 |
|
| Thesis topic proposal |
| |
Description of the research topic:
a.) Előzmények
Napjainkban az Ipar 4.0 jegyében a gyártás egyre több területén jelennek meg mesterséges intelligencia alapú megoldások a gyártási folyamatok hatékonyságának és minőségének növelése érdekében. Ezen módszerek előretörésének egyik oka, hogy a gyártás digitalizációjának köszönhetően egy folyamatosan bővülő adathalmaz áll rendelkezésre a folyamat közben mérhető állapotjellemzőkről, amelyek a gépi tanulás eszközeinek segítségével a gyártási folyamatot leíró prediktív modellek alapját képezhetik. Ezek a modellek már napjainkban is széles körben alkalmazhatóak az optimális gyártási paraméterek meghatározásában. Azonban a gyártási folyamatok az esetek többségében számos olyan tényezőtől is függenek (pl. szerszámállapot, hőmérséklet, munkadarab anyagának inhomogenitása stb.), amelyeket folyamatosan változhatnak a megmunkálás során. Ezen befolyásoló tényezők hatásainak figyelembevétele csak folyamat közbeni, valós idejű folyamatfelügyeleti és -szabályozási módszerekkel valósítható meg. Tekintve, hogy ezeknek a változó tényezőknek a figyelembevétele lényegesen nagyobb kihívást jelent, mint a gyártási paraméterek előzetes optimalizálása, még rengeteg kérdés vár megválaszolásra ezen a rendkívül aktív kutatási területen.
b.) A kutatás célja
A kutatás célja olyan mesterséges intelligencia alapú folyamatfelügyeleti és -szabályozási algoritmusok kidolgozása, amelyek megoldást nyújtanak a folyamat közben változó peremfeltételek kezelésére a CNC gyártási műveletek során. A kutatást a tanszék G épületi műhelyében megvalósítható korszerű gyártási folyamatokra (nagysebességű forgácsolás, inkrementális lemezalakítás, additív gyártás stb.) fókuszálva kell megvalósítani.
c.) Az elvégzendő feladatok, azok fő elemei, időigénye
• Irodalomkutatás: a CNC megmunkálások folyamatfelügyeleti módszereinek áttekintése ás az MI-alapú alkalmazások feltérképezése a CNC technológiában. (0,5 év)
• A vizsgálandó gyártási folyamatok kiválasztása, a folyamatfelügyeletnél és -szabályozásnál felhasználható állapotjellemzők behatárolása, kísérletek tervezése és végrehajtása az adatgyűjtéshez, gépi tanuláson alapuló algoritmusok kidolgozása a folyamat minőségének és hatékonyságának növeléséhez, a gyártási folyamatba való beavatkozási lehetőségek feltérképezése és implementálása. (1,5 év)
• Az elért eredmények közzététele, publikációk készítése. (1 év)
• Az eredmények validálása forgácsolási kísérletekkel. (0,5 év)
• A disszertáció elkészítése. (0,5 év)
d.) A szükséges berendezések
A Gyártástudomány és -technológia Tanszék a kísérletekhez szükséges összes szerszámgéppel és mérőeszközzel rendelkezik.
e.) Várható tudományos eredmények
Új folyamatfelügyeleti és -szabályozási algoritmusok kidolgozása, amelyekkel jelentősen növelhetővé válik a CNC megmunkálások minősége és hatékonysága. A kutatás alapvető célja, hogy az elért eredmények az ipari alkalmazásoknál is közvetlenül felhasználhatóak legyenek.
f.) Irodalom
[1] Q. Fang és mtsai., „Process Monitoring, Diagnosis and Control of Additive Manufacturing”, IEEE Trans. Autom. Sci. Eng., köt. 21, sz. 1, o. 1041–1067, 2024, doi: 10.1109/TASE.2022.3215258.
[2] D. Y. Pimenov, A. Bustillo, S. Wojciechowski, V. S. Sharma, M. K. Gupta, és M. Kuntoğlu, „Artificial intelligence systems for tool condition monitoring in machining: analysis and critical review”, J. Intell. Manuf., köt. 34, sz. 5, o. 2079–2121, jún. 2023, doi: 10.1007/s10845-022-01923-2.
[3] D. Yu. Pimenov, M. Kumar Gupta, L. R. R. da Silva, M. Kiran, N. Khanna, és G. M. Krolczyk, „Application of measurement systems in tool condition monitoring of Milling: A review of measurement science approach”, Measurement, köt. 199, o. 111503, aug. 2022, doi: 10.1016/j.measurement.2022.111503.
[4] A. Mohamed, M. Hassan, R. M’Saoubi, és H. Attia, „Tool Condition Monitoring for High-Performance Machining Systems—A Review”, Sensors, köt. 22, sz. 6, Art. sz. 6, jan. 2022, doi: 10.3390/s22062206.
[5] Y. Xiao, Z. Jiang, Q. Gu, W. Yan, és R. Wang, „A novel approach to CNC machining center processing parameters optimization considering energy-saving and low-cost”, J. Manuf. Syst., köt. 59, o. 535–548, ápr. 2021, doi: 10.1016/j.jmsy.2021.03.023.
[6] S. P. Kumar, S. Elangovan, R. Mohanraj, és S. Boopathi, „Real-time applications and novel manufacturing strategies of incremental forming: An industrial perspective”, Mater. Today Proc., köt. 46, o. 8153–8164, jan. 2021, doi: 10.1016/j.matpr.2021.03.109.
[7] M. Andronie, G. Lăzăroiu, M. Iatagan, C. Uță, R. Ștefănescu, és M. Cocoșatu, „Artificial Intelligence-Based Decision-Making Algorithms, Internet of Things Sensing Networks, and Deep Learning-Assisted Smart Process Management in Cyber-Physical Production Systems”, Electronics, köt. 10, sz. 20, Art. sz. 20, jan. 2021, doi: 10.3390/electronics10202497.
[8] X. Zhan, Z. Wang, M. Li, Q. Hu, és J. Chen, „Investigations on failure-to-fracture mechanism and prediction of forming limit for aluminum alloy incremental forming process”, J. Mater. Process. Technol., köt. 282, o. 116687, aug. 2020, doi: 10.1016/j.jmatprotec.2020.116687.
[9] G. Serin, B. Sener, A. M. Ozbayoglu, és H. O. Unver, „Review of tool condition monitoring in machining and opportunities for deep learning”, Int. J. Adv. Manuf. Technol., köt. 109, sz. 3, o. 953–974, júl. 2020, doi: 10.1007/s00170-020-05449-w.
[10] M. Ghahramani, Y. Qiao, M. C. Zhou, A. O’Hagan, és J. Sweeney, „AI-based modeling and data-driven evaluation for smart manufacturing processes”, IEEECAA J. Autom. Sin., köt. 7, sz. 4, o. 1026–1037, júl. 2020, doi: 10.1109/JAS.2020.1003114.
Number of students who can be accepted: 1
Deadline for application: 2024-10-15 |
|
|
|
|
Login
