Napredni inteligentni sistem nadzora obrabe rezalnega orodja na podlagi termografije

Uvod Nadzor obrabe rezalnega orodja pri struženju prispeva k izboljšanju kakovosti izdelkov, optimizaciji stroškov orodja in zmanjšanju neželenih dogodkov (zastoj proizvodnje, izmet obdelovanca …). Pomemben je tako za kvaliteto končnega izdelka kot za optimizacijo procesov. Problem je še posebej izrazit pri maloserijski in posamični proizvodnji, kjer je odločanje o ustreznosti rezalnega orodja prepuščeno operaterju stroja, ki se odloča na podlagi izkušenj in osebne presoje (neformalno znanje). Analizirali smo dva primera slabih odločitev: prehitra menjava dobrega orodja in obdelava z obrabljenim ali zlomljenim rezalnim orodjem. V obeh primerih nastanejo dodatni stroški, lahko pride do izmeta in okvare stroja. Zaželeno je, da bi se rezalno orodje menjalo v optimalnem trenutku glede na njegovo obrabo. Glavna ideja raziskovalnega projekta Zaznavanje obrabe rezalnega orodja in odločitev o menjavi rezalnega orodja bo avtomatizirana, neodvisna od znanja in izkušenj operaterja. Opis problema - Struženje in temperature Za struženje so značilne visoke temperature, ki so tesno povezane tudi s stanjem obrabe orodja, zato raziskave pogosto naslavljajo področje nastajanja toplote pri struženju. V tem raziskovalnem projektu bo razvit sistem za spremljanje obrabe orodja, ki bo temeljil na termografskih slikah rezalnega orodja in bo določal, ali je rezalno orodje primerno za nadaljnjo obdelavo ali ne. Obstoječi sistemi za nadzor rezalnega orodja, ki temeljijo na temperaturi, se osredotočajo na absolutno merjenje temperature rezalnega orodja oz. procesa. Sistem, predlagan v tej raziskavi, je drugačen – temelji na porazdelitvi temperature rezalnega orodja (relativne temperature, temperaturni gradient). Takšen sistem je bolj univerzalen in robusten. Obraba orodja bo kategorizirana na podlagi značilk slike, tako da bo celotna termografska slika vhod v nevronsko mrežo. Uporabljena bo metoda globokega učenja, in sicer konvolucijska nevronska mreža (CNN). Cilj predlagane raziskave Glavni cilj raziskave je: z uporabo metod globokega učenja razviti zanesljiv sistem za spremljanje stanja orodja (TCM), ki temelji na termografski sliki rezalnega orodja. Velika baza podatkov je bistvenega pomena za razvoj algoritmov globokega učenja, saj ti za uspešno učenje potrebujejo velike količine vhodnih podatkov. Trenutno ne obstaja prosto dostopna baza slik različno obrabljenih rezalnih orodij. V okviru projekta bo nastala obsežna baza termografskih slik, ki bo na voljo tudi drugim znanstvenikom in bo velik doprinos k razvoju znanosti na področju spremljanja stanja orodij z uporabo umetne inteligence. Ker je težko zagotoviti dovolj obsežno bazo podatkov za struženje z obrabljenim orodjem, bo uporabljena metoda GAN (Generative Adversarial Network), s pomočjo katere se bo na podlagi posnetih slik pripravilo dodatne slike. S tem bo zagotovljena uravnotežena baza podatkov za vse kategorije.  Kratek opis programa dela Celoten projekt je razdeljen na 4 delovne pakete: DP1 - PREDEKSPERIMENTALNA FAZA (D1.1 Podroben načrt eksperimenta) DP2 - EKSPERIMENT (D2.1 Podatkovna baza slik, D2.2 Razširjena podatkovna baza slik, D2.3 Velika baza podatkov (angl. big data)) DP3 - GAN (D3.1 Razširjena zbirka podatkov na osnovi GAN) DP4 - KLASIFIKACIJA (D 4.1 Naučen model za klasifikacijo, D 4.2 Globoka nevronska mreža) Zaključek V sklopu raziskave bo razvit sistem za nadzor stanja obrabe orodja pri struženju na podlagi . Človeške odločitve se bodo prenesle na umetno inteligenco. Metoda je že bila potrjena pod idealnimi pogoji, sedaj jo bom razvila pod realnimi industrijskimi pogoji (hlajenje) in razširila na različne parametre struženja. Rezultati bomo uporabni za vse postopke mehanske obdelave, kjer se sprošča toplota (npr. rezkanje).