În acești ani, am observat subiectulAI și gemeni digitali în formare la receapărând din ce în ce mai mult în discuțiile despre producție. La prima vedere, sună ca o altă combinație tipică de cuvinte la modă Industry 4.0. Dar când te uiți la ceea ce se întâmplă în atelier, nu este deloc abstract-ci rezolvă problemele cu care inginerii s-au confruntat de mult timp: uzura sculelor, calitate instabilă, cicluri lungi de configurare și timp neașteptat al mașinii.
Formarea la rece în sine este un proces destul de eficient. În loc să taie metalul, așa cum o face prelucrarea, remodelează materialul la temperatura camerei, sub presiune ridicată. Îl veți găsi peste tot în piese de automobile, elemente de fixare și componente metalice de precizie.
Procesul este eficient, dar și surprinzător de sensibil. Micile variații în loturile de materiale, condițiile de lubrifiere sau uzura sculei pot duce rapid la defecte. Partea frustrantă este că aceste probleme nu apar întotdeauna imediat. În multe fabrici, inginerii se bazează încă foarte mult pe experiență, verificări vizuale și încercări repetate. Funcționează până la un punct, dar nu este întotdeauna stabil sau scalabil atunci când volumul de producție crește.
Unde gemenii digitali schimbă de fapt lucrurile
Aici începe să aibă sens tehnologia gemenelor digitale.
Un geamăn digital este practic o contraparte virtuală a unei mașini sau a unui proces real. În formarea la rece, poate reprezenta mașina de presare, configurația sculelor, comportamentul materialului și chiar schimbările de tensiune sau temperatură în timpul formării. Dar diferența cheie față de simularea tradițională este că nu rămâne statică. Se actualizează în continuare pe baza datelor reale de producție, astfel încât modelul virtual rămâne treptat aliniat cu ceea ce se întâmplă de fapt pe linia de producție.
În practică, se simte mai puțin ca un instrument de simulare și mai mult ca o „oglindă” a procesului din fabrică.
Ce se întâmplă când se adaugă AI
Odată ce AI este introdusă pe deasupra, sistemul devine mult mai proactiv.
Din ceea ce am văzut, modelele de învățare automată sunt deosebit de bune pentru a găsi modele ascunse în datele istorice de producție. Modele pe care operatorii ar putea să nu le observe deloc. De exemplu, o ușoară creștere a vibrațiilor în timpul unei anumite etape a ciclului de presare ar putea să nu pară importantă la început. Dar, în timp, sistemul poate afla că acest lucru se corelează de obicei cu uzura accelerată a sculei câteva zile mai târziu.
În loc să aștepte ca instrumentul să eșueze, sistemul îl poate semnala mai devreme. Uneori va sugera întreținere; alteori poate recomanda ajustarea parametrilor procesului. În orice caz, trecerea de la reacție la predicție.
Optimizarea procesului devine mai puțină încercare-și-eroare
În mod tradițional, parametri precum forța de presare, viteza și lubrifierea sunt stabiliți pe baza experienței. Inginerii le ajustează treptat, adesea prin încercări repetate, până când producția se stabilizează. Funcționează, dar este nevoie de timp-și o mulțime de materiale poate fi irosită în timpul reglajului.
Cu gemenii digitali bazați pe AI-, situația este destul de diferită. Puteți testa mii de combinații de parametri virtual înainte de a rula un lot de producție real. Numai acest lucru reduce o cantitate mare de-probă pe site-și-eroare.
În unele cazuri, permite, de asemenea, mașinilor să funcționeze mai aproape de fereastra lor optimă de performanță, fără a crește ratele de defecte. Este ceva greu de realizat doar cu reglarea manuală.
Controlul calității se deplasează în amonte
Inspecția calității avea loc după producție. Tu faci piesa, apoi verifică dacă este bună sau nu.
Dar acum, cu datele senzorilor combinate cu modele gemene digitale, predicția calității poate avea loc chiar în timpul procesului de formare. Curbele de forță, semnale acustice, temperatura matriței-aceste semnale sunt introduse continuu în sistem.
Când ceva începe să se îndepărteze de tiparul așteptat, sistemul îl poate detecta devreme. În unele cazuri, poate chiar prezice probabilitatea de defecte înainte ca piesa să fie complet formată. Aceasta înseamnă mai puține piese deșeuri și mai puține risipe de material, ceea ce este o problemă importantă în producția de-volum mare.
Realitatea: nu este plug-and-play
Desigur, acest lucru nu înseamnă că tehnologia este ușor de implementat.
Una dintre cele mai mari probleme este calitatea datelor. Mediile de formare la rece sunt zgomotoase-literal și digital. Senzorii nu produc întotdeauna semnale curate, iar mașinile mai vechi adesea nu au sisteme adecvate de achiziție a datelor în primul rând.
Mai este și problema integrării. Multe mașini vechi nu au fost niciodată proiectate să „vorbească” cu platformele moderne de inteligență artificială. Conectarea acestora la un sistem de date unificat poate necesita mai mult efort decât construirea modelului AI în sine.
Deci, în timp ce conceptul sună elegant, munca de fundație este adesea cea mai grea parte.
Direcția este încă foarte clară
Chiar și cu aceste provocări, direcția de dezvoltare este greu de ratat. Pe măsură ce tot mai multe fabrici se îndreaptă către Industria 4.0, gemenii digitali combinați cu AI trec treptat de la proiecte experimentale la instrumente practice.
Se schimbă și mentalitatea. În loc să rezolve problemele după ce acestea apar, producătorii încearcă din ce în ce mai mult să le prezică și să le prevină înainte să apară.
Și pe termen lung, nu cred că cea mai mare valoare este doar reducerea costurilor sau îmbunătățirea eficienței. Este ceva mai profund-înțelegerea procesului de formare la rece în sine la o rezoluție mult mai mare.
Când simularea, datele de producție-în timp real și învățarea AI formează o buclă închisă, decalajul dintre proiectare și producție începe să se micșoreze. Într-o industrie în care chiar și mici îmbunătățiri ale preciziei, timpului de funcționare sau ratei de deșeuri se pot traduce într-un impact financiar semnificativ, această schimbare nu este doar utilă-ci transformatoare.
