Lassen, afdrukken, beton breken – een Empa-team monitort luidruchtige processen met behulp van kunstmatige intelligentie. Zo hoor je letterlijk productiefouten en dreigende ongelukken.

Kilian Wasmer van het Empa-lab voor geavanceerde materiaalverwerking in Thun schudt zijn hoofd terwijl hij spreekt, alsof hij het succesverhaal zelf niet kan geloven. Samen met zijn team, hij patenteerde onlangs een systeem om complexe productieprocessen te monitoren, die in een breed scala van situaties kan worden gebruikt - ook al zagen de vooruitzichten van dit idee er aanvankelijk helemaal niet goed uit. "Ik vertelde onze partners dat ik de kans op succes schatte op ongeveer 5 procent. Maar we zouden het toch proberen, " herinnert Wasmer zich over de begindagen van het project.

Blikseminslag op beton

De bovengenoemde partner is Selfrag AG uit Kerzers bij Bern. Het bedrijf produceert hoogspanningsgeneratoren, die beton kan voorverzwakken of zelfs breken met behulp van bliksemontladingen. In tegenstelling tot een voorhamer, die scherpe brokken beton met gespleten kiezelstenen oplevert, deze methode is in staat om beton af te breken in zijn basiscomponenten, namelijk grind, zand en cement – ​​waardoor ze volledig kunnen worden gerecycled.

De Empa-wetenschappers begonnen kleine proefstukken van plexiglas te bombarderen met hoogspanningsbliksemschichten. De akoestische signatuur van elke bliksemschicht werd geregistreerd en het bijbehorende plexiglas proefstuk werd onder de microscoop onderzocht op scheuren en oppervlakteschade. Sergey Shevchik, de specialist van het team in kunstmatige intelligentie, een aantal verschillende strategieën getest om onthullende patronen uit de gegevens te herkennen. Eventueel, niet alleen slaagde hij erin succesvolle blikseminslagen te onderscheiden van missers, maar ook bij het spotten van oppervlaktehits. Voor de eerste keer, dit gaf Selfrag een online monitoringmogelijkheid voor zijn bliksemtechnologie.

Het succes in realtime bliksemanalyse bracht het team op het idee om ook andere extreem luidruchtige processen te analyseren:piepen, ratelende machines.

Wanneer lagers vastlopen en machines afsterven

Als wentellagers en andere bewegende metalen onderdelen niet goed geolied zijn, ze kunnen schuren. Het probleem veroorzaakt wereldwijd aanzienlijke schade. Helaas, temperatuursensoren geïntegreerd in kwetsbare componenten detecteren pas een temperatuurstijging als het schuren is begonnen en de onderdelen al kapot zijn.

Echter, alleen omdat er iets kraakt in een machine, betekent niet noodzakelijk dat de machine volledig moet worden gereviseerd. Wie zijn of haar productiemachines vaker dan nodig ontmantelt en onderhoudt, veroorzaakt onnodige kosten. Maar wie te lang wacht, loopt het risico dat een bewegend onderdeel gaat schuren, uit elkaar vallen en zo andere delen van de machine vernielen, wat desastreus zou zijn. Het doel, daarom, is om het "cruciale" gekraak van de kakofonie van geluiden te horen - en de machine net op tijd te stoppen voordat deze beschadigd raakt.

Het team van Wasmer liet een lager van gehard staal op een tribometer tegen een gietijzeren basis wrijven, een instrument om wrijving te meten, de geluiden opgenomen, stopte het experiment in verschillende fasen en bestudeerde de schade onder een microscoop. De Empa-onderzoekers slaagden erin de essentiële aanwijzingen uit deze kakofonie te onderscheiden. Ze kunnen de storing nu met 80 procent zekerheid herkennen. Nog belangrijker, echter:de cruciale pre-scuffing-fase kan met 65 procent zekerheid worden herkend - en zelfs een paar minuten voordat de catastrofale conclusie tot stand komt, voorspellen. Dit zou voldoende zijn om veel industriële machines tijdig tot stilstand te brengen en ernstige schade te voorkomen.

Kwaliteitsbeheer bij additieve productie

Het nieuwste project van Wasmer is gewijd aan additive manufacturing (AM) - de productie van metalen componenten gemaakt van metaalpoeder, die wordt gesmolten met een laserstraal. Deze nieuwe productietechniek maakt geen gebruik van gietvormen en is slechts het ticket voor geometrisch complexe afzonderlijke onderdelen. Tot vandaag, echter, het is noodzakelijk geweest om strikt de procesparameters aan te houden (bijv. laservermogen en -snelheid, poederspecificatie enz.) voor een bepaalde legering of toepassing. Elke afwijking kan poriën veroorzaken, scheuren of inwendige spanning in het werkstuk, het onbruikbaar maken.

Wasmer en Co. combineerden akoestische sensoren met machine learning en analyseerden de gegevens met behulp van een algoritme genaamd SCNN ("Spectral Convolutional Neural Network") en voor het eerst beschreven in 2016. Met behulp van deze machine-learningmethode, ze slaagden erin om te onderscheiden of het lasersmeltproces te warm of te koud was met een hitratio van meer dan 83 procent. De resultaten zijn in mei 2018 gepubliceerd in Additive Manufacturing.

Meeluisteren tijdens laserlassen

The researchers are confident that the method can also be applied to things other than laser 3-D printers. Other AM techniques such as laser sintering, stereolithography or multi-jet printing are based on similar physical principles. The Empa method for process and quality monitoring in real time could thus be valuable for all these techniques.

Another industrial partner has already benefited from Empa's knowhow:Coherent Switzerland, based in Belp, has been manufacturing laser sources and tool heads for welding devices for 44 years. Thanks to the Empa results, the company now has a sensor system at its disposal that monitors and documents the welding process optically and acoustically. The data obtained in this way could help optimize future welding processes and maintain the high quality standard that the automotive industry demands from its suppliers.