Svetsning, utskrift, krossa betong – ett Empa-team övervakar bullriga processer med hjälp av artificiell intelligens. På så sätt kan du bokstavligen höra produktionsfel och förestående olyckor.

Kilian Wasmer från Empa-labbet för avancerad materialbearbetning i Thun skakar hela tiden på huvudet medan han pratar, som om han inte kan tro på framgångssagan själv. Tillsammans med sitt team, han patenterade nyligen ett system för att övervaka komplexa produktionsprocesser, som kan användas i ett stort antal situationer – även om utsikterna för denna idé från början inte alls såg särskilt bra ut. "Jag sa till våra partners att jag bedömde chanserna till framgång till cirka 5 procent. Men vi skulle ändå ge det en chans, " påminner Wasmer om projektets tidiga dagar.

Blixten slår ner på betong

Den tidigare nämnda partnern är Selfrag AG från Kerzers nära Bern. Företaget tillverkar högspänningsgeneratorer, som kan försvaga eller till och med bryta betong med hjälp av blixtarladdningar. I motsats till en slägga, som ger skarpkantade betongklumpar med kluvna småsten, denna metod kan bryta ner betong till dess grundkomponenter av grus, sand och cement – ​​vilket gör att de kan återvinnas fullt ut.

Empa-forskarna började bombardera små testbitar gjorda av plexiglas med högspänningsblixtar. Den akustiska signaturen för varje blixt registrerades och motsvarande plexiglasprovbit undersöktes med avseende på sprickor och ytskador under mikroskopet. Sergey Shevchik, teamets specialist på artificiell intelligens, testade ett antal olika strategier för att känna igen avslöjande mönster från data. Så småningom, inte bara lyckades han skilja framgångsrika blixtnedslag från missar, men också i att upptäcka ytträffar. För första gången, detta gav Selfrag en onlineövervakningsmöjlighet för sin blixtteknik.

Framgången med blixtanalys i realtid gav teamet idén att analysera andra extremt bullriga processer också:gnisslande, skramlande maskiner.

När lager fastnar och maskiner dör

Om rullager och andra rörliga metalldelar inte är ordentligt oljade, de kan slita. Problemet orsakar avsevärd skada över hela världen. Tyvärr, temperatursensorer integrerade i sårbara komponenter upptäcker en temperaturökning först när nötningen har börjat och delarna redan är förstörda.

Dock, bara för att något knarrar i en maskin betyder det inte nödvändigtvis att maskinen behöver en fullständig revidering. Den som demonterar och servar sina produktionsmaskiner oftare än nödvändigt orsakar onödiga kostnader. Men de som väntar för länge riskerar att en rörlig del skaver, bryta isär och därmed förstöra andra delar av maskinen, vilket skulle vara katastrofalt. Målet, därför, är att höra det "avgörande" knarret från kakofonien av ljud – och att stoppa maskinen precis i tid innan den skadas.

Wasmers team lät ett lager av härdat stål gnugga mot en gjutjärnsbas på en tribometer, ett instrument för att mäta friktion, spelade in ljuden, stoppade experimentet i olika faser och studerade skadan i mikroskop. Empa-forskarna lyckades urskilja de viktiga ledtrådarna från denna kakofoni. De kan nu känna igen störningen med 80 procents säkerhet. Ännu viktigare, dock:Den avgörande pre-scuffing-fasen kan erkännas med 65 procents säkerhet – och till och med förutsäga några minuter innan den katastrofala slutsatsen kommer. Detta skulle vara tillräckligt för att stoppa många industrimaskiner i tid och förhindra allvarliga skador.

Kvalitetsledning inom additiv tillverkning

Wasmers senaste projekt ägnas åt additiv tillverkning (AM) – tillverkning av metallkomponenter gjorda av metallpulver, som smälts med en laserstråle. Denna nya tillverkningsteknik använder inga gjutformar och är bara biljetten för geometriskt komplexa enskilda delar. Tills idag, dock, det har varit nödvändigt att strikt följa processparametrarna (t.ex. laserkraft och hastighet, pulverspecifikation etc.) för en viss legering eller applikation. Varje avvikelse kan orsaka porer, sprickor eller inre spänningar i arbetsstycket, gör den värdelös.

Wasmer och Co. kombinerade akustiska sensorer med maskininlärning och analyserade data med en algoritm som kallas SCNN ("Spectral Convolutional Neural Network") och som först beskrevs 2016. Med denna maskininlärningsmetod, de lyckades urskilja om lasersmältningsprocessen var för varm eller för kall med ett träffförhållande på över 83 procent. Resultaten publicerades i Additive Manufacturing i maj 2018.

Lyssnar in under lasersvetsning

Forskarna är övertygade om att metoden även kan appliceras på annat än 3D-laserskrivare. Andra AM-tekniker som lasersintring, stereolitografi eller multijet-utskrift är baserad på liknande fysiska principer. 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.