人工智能优化了复合材料的加工

大公司通常引领新技术的采用，因为他们有必要的硬件和软件预算。但是云计算的出现改变了中小型机构的游戏规则。

德勤（Deloitte）最近的一篇文章指出，人工智能和机器学习（ML）的基于云和软件即服务（SaaS）模型的增加，使这些技术对中小型公司来说更实惠，这些公司正在利用这一机会对其业务进行数字化转型。复合材料制造商可以使用各种人工智能解决方案。

安装在 CNC 铣床上的超声波传感器，用于监控加工质量。
来源：University of Augsburg

利用AI云技术和人工智能的结合为复合材料制造商提供了前所未有的机会，以降低成本并提高竞争优势。中型制造商越多地尝试数字化和自动化，尤其是在劳动力昂贵的地区，他们就越能从自动化和人工智能带来的价值中获益。

加快工具的生产

复合工具模型专家Plyable首席执行官兼联合创始人Martin Oughton表示，设计和制造模具通常是一个成本高昂、耗时的过程，当OEM选择复合材料而不是钢铁和金属作为组件时，这是一个很大的障碍。Plyable公司开发了一种基于云计算的人工智能软件，可以加快这一过程。

客户将其所需复合材料组件的CAD文件上传到Plyable在线软件工具中，并表明其对材料、公差、制造方法、完成度和交付日期的偏好。该系统的ML算法实现了工具设计过程的自动化，在选择理想选项之前评估不同的工具几何形状。然后，人工智能软件利用广泛的供应商信息数据库，根据工具的尺寸和几何形状以及最新的材料价格和市场状况制定报价。整个过程，从设计到报价，只需要不到一分钟。

一旦客户接受报价（通常是三到五天），Plyable就会将报价发送给其精心筛选的模具供应商网络，其中包括1500多台五轴数控机床和一些增材制造选项。这些工作以先到先得的方式迅速获得，并且几乎可以立即开始生产。客户可以使用Plyable系统跟踪工具的进度，并查看生产和检查报告。

Oughton表示，较小的二级和三级航空航天供应商，以及原始设备制造商和一级公司已经使用了人工智能工装系统。他相信这样的技术将提高复合材料的竞争优势。

Plyable系统使用人工智能来根据客户的需求设计工具。

来源：Plyable

Oughton说：“复合材料一直被认为是未来的材料，但我认为它们有可能永远只是未来的材料，而不是现在的材料。”他断言，Plyable技术对所有公司开放，有助于拓展复合材料解决方案的应用范畴。

自动化检测流程

自动化纤维铺放（AFP）显著提高了复合材料的生产速度和质量。美国国家航空研究所（NIAR）航空航天系统先进技术实验室（ATLAS）主任Waruna Seneviratne说：“但由于缺乏可靠的过程中检测技术，目前AFP过程因人工检查而间歇性中断，占用了生产时间的20%至70%。”

其研究小组希望通过一个过程中的AFP制造检测系统（IAMIS），包括激光和摄像系统的集成，来大大减少这种停工时间。附着在AFP放置头上，IAMIS创建了该部件的数字制造孪生（DMT）。该系统使用机器学习算法分析这些数字数据。它可以检测到生产中的异常，减少需要中断制造过程的时间和依赖于操作员的人工检查过程。此外，它还记录了零件允许缺陷（那些不需要修理的缺陷）的位置。当部件在使用过程中损坏时，这种记录非常有用，因为它为技术人员提供了更好的方法来评估给定区域的潜在损坏。

该系统的人工智能还会分析数字双胞胎，以检测零件中的任何间隙、重叠和其他制造异常。基于这些信息，系统操作员可以调整铺设速度、热输入和压实力等制造过程，以减少未来运行中的制造缺陷，这可以使零件的质量提高10%-20%。

在IAMIS的几次成功演示之后，研究人员将在未来几个月内将该系统安装在几家飞机制造商的生产线上，包括先进空中机动市场的制造商。与此同时，制造商将继续进行人工检查，将结果与IAMIS的结果进行比较。

Seneviratne表示：“先进的空中机动公司希望每年生产数千架飞机，但如果按照目前的方式使用AFP设备，很难达到1000架飞机的年产量。”消除人工检查过程并采用IAMI（采用经过充分训练的ML算法）可以将制造零件所需的时间减少20%或更多，并将成本降低30%以上。

