับการขึ้นรูปขนาดใหญ่ที่ WZL ของ RWTH Aachen (ที่มา: บริษัท Mubea Tailor Rolled Blanks)

"Irlequm" โครงการวิจัยใหม่ สำหรับการปรับกระบวนการให้เหมาะสมที่สุด และการปรับปรุงคุณภาพสำหรับการขึ้นรูปขนาดใหญ่ที่ WZL ของ RWTH Aachen (ที่มา: บริษัท Mubea Tailor Rolled Blanks)

โครงการวิจัยต้องการทำให้กระบวนการขึ้นรูปขนาดใหญ่มีความเสถียรมากขึ้น

ประเทศเยอรมันี — ที่ห้องปฏิบัติการเครื่องมือกล WZL ของมหาวิทยาลัย RWTH Aachen ได้มีการเปิดตัวโครงการวิจัยใหม่สำหรับการปรับกระบวนการให้เหมาะสมที่สุดและการส่งเสริมคุณภาพในการขึ้นรูปขนาดใหญ่ โครงการตรวจสอบว่าอัลกอริทึมของ Machine Learning สามารถใช้เพื่อปรับเข้ากับความไม่เสถียรและด้วยเหตุนี้จึงลดการปฏิเสธในกระบวนการขึ้นรูป

"Irlequm" โครงการวิจัยใหม่ สำหรับการปรับกระบวนการให้เหมาะสมที่สุด และการปรับปรุงคุณภาพสำหรับการขึ้นรูปขนาดใหญ่ที่ WZL ของ RWTH Aachen (ที่มา: บริษัท Mubea Tailor Rolled Blanks)
“Irlequm” โครงการวิจัยใหม่ สำหรับการปรับกระบวนการให้เหมาะสมที่สุด และการปรับปรุงคุณภาพสำหรับการขึ้นรูปขนาดใหญ่ที่ WZL ของ RWTH Aachen (ที่มา: บริษัท Mubea Tailor Rolled Blanks)

ความไม่เสถียรเนื่องจากตัวแปรที่มีอิทธิพลภายนอก ปฏิสัมพันธ์ที่ไม่รู้จักระหว่างพารามิเตอร์ของกระบวนการหรือลักษณะคุณภาพของผลิตภัณฑ์มักนำไปสู่การปฏิเสธในกระบวนการขึ้นรูปขนาดใหญ่แม้จะมีการควบคุมกระบวนการที่มีอยู่ แนวคิดการควบคุมในตอนนี้ขึ้นกับความรู้ผู้ปฏิบัติงานโดยปริยาย และพึ่งพาการปรับพารามิเตอร์กระบวนการด้วยตนเอง มักเป็นไปไม่ได้ที่จะปรับกระบวนการทันเวลาที่จะรักษาความคลาดเคลื่อนที่ยินยอมของผลิตภัณฑ์ ลูปของการควบคุมคุณภาพเป็นมาตรการในการชดเชยที่ครอบคลุมสำหรับความเบี่ยงเบนคุณภาพ รวมกันกับวิถีทาง machine learning เช่น reinforcement learning และ transfer learning สิ่งเหล่านี้เสนอศักยภาพในการลดการปฏิเสธ นี้ทำโดยการปรับพารามิเตอร์ระบบโดยอัตโนมัติเมื่อความไม่เสถียรเกิดขึ้น

จุดมุ่งหมายของโครงการวิจัย “Irlequm” จึงเป็นการพัฒนาของกระบวนการตาม reinforcement และ transfer learning สำหรับการดำเนินการตัวควบคุมใหม่ ในลูปการควบคุมคุณภาพของกระบวนการขึ้นรูปของแข็ง เพื่อให้สามารถทำการควบคุมตาม reinforcement learning ได้ โครงสร้างพื้นฐาน IT ที่จำเป็นได้รับการกำหนดและดำเนินการเป็นอันดับแรก การควบคุมดังกล่าวมีข้อได้เปรียบที่ ในด้านหนึ่ง ข้อมูลที่เกี่ยวข้องกับคุณภาพทั้งหมด เช่น พารามิเตอร์กระบวนการ สภาวะแวดล้อม หรือคุณสมบัติวัตถุดิบ สามารถถูกรวมอยู่ในการควบคุม ในอีกด้านหนึ่ง ความรู้ในการควบคุมของผู้ปฏิบัติงานโดยปริยายสามารถถูกทำให้ใช้งานได้อย่างถาวร



เพื่อที่จะลดเวลาในการเรียนรู้ของอัลกอริทึม reinforcement learning และเพื่อประหยัดทรัพยากร การฝึกอบรมไม่ได้ทำโดยตรงในกระบวนการจริง แต่บนการจำลองกระบวนการแบบสุ่ม ความรู้ที่ได้รับมาจากการจำลองจะถูกส่งไปยังกระบวนการควบคุมคุณภาพของลูปการควบคุมโดยวิธี transfer learning ผลของโครงการวิจัยจะเป็นระบบการควบคุมคุณภาพสำหรับกระบวนการขึ้นรูปของแข็งที่กำกับดูแลระบบโดยอัตโนมัติ อย่างครอบคลุมและในเวลาจริง และปรับคุณภาพของกระบวนการให้เหมาะสมที่สุด คุณภาพของกระบวนการที่เพิ่มขึ้นในทางกลับกันจะเพิ่มคุณภาพของผลิตภัณฑ์และลดการปฏิเสธลง

โครงการวิจัยด้วยระยะเวลาโครงการสามปี เริ่มวันที่ 1 มิถุนายน 2021 และกำลังดำเนินการในความร่วมมือกับประธานมาตรวิทยาการผลิตและการจัดการคุณภาพ ประธานเทคโนโลยีกระบวนการผลิต (ทั้งคู่จากห้องปฏิบัติการเครื่องกล WZL ของมหาวิทยาลัย RWTH Aachen) และบริษัทต่าง ๆ บ.Mubea Tailor Rolled Blanks GmbH (ผู้นำสมาคม) บ.Eichsfelder Schraubenwerke บ.Iconpro บ.Schomäcker Federnwerk บ.Quality Automation และพันธมิตรที่เกี่ยวข้อง บ.Mawi และ บ.Schiller Pressen

อ้างอิง: https://www.etmm-online.com

About The Author