Ezekben az években vettem észre a témátAI és digitális ikrek hidegalakításbanegyre gyakrabban jelenik meg a gyártási vitákban. Első pillantásra úgy hangzik, mint egy másik tipikus Ipar 4.0 hívószó-kombináció. De ha megnézzük, mi történik a műhelyben, akkor ez egyáltalán nem elvont-hanem olyan problémákat old meg, amelyekkel a mérnökök régóta küzdenek: szerszámkopás, instabil minőség, hosszú beállítási ciklusok és váratlan gépleállások.
Maga a hidegalakítás meglehetősen hatékony folyamat. Ahelyett, hogy levágná a fémet, mint a megmunkálásnál, szobahőmérsékleten, nagy nyomás alatt újraformázza az anyagot. Mindenhol megtalálható az autóalkatrészekben, kötőelemekben és precíziós fémalkatrészekben.
A folyamat hatékony, de meglepően érzékeny is. Az anyagtételek, a kenési feltételek vagy a szerszámkopás kis eltérései gyorsan hibákhoz vezethetnek. A frusztráló rész az, hogy ezek a problémák nem mindig jelennek meg azonnal. Sok gyárban a mérnökök még mindig nagymértékben támaszkodnak a tapasztalatra, a vizuális ellenőrzésekre és az ismételt próbaüzemekre. Egy bizonyos pontig működik, de nem mindig stabil vagy méretezhető, amikor a termelési mennyiség nő.
Ahol a digitális ikrek valójában megváltoztatják a dolgokat
Itt kezd értelmet nyerni a digitális ikertechnológia.
A digitális iker alapvetően egy valódi gép vagy folyamat virtuális megfelelője. A hidegalakításnál reprezentálhatja a présgépet, a szerszámbeállítást, az anyag viselkedését, sőt az alakítás közbeni feszültség- vagy hőmérsékletváltozásokat is. De a legfontosabb különbség a hagyományos szimulációhoz képest az, hogy nem marad statikus. Folyamatosan frissül a valós gyártási adatok alapján, így a virtuális modell fokozatosan igazodik ahhoz, ami a gyártósoron ténylegesen történik.
A gyakorlatban kevésbé tűnik szimulációs eszköznek, sokkal inkább a gyári folyamat „tükrének”.
Mi történik, ha hozzáadjuk az AI-t?
A mesterséges intelligencia bevezetése után a rendszer sokkal proaktívabb lesz.
A látottak alapján a gépi tanulási modellek különösen jók a korábbi termelési adatokban rejtett minták megtalálásában. Olyan minták, amelyeket az operátorok egyáltalán nem vesznek észre. Például elsőre nem tűnik fontosnak a vibráció enyhe növekedése a préselési ciklus egy adott szakaszában. De idővel a rendszer megtanulhatja, hogy ez általában pár nappal később felgyorsult szerszámkopással jár.
Ahelyett, hogy megvárná az eszköz meghibásodását, a rendszer korán megjelölheti azt. Néha karbantartást javasol; máskor javasolhatja a folyamatparaméterek beállítását. Akárhogy is, az elmozdulás a reagálásról az előrejelzésre irányul.

A folyamatoptimalizálás kevésbé próba{0}}és-hiba
Hagyományosan az olyan paramétereket, mint a préserő, a sebesség és a kenés a tapasztalatok alapján állítják be. A mérnökök fokozatosan állítják be ezeket, gyakran ismételt kísérletekkel, amíg a kimenet stabilizálódik. Működik, de időbe telik,-és sok anyag vész kárba a hangolás során.
Az AI{0}}vezérelt digitális ikrekkel egészen más a helyzet. Több ezer paraméterkombinációt tesztelhet gyakorlatilag, mielőtt valódi gyártási tételt futtatna. Ez önmagában csökkenti a -webhelyi próbaverziók-és-hibáinak nagy számát.
Egyes esetekben azt is lehetővé teszi, hogy a gépek az optimális teljesítményablakhoz közelebb működjenek anélkül, hogy a hibaarányok növekednének. Ezt csak kézi beállítással nehéz elérni.
A minőségellenőrzés felfelé tolódik el
A minőségellenőrzés a gyártás után történt. Elkészíted az alkatrészt, aztán megnézed, hogy jó-e vagy sem.
Most azonban, amikor az érzékelőadatokat digitális ikermodellekkel kombinálják, a minőség előrejelzése ténylegesen megtörténhet az alakítási folyamat során. Az erőgörbék, akusztikus jelek, a szerszám hőmérséklete{1}}ezek a jelek folyamatosan bekerülnek a rendszerbe.
Ha valami elkezd eltávolodni a várt mintától, a rendszer korán észleli azt. Egyes esetekben még az alkatrész teljes formálása előtt is megjósolhatja a hibák valószínűségét. Ez kevesebb selejt alkatrészt és kevesebb anyagpazarlást jelent, ami a nagy mennyiségű-gyártásnál nagyon fontos.
A valóság: ez nem plug{0}}and-play
Természetesen ez nem jelenti azt, hogy a technológia könnyen megvalósítható.
Az egyik legnagyobb probléma az adatminőség. A hidegalakítási környezet szó szerint és digitálisan{1}} zajos. Az érzékelők nem mindig állítanak elő tiszta jeleket, és a régebbi gépek gyakran nem rendelkeznek megfelelő adatgyűjtő rendszerrel.
Itt van az integrációs probléma is. Sok régi gépet soha nem úgy terveztek, hogy „beszéljen” a modern AI-platformokkal. Egységes adatrendszerbe kapcsolásuk több erőfeszítést igényel, mint magának az AI-modellnek a felépítése.
Tehát bár a koncepció elegánsnak hangzik, gyakran az alapozás a legnehezebb része.
Az irány még mindig nagyon világos
A fejlődés irányát még ezekkel a kihívásokkal is nehéz kihagyni. Ahogy egyre több gyár halad át az Ipar 4.0 felé, a mesterséges intelligencia és a digitális ikrek fokozatosan áttérnek a kísérleti projektekről a gyakorlati eszközökre.
A gondolkodásmód is változik. Ahelyett, hogy a problémákat a bekövetkezésük után javítanák, a gyártók egyre gyakrabban próbálják megjósolni és megelőzni azokat, mielőtt azok előfordulnának.
Hosszú távon pedig szerintem nem csak a költségcsökkentés vagy a hatékonyságnövelés a legnagyobb érték. Ez valami mélyebb-megértés a hidegalakítási folyamat sokkal nagyobb felbontásban.
Amikor a szimuláció, a valós idejű gyártási adatok{0}}és a mesterséges intelligencia tanulása zárt kört alkot, a tervezés és a gyártás közötti szakadék csökkenni kezd. Egy olyan iparágban, ahol a pontosság, az üzemidő vagy a selejtezési arány kismértékű javulása is jelentős pénzügyi hatással járhat, ez a váltás nem csak hasznos,{2}}de átalakító is.