改善供应链

许多大型工业制造商已经实施了基于AI和ML的供应链管理计划，以优化供应商选择并标记潜在问题。为了更有效，这些系统使用了企业资源规划（ERP）系统、供应商列表和存储在云中的其他来源提取的数据。

但对于许多尚未实现运营数字化的复合材料制造商来说，获取这些数据输入可能会有问题。Grid Dynamics首席技术官Rajeev Sharma表示：“他们的很多数据仍然保存在Excel表格、登记簿和笔记本中。”

Sharma表示，如果一家公司想要进行数字化和收集数据，从而转向供应链的人工智能模型，那么首先要了解，人工智能应该被用来解决他们特定的商业问题。例如，如果制造商决定与Grid Dynamics这样的技术提供商合作，构建人工智能供应链模型，则首先要建立一个包含位置和材料成本等基本供应商信息的数据库。然后，如果该公司的主要业务问题，包括材料可用性和定价，那么它可能会在其人工智能模型中包括通胀数据、天气数据甚至政治数据。这使得模型能够对这些因素进行训练，并将其纳入制定购买建议的算法中。

Sharma说：“假设你的数据库中有1500家供应商；你知道他们的位置，也知道他们的正常价格。现在想象一下，世界上有一些供应商正处于飓风肆虐的地区。如果您的系统集成了天气数据和价格数据，并且您有一个针对天气对业务影响的人工智能模型，您的人工智能引擎就可以告诉您哪些供应商面临风险，以及它会如何影响您的原材料价格和交货计划。”

人工智能模型甚至可以在地图上显示哪些路线有问题，哪些路线是安全的。Sharma说：“所有这些都是自主完成的，任何人都不必按下任何按钮。”

改进可追溯性和操作

Plataine的基于云的人工智能数字线程技术扩展了复合材料制造商对其供应链的洞察力。通过数字孪生，它创建了每种产品的谱系，从材料供应商到制造和检验过程，再到客户交付，追踪其路线。它从各种来源收集数据，包括供应商和制造商的软件、数字化纸质记录和测量工厂设备状况的物联网（IoT）传感器。有了这些信息，制造商可以在发现某些材料或生产过程中的缺陷时迅速向受影响的客户发出警报。

此外，凭借数据库中包含的供应商定价、当前材料的位置和可用性数据，Plataine的数字人工智能助手可以根据一般或特定要求（例如需要使用可再生能源的供应商）为特定组件推荐最佳来源。如果材料即将到期，它可以发出警报，或者如果某些事件（如罢工）可能导致某些地区的材料交付问题或生产延迟，它可以建议其他来源。

这项技术适用于各种规模的制造商。Plataine公司表示：“你不必安装服务器，也不必拥有非常强大的IT运营。一切都在云上管理，因此实现零安装、零中断制造过程。”

提高生产效率

不久前，Plataine公司发布了其FabricOptimizer产品的新版本，以解决航空航天制造商今天面临的供应链和劳动力挑战。

新版FabricOptimizer解决方案允许先进的制造商提高生产率，实现全过程自动化，并通过创建高效的切割计划进一步最大限度地提高材料利用率。新功能包括材料采购模拟器、自动“缺陷嵌套”解决方案和详细报告，以提高产量和“首次正确”分数。

这种基于人工智能围绕缺陷嵌套的解决方案，使制造商能够提供最优化的动态切割计划，最大限度地利用已知缺陷的材料卷。这些新功能有助于减少错误、返工和材料浪费，从而实现持续的流程改进。用户现在可以检索辊上已知缺陷的信息，在嵌套时忽略辊的特定部分，并最大限度地利用材料。质量得到保证，同时最大限度地减少材料浪费，提高客户最大化现有库存的能力，尤其是在接收新材料的交付周期较长的时候。

此外，FabricOptimizer使操作员能够围绕缺陷进行嵌套，避免切割需要重新切割和返工的缺陷层。“围绕缺陷嵌套”解决方案支持常用的格式和系统，并且易于实现。

