Aliuminio profiliavimas: kaip pagreitinti

Panaudojant mašininį mokymąsi protingesniam aliuminio profiliavimui

Duomenų valdomas modeliavimas ekstruzijos optimizavimui naudojant dirbtinius neuroninius tinklus (DNT)

Modernios aliuminio profiliavimo įmonės pasiekia 12–15 % greitesnius ciklo laikus įgyvendinus DNT pagrįstus procesų modelius. 2024 metų Medžiagotyros tyrimas parodė, kad neuroniniai tinklai sumažina modeliavimo laiką 65 % lyginant su tradiciniu baigtinių elementų analizavimu, tuo tarpu išlaikydami 98 % prognozavimo tikslumą svarbiems parametrams, tokiems kaip bilieto temperatūra ir ekstruzijos jėga.

Prognozavimas grūdelio dydžio ir mikrostruktūrinių rezultatų naudojant ML regresijos modelius

Mašininio mokymosi regresijos modeliai šiuo metu prognozuoja grūdelio dydį ±1,5 μm tikslumu analizuodami 14+ kintamuosius, įskaitant stūmiklio greitį (0,1–25 mm/s) ir bilieto prieššildymo temperatūras (400–500°C). Tai leidžia operatoriams palaikyti optimalias rekristalizacijos sąlygas, maksimaliai didinant ekstruzijos greitį.

NA pagrįstas defektų, tokių kaip periferinis stambus grūdelis (PSG), klasifikavimas

Giliai mokantis sistemos, naudojančios konvoliucines neuronines tinklus (CNN), realiuoju laiku rentgeno nuotraukose nustato PCG defektus su 99,7% tikslumu. Naujausios realizacijos sumažino defektų sąlygą susijusį šiukšlių kiekį 40%, nustatydamos mikrostruktūrinius nenuoseklumus per 0,8 sekundės nuo jų susidarymo.

Realaus laiko proceso valdymas ekstruzijos presuose naudojant mašininį mokymąsi

Adaptyvūs ML valdikliai kiekvieną 50 ms koreguoja preso parametrus, remdamiesi realaus laiko terminio vaizdo (5–10 μm skiriamosios gebos), slėgio jutiklių duomenų (1000 Hz diskretizavimo dažnis) ir matricos nukrypimo matavimų (±0,01 mm tikslumas) analize. Toks dinaminis valdymas užtikrina matmenų tikslumą pagal ISO 286-2 standartus net esant 30% didesniam ekstruzijos greičiui.

Atvejo analizė: šiukšlių kiekio sumažinimas 27% naudojant ML pagrįstą parametrų derinimą

2023 metų pramonės realizacija pasiekė rekordinių rezultatų, derinant papildomą mokymąsi su nuolatiniu parametrų prisitaikymu:

	Tradiciniai Metodai	ML optimizuotas procesas
Brose patekęs procentas	8,2%	5,9%
Energinis Naudojimas	1,2 kWh/kg	0,94 kWh/kg
Gamybos našumas	23 m/min	29 m/min

Per aštuonis mėnesius po diegimo sistema pademonstravo 15:1 pelno normą.

Skaitmeninė transformacija ir 4-oji pramonės revoliucija aliuminio presavimo srityje

Išmanios presavimo sistemos ir skaitmeniniai dvyniai realaus laiko modeliavimui

Šiuolaikinės aliuminio presavimo įmonės naudoja skaitmeninius dvynius, kad sukurtų fizinės sistemos virtualias kopijas, kurios leidžia inžinieriams modeliuoti gamybos scenarijus be bandomųjų paleidimų. Pagal 2023 metų Aliuminio asociacijos duomenis, pramonės lyderiai praneša apie 30 % sumažėjusius fizinius bandomuosius paleidimus, dėl ko sutrumpėja sudėtingų profilių išvedimo į rinką laikas.

Pažengę modeliavimo įrenginiai presavimo spartai optimizuoti

Dirbtinio intelekto pagrįsti modeliavimo įrenginiai prognozuoja medžiagos judėjimą ir šilumos dinamiką, leisdami tiksliai koreguoti bilietų temperatūrą ir presavimo spartą. Vienas gamintojas, optimizavęs stūmoklio greitį didelės apimties operacijose, pasiekė 5 % elektros energijos sutaupymą – tai atitinka 700 kWh vienam tonai.

Iot jutiklių ir automatizacijos integravimas beveik visiškai sklandžiam procesų valdymui

IoT jutikliai stebi ekstruzijos jėgas ir temperatūros gradientus daugiau nei 100 duomenų taškų per sekundę, leidžiant automatinį koridoriaus lygiavimą ir aušinimo spartos koregavimą. 2024 m. pradiniame tyrime, protingosios presų sistemos sumažino nenaujadėtą prastovą 18 %.

Visapusiška skaitmeninė integracija aliuminio ekstruzijos darbo procesuose

Debesų platformos sinchronizuoja užsakymų valdymą, gamybos planavimą ir kokybės kontrolę visuose įrenginiuose. 2024 m. analizė parodė, kad gamyklų, naudojančių integruotus sistemas, bendra įrangos naudingumo efektyvumas (OEE) padidėjo 22 %, priėmus pramonės 4.0 sprendimus, tuo tarpu medžiagos atliekų sumažėjo 9 %.

Modernių aukšto greičio ekstruzijos mašinų konstrukcija ir našumas

Modernos aliuminio ekstruzijos sistemos viršija 45 m/min naudodamos valdomus variklius ir adaptuojamą įrankį. Tikslūs konteineriai su pažengusiomis aušinimo kanalais palaiko nuolatinę bilietų temperatūrą, o hidraulinės sistemos su reakcijos laiku mažesniu nei 0,2 sekundės leidžia greitai koreguoti slėgį.

Ramio greičio ir deformacijos dažnio poveikis gamybos našumui

Optimalus ramio greitis (6–25 mm/s), derinamas su kontroliuojamu deformacijos dažniu (0,1–10 s⁻¹), padidina išvestį 18–35 %, nekenkiant profilio vientisumui. Praktiški duomenys rodo, kad naudojant 18 mm/s ramio greitį ir deformacijos dažnį žemiau 5 s⁻¹ 6xxx serijos lydinių ekstruzijoje, našumas padidėja 22 %.

Technologiniai pasiekimai, leidžiantys greitesnį ir stabilomesnį ekstruzijos procesą

Trys pagrindinės inovacijos, skatinančios greičio augimą:

• Internetu jungiamos presų sistemos fiksuojančios daugiau nei 500 duomenų taškų/sekundę, kad būtų galima tuoj pat koreguoti parametrus
• Hidrostatinės vedimo sistemos sumažinančios talpyklos trintį 40 % esant aukštam greičiui
• Dirbtinio intelekto valdoma lenkimo kompensacija išlaikanti ±0,15 mm tikslumą esant 30 m/min greičiui

Šie patobulinimai užtikrina 92 % įrenginių panaudojimo – 17 % daugiau nei senos kartos sistemos (Aluminium Production Technology Report 2023).

Kokybės ir tikslumo palaikymas esant dideliam presavimo greičiui

Tikslus matavimas ir eiline kokybės kontrolės sistema

Pagal 2023 m. ASTM duomenis, lazerio matavimo sistemos kas valandą gali atlikti apie 180 tūkstančių matavimų, nustatydamos net labai mažas nuokrypas – iki plius arba minus 0,03 milimetro. Šios pažengusios sistemos veikia kartu su infraraudonųjų spindulių termografija ir spektrinio analizės įrankiais, kad būtų stebima liejinių temperatūra, kuri ekstruzijos procese, vykstančiame nuo 25 iki 45 metrų per minutę, turėtų išlikti tarp 460 ir 520 laipsnių Celsijaus. Kai kas nors nukrypsta nuo nustatytų parametrų, realaus laiko grįžtamasis ryšys automatiškai koreguoja preso nustatymus, jei matavimai išeina už ribų, nustatytų ISO 286-2 standarto. Ši automatinė korekcija sumažina paviršiaus defektus maždaug 34 procentais, lyginant su tradicinėmis rankinėmis apžiūromis.

Valdymo parametrai, skirti užkirsti kelią periferinio stambaus grūdo (PCG) defektams

Kai stūmimo greitis viršija 15 mm per sekundę, pagal praeitų metų žurnale Journal of Materials Processing Technology paskelbtus tyrimus, nemalonių PCG problemų atsiradimo tikimybė padidėja maždaug 62 %. Protingos valdymo sistemos užtikrina kontrolę, išlaikydamos tempimo greitį žemiau 1,5 s⁻¹ ir laikydamos formos temperatūrą pakankamai arti reikiamos, paprastai ±5 °C ribose. Vienoje Europos gamykloje, metus atlikinėjusioje bandymus, operatoriai po metų pastebėjo apie 41 % sumažėjimą PCG defektų, kai buvo įdiegti pagrįsti dirbtiniu intelektu aušinimo reguliavimai. Šie pataisymai ypač nukreipti į sudėtingas temperatūros ribas tarp 300 ir 400 laipsnių, kur grūdų augimas gamybos metu linkęs iškrypti.

Ekstruzijos greičio balansavimas su mikrostruktūros vientisumu ir produkto našumu

Kai ekstruzijos procesai vyksta didelėmis 35–50 metrų per minutę greitis, prognozuojantis modeliavimas tampa būtinas, jei norime išlaikyti 270 MPa įtempimą 6000 serijos aliuminio lydiniuose. Šiuolaikinės mašininio mokymosi sistemos šiuolaikinės jau sujungia daugiau nei 18 skirtingų veiksnių, tokių kaip išleidimo angos nukrypimas ar netikėti slėgio šuoliai eksploatacijos metu, kurie visi daro įtaką galutinei kietumui po ekstruzijos. Kai kurios naujausios programos pavyko padidinti gamybos greitį beveik 20 procentų, tuo pačiu išlaikant geras atplėšimo savybes. Jie išlaikė rekristalizacijos rodiklius žemiau 22 %, pagal 2024 metais paskelbtą atvejų tyrimą žurnale „Aluminium International Today“. Šis pagerinimas taip pat leidžia sutaupyti realių pinigų, sumažinant atliekų sąnaudas maždaug 740 tūkstančių dolerių per metus gamintojams, dirbantiems su aviacijos kokybės profiliais.

DAK

Kas yra aliuminio ekstruzija?

Aliuminio presavimas yra procesas, kai aliuminio medžiaga verčiama per suprojektuotą angą, kad būtų suformuojama pageidaujama forma ar profilis.

Kaip mašininis mokymasis optimizuoja aliuminio presavimą?

Mašininis mokymasis optimizuoja aliuminio presavimą naudodamas duomenimis pagrįstus modelius, tokius kaip dirbtinės neuronų tinklai ir ML regresijos modeliai, kad būtų galima prognozuoti rezultatus ir realiu laiku koreguoti procesus.

Kas yra skaitmeniniai dvyniai aliuminio presavimo procese?

Skaitmeniniai dvyniai yra virtualūs fizinės sistemos dublikatai, kurie leidžia inžinieriams modeliuoti ir optimizuoti gamybos procesus be fizinio bandymo paleidimo.

Kaip IoT jutikliai prisideda prie aliuminio presavimo?

IoT jutikliai stebi įvairius presavimo proceso aspektus, pateikiant realaus laiko duomenis automatiniam sprendimų priėmimui ir koregavimui, kurie padidina efektyvumą ir tikslumą.