安裝在 CNC 銑床上的超聲波傳感器，用于監控加工質量。

　　圖片來源：奧格斯堡大學版權所有

奧格斯堡 AI（人工智能）生產網絡——成立于 2021 年 1 月，總部位于德國奧格斯堡——匯集了奧格斯堡大學（University of Augsburg）、弗勞恩霍夫鑄造研究所（Fraunhofer Institute for Foundry）、復合材料和加工技術研究所 (Fraunhofer IGCV) 和德國航空航天中心輕量化生產技術中心（DLR ZLP）。目的是在材料、制造技術和基于數據的建模之間的接口上聯合研究基于人工智能的生產技術。人工智能可以支持生產過程的一個應用實例是纖維增強復合材料的加工。

　　
在新成立的人工智能生產網絡中，科學家們正在研究人工智能如何優化生產流程。例如，在航空航天或機械工程的許多價值鏈的末端，數控機床加工由纖維增強聚合物復合材料制成的部件的終輪廓。這種加工工藝對銑刀提出了很高的要求。奧格斯堡大學的研究人員認為，通過使用監控 CNC銑削系統的傳感器有可能優化加工過程。他們目前正在使用人工智能來評估這些傳感器提供的數據流。

　　
工業制造過程通常非常復雜，影響結果的因素很多。例如，設備和加工工具磨損很快，尤其是碳纖維等硬質材料。因此，識別和預測臨界磨損程度的能力對于提供高質量的修剪和機加工復合材料結構至關重要。對工業 CNC銑床的研究表明，合適的傳感器技術與人工智能相結合，可以提供此類預測和改進。

　　
結構聲與機器學習

　　
大多數現代數控銑床都有一些內置的基本傳感器，例如記錄能量消耗、進給力和扭矩。然而，這些數據并不總是足以解決銑削過程中的細節問題。為此，在奧格斯堡大學開發了用于分析結構聲的超聲波傳感器，并將其集成到工業CNC銑床中。這些傳感器檢測銑削過程中產生的超聲波范圍內的結構傳播聲音信號，然后通過系統傳播到傳感器。

 

通過結構聲可以得出關于加工過程狀態的結論。“這是一個對我們來說就像拉弓對小提琴一樣有意義的指標，”人工智能生產網絡主管 Markus Sause 教授解釋說。“音樂專業人士可以立即從小提琴的聲音中判斷出它是否調準以及演奏者對樂器的掌握程度。” 但是這種方法如何適用于 CNC 機床？機器學習是關鍵。

　　
為了根據超聲波傳感器記錄的數據優化CNC 銑削過程，與 Sause合作的研究人員利用了所謂的機器學習。聲學信號的某些特征可能表示不利的過程控制，這表明銑削部件的質量較差。因此，可以利用這些信息直接調整和改進銑削工藝。為此，使用記錄的數據和相應的狀態（例如加工好或壞）訓練算法。然后，操作銑床的人員可以對呈現的系統狀態信息做出反應，或者系統可以通過編程自動做出反應。

　　
預測性維護-采取前瞻性行動

　　
機器學習不僅可以直接在工件上優化銑削過程，還可以盡可能經濟地規劃生產工廠的維護周期。功能部件需要盡可能長時間地在機器中工作以提高經濟效益，但必須避免因部件損壞而導致的自發故障。

　　
預測性維護是一種 AI 使用收集的傳感器數據計算何時應該更換零件的方法。對于正在研究的 CNC 銑床，算法會識別聲音信號的某些特征何時發生變化。通過這種方式，它不僅可以識別加工刀具的磨損程度，還可以預測更換刀具的正確時間。這個和其他人工智能流程正在被納入奧格斯堡的人工智能生產網絡。三個主要的合作伙伴組織正在與其他生產設施合作，以創建一個可以以模塊化和材料優化的方式重新配置的制造網絡。