Mesterséges intelligencia alapú prediktív modellek alkalmazhatóságának vizsgálata a gyártási hatékonyság és minőség javítása céljából korszerű megmunkálási eljárások eset
témavezető: Takács Márton
helyszín (magyar oldal): BME Gyártástudomány és -technológia Tanszék helyszín rövidítés: GTT
A kutatási téma leírása:
a.) Előzmények
Az alkatrészek forgácsolási eljárásokkal történő megmunkálása továbbra is az egyik leghatékonyabb gyártási módszer a minőség és a gyártási idő szempontjából. Míg a 3D nyomtatási technológiák egyedülálló előnyöket kínálnak a tervezési rugalmasság és a testreszabhatóság terén, a felületminőség és a geometriai pontosság terén még mindig vannak korlátai. Ezért a hagyományos anyageltávolítási technológiák, különösen a nagy felületi minőséget és geometriai pontosságot igénylő fém alkatrészek esetében továbbra is elengedhetetlenek lesznek a következő évtizedekben. A termelés hatékonysága és a termékminőség mesterséges intelligencia alapú prediktív modellek alkalmazásával javítható.
b.) A kutatás célja
A kutatómunka motivációja és fő célja a megmunkálási folyamatok minőségének és hatékonyságának javítása a modern gyártástechnológiában. Ez a forgácsolóerőre, rezgésre, felületi érdességre és szerszámkopásra vonatkozó megmunkálási adatok generálásával és alkalmazásával valósítható meg. A mesterséges intelligencia alapú prediktív modelleket be kell tanítani, tesztelni és validálni kell. A betanított modellek az érzékelő pillanatnyi jelei alapján képesek lesznek az elvárt minőséget és a hátralévő hasznos szerszámélettartamot biztosítani. Ezek alapján szükség esetén lehetőség nyílik a megmunkálási paraméterek változtatására, és könnyebben meg lehet határozni a forgácsolószerszám cseréjének ideális időpontját. Optimális forgácsolási paraméterek lesznek elérhetőek korszerű megmunkálási eljárások esetén.
c.) Az elvégzendő feladatok, azok fő elemei, időigénye
• Szakirodalomkutatás a korszerű anyagleválasztsi folyamatokkal, a kemény anyagok megmunkálásával, szerszámállapot-felügyelettel, mesterséges inetteligencia gyártástechnológiai alkalmazásával, prediktív modellekkel, szerszámkopással, megmunkálási adatfeldolgozással kapcsolatban (1. félév).
• Prediktív modellezés elvégzése szakirodalmi adatok felhasználásával. Az eredmények értékelése, a modellek folyamatos fejlesztése (2. félév). Szakirodalmi összefoglaló készítése. Megmunkálási adatok rögzítésére szolgáló mérési rendszer specifikációja és összeállítása. Kísérleti anyagok és forgácsolási paraméterek specifikálása. Kísérletek tervezése (2. és 3. félév).
• Dinamikus hatások vizsgálata fejlett anyagok megmunkálásánál. FEM modellezés. Előzetes forgácsolási kísérletek elvégzése (3. és 4. félév).
• Forgácsolási kísérletek végzése korszerű anyagokon. Forgácsolóerővel, rezgéssel, szerszáméltartammal kapcsolatos adatok gyűjtése. FEM modellek ellenőrzése (5. és 6. félév)
• Mesterséges intelligencia alapú prediktív modellek fejlesztése a forgácsolási folyamatokkal kapcsolatban. A modellek tesztelése és validálása (5., 6. és 7. félév).
• Optimális forgácsolási paraméterek meghatározása korszerű anyagok megmunkálásánál. Eredmények validálása (6. és 7. félév).
• Az eredmények publikálása (3. és 8. félév között)
• Tudományos szakdolgozat készítése (7. és 8. félév)
d.) A szükséges berendezések
A Gyártástudomány és -technológia Tanszék a kísérletek elvégzéséhez szükséges összes szerszámgéppel és mérőeszközzel rendelkezik.
e.) Várható tudományos eredmények
Mesterséges intelligencia (AI) alapú prediktív modellek állnak majd rendelkezésre a korszerű megmunkálási folyamatokkal történő gyártás hatékonyságának és minőségének javítása céljából. A folyamat közben beérkező adatok azonnali feldolgozásával és felhasználásával a modellek azonnali információval szolgálhatnak a temrékek várható minőségével, a szerszám várható maradék hasznos éltartamával kapcsolatban, így az esetlegesen szükséges beavatkozások is megtehetőek. Mindezekz alapján módosíthatók k a megmunkálási paraméterek, tervezhetk a szükséges karbantartások. A kutatás eredményeként lehetővé válik a szerszámcsere ideális időpontjának meghatározása, ezáltal gazdaságos termelés valósítható meg és a selejtszám is csökkenthető.
f.) Irodalom
Adizue, Ugonna Loveday, Amanuel Diriba Tura, Elly Ogutu Isaya, Balázs Zsolt Farkas, and Márton Takács. "Surface quality prediction by machine learning methods and process parameter optimization in ultra-precision machining of AISI D2 using CBN tool." The International Journal of Advanced Manufacturing Technology 129, no. 3 (2023): 1375-1394.
Balázs, Barnabás Zoltán, Norbert Geier, Márton Takács, and J. Paulo Davim. "A review on micro-milling: recent advances and future trends." The International Journal of Advanced Manufacturing Technology 112 (2021): 655-684.
Balázs, B. Z., and M. Takács. "Experimental investigation and optimisation of the micro milling process of hardened hot-work tool steel." The International Journal of Advanced Manufacturing Technology 106, no. 11-12 (2020): 5289-5305.
J C, Jáuregui ; J R, Reséndiz ; S, Thenozhi ; T, Szalay ; Á, Jacsó ; M, Takács: Frequency and Time-Frequency Analysis of Cutting Force and Vibration Signals for Tool Condition Monitoring, IEEE ACCESS 6