新的易于使用的模拟工具作为Plataine fabric optimizer解决方案的一部分嵌入，使制造商能够考虑现有库存，避免在购买昂贵材料时出现不必要的浪费。该工具能够更快地响应投标，并显示物料计划和采购的建议。

借助基于人工智能的技术，用户可以测试各种输入细节，例如各种卷宽或不同数量的套件，以确保理想的产量，并获得关于应为每个套件订购哪种材料或套件数量的建议。模拟工具还通过自动选择不同的选项和材料数量，来为特定套件创建完美的切割计划，从而节省操作员的时间。这些能力允许航空制造商从现有的材料库存中生产更多的零件。最终实现改善订购流程、减少浪费并提高效率。

优化生产流程

奥格斯堡AI生产网络（包括DLR 轻量化生产技术中心、Fraunhofer IGCV和奥格斯堡大学）使用超声波传感器将声音与复合材料加工质量相关联。

大多数现代数控铣床都有一些内置的基本传感器，例如记录能量消耗、进给力和扭矩。然而，这些数据并不总是足以解决铣削过程中的细节问题。为此，在奥格斯堡大学开发了用于分析结构声的超声波传感器，并将其集成到工业CNC铣床中。这些传感器检测铣削过程中产生的超声波范围内的结构传播声音信号，然后通过系统传播到传感器。

通过结构声可以得出关于加工过程状态的结论。“这是一个对我们来说就像拉弓对小提琴一样有意义的指标，”人工智能生产网络主管解释说。“音乐专业人士可以立即从小提琴的声音中判断出它是否调准以及演奏者对乐器的掌握程度。” 但是这种方法如何适用于 CNC 机床？机器学习是关键。

为了根据超声波传感器记录的数据优化CNC 铣削过程，与 Sause合作的研究人员利用了所谓的机器学习。声学信号的某些特征可能表示不利的过程控制，这表明铣削部件的质量较差。因此，可以利用这些信息直接调整和改进铣削工艺。为此，使用记录的数据和相应的状态（例如加工好或坏）训练算法。然后，操作铣床的人员可以对呈现的系统状态信息做出反应，或者系统可以通过编程自动做出反应。

机器学习不仅可以直接在工件上优化铣削过程，还可以尽可能经济地规划生产工厂的维护周期。功能部件需要尽可能长时间地在机器中工作以提高经济效益，但必须避免因部件损坏而导致的自发故障。

预测性维护是一种AI使用收集的传感器数据计算何时应该更换零件的方法。对于正在研究的CNC铣床，算法会识别声音信号的某些特征何时发生变化。通过这种方式，它不仅可以识别加工刀具的磨损程度，还可以预测更换刀具的正确时间。这个和其他人工智能流程正在被纳入奥格斯堡的人工智能生产网络。三个主要的合作伙伴组织正在与其他生产设施合作，以创建一个可以以模块化和材料优化的方式重新配置的制造网络。

材料选择的未来

了解复合织物的基本结构和几何结构是确定其性能和性能的关键。如今，制造商必须依赖于对纺织品样品的广泛实验和测试，或对其特性的高水平模拟，而这些模拟可能无法准确反映现实世界的结果。

英属哥伦比亚大学机械工程教授Abbas Milani和他的研究团队希望通过人工智能/机器学习简化这些分析。
研究人员以不同的角度和结构对不同的织物进行了显微CT扫描。这些图像捕捉到了内部的复杂性，如波浪、空洞和纤维错位。接下来是对其中50种样品面料进行力学测试，以确定每种面料的特定性能。该图像和测试信息被输入数据库。

然后，该团队拍摄了其他纺织品样品的微图像，并使用人工智能/机器学习，通过将它们与数据库图像进行比较，成功地预测了它们的性质和性能。整个识别织物性能的过程，包括成像，只花了不到5分钟。

有了这个过程，复合材料设计师想要使用特定的材料将有一天能够将其图像输入数据库，以确定其可能的性能。

Milani说：“相反的应用是材料发现。如果你想从一种不存在的材料中获得特定的属性，你可以使用图像来确定它的纹理应该是什么，纤维的方向应该是什么。”Milani表示已有几个行业合作伙伴对这一过程表示了兴趣。

来源：荣格-《国际复材技术商情》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。