С помощью шариковых винтов, таких как те, которые используются в токарных станках для точного наведения при изготовлении цилиндрических компонентов, износ до сих пор определялся вручную. Для замены неисправных компонентов машина должна быть остановлена. Исследователи из KIT разработали систему для полностью автоматического контроля шариковых винтов в станках, которая предназначена для сокращения времени простоя станка.
«Наш подход основан на интеграции интеллектуальной системы камер непосредственно в шарико-винтовой привод. Это позволяет пользователю постоянно контролировать состояние шпинделя. Если есть необходимость в действиях, он будет проинформирован автоматически », - объясняет профессор Юрген Флейшер из Института производственных технологий KIT (WBK).
Искусственный интеллект интерпретирует износ точно
С новой системой камера с подсветкой прикреплена к гайке шарикового винта. Поскольку гайка перемещается на шпинделе, она делает отдельные снимки каждой секции шпинделя. Это означает, что вся поверхность шпинделя анализируется.
Данные захваченного изображения затем оцениваются искусственным интеллектом. Таким образом, пользователи получают прямую оценку состояния поверхности шпинделя.
«Мы обучили наш алгоритм тысячам записей, чтобы теперь он мог уверенно различать шпиндели с дефектами и без них», - говорит Тобиас Шлагенхауф из WBK, который работал над разработкой системы. Дальнейшая оценка данных изображения количественно и точно интерпретирует износ. «Это позволяет нам различать, является ли изменение цвета просто грязью или опасной ямкой», - объясняет Шлагенхауф.
Подсказка для семинара
С онлайн-курсом машинного обучения - как машина учится? углубиться в методологию. Профессор ван дер Смагт - руководитель отдела искусственного интеллекта в Volkswagen - объясняет участникам в течение двух часов наиболее важные концепции машинного обучения в концентрированной и сжатой форме.
При обучении ИИ были приняты во внимание все мыслимые формы визуально видимой дегенерации, и функциональность алгоритма была подтверждена новыми данными изображения, которые модель никогда раньше не видела. Алгоритм подходит для всех применений, в которых должны быть идентифицированы дефекты на основе изображения на поверхности шпинделя, а также может быть перенесен в другие приложения.