Путь к искусственному интеллекту для сварочных процессов

12 мая 2023 г.

14:44

Марк Бойл, Amada Weld Tech, рассказывает о том, как алгоритмы искусственного интеллекта (ИИ) и машинного обучения (ML) реализуются для определения потока материала через производственные линии на производстве, распределения деталей в нужное место в нужное время для повышения производительности. и предсказать, какой продукт создать, чтобы максимизировать прибыль.

Одной из ключевых областей разработок является мониторинг процесса сварки: использование искусственного интеллекта и машинного обучения для непосредственного наблюдения за процессом производства контактной или лазерной сварки для определения успеха. Это включает в себя запись и анализ массива излучаемых физических сигналов, что требует не только датчиков высокого разрешения для их сбора (длительность сварки может составлять порядка миллисекунд), но и инфраструктуры для экспорта и анализа больших объемов данных. .

В этом сообщении блога будут рассмотрены три основные области развития (и одна сопутствующая область), которые прокладывают путь к искусственному интеллекту для процессов лазерной сварки в современном производстве. Эти разработки будут способствовать более глубокому пониманию того, что происходит во время процесса, что приведет к повышению качества и урожайности.

Рис. 1. Путь к искусственному интеллекту и машинному обучению для сварочных процессов требует сбора данных с высоким разрешением, высокоскоростной обработки данных и алгоритмов AI/ML для анализа и использования данных. Сопутствующая ветвь безопасности данных является логическим дополнительным шагом, необходимым при размещении мониторов процессов в сети.

Первой и, пожалуй, самой важной частью процесса является сбор данных, который включает в себя сбор, оцифровку и хранение.

Процессы контактной и лазерной сварки для небольших деталей могут занимать всего миллисекунды, но даже в течение этого очень короткого времени есть динамика, которая даст ценную информацию об успехе сварки. Таким образом, разрешение сбора данных должно быть достаточно высоким, чтобы собирать характеристики в микросекундном масштабе времени. Для алгоритмов AI/ML, чем богаче набор данных (более высокое разрешение), тем точнее алгоритмы могут отличать хорошее от плохого. Давайте подробнее рассмотрим важность разрешения.

На рис. 2 ниже показан физический сигнал от сварного шва, собираемый датчиком с течением времени. Когда данные собираются с низкой частотой дискретизации (вверху в центре), выходной сигнал (вверху справа) представляет собой ступенчатый сигнал, в котором не учитывается выброс, появляющийся в центре кривой, что может привести к тому, что плохой сварной шов будет признан хорошим или наоборот. Однако если частота дискретизации высока (внизу в центре), истинный сигнал лучше восстанавливается (внизу справа) на выходе, и этот выброс будет замечен. То же самое относится и к уровню сигнала: чем выше разрешение сигнала, тем лучше восстанавливается реальный физический сигнал, возникающий в процессе сварки.

Рис. 2. Данные высокого разрешения являются ключом к точной реконструкции и интерпретации физических сигналов. На этой иллюстрации мы видим представление низких и высоких частот дискретизации и их влияние на захват объекта.

Почему это так важно? При любом прогнозировании качества большее количество данных приводит к более точным результатам. Если точка в середине кривой была основным индикатором успешной сварки, то ясно, что для подтверждения ее присутствия требуется сигнал более высокого разрешения.

Честно говоря, кривая в приведенном выше примере довольно проста, и опытный инженер-технолог легко сможет отличить хорошие/плохие сварные швы. В действительности, однако, кривые гораздо сложнее, и корреляция между определенными сегментами измеренной кривой и успехом сварки не будет очевидной. Именно здесь алгоритмы AI/ML можно использовать для анализа данных и устранения трендов различными способами для поиска новых корреляций. Вывод здесь? Данные с более высоким разрешением дадут лучшие результаты от алгоритмов AI/ML.

Однако получение данных с высоким разрешением действительно представляет собой проблему, когда приходит время перенести их с датчика в локальное хранилище или в удаленное сетевое хранилище. В зависимости от разрешения и количества каналов это может достигать многих мегабит в секунду. Это, очевидно, требует высокоскоростной передачи данных через Интернет и быстрых жестких дисков со скоростью записи, способных непрерывно принимать такой объем информации на протяжении всего производства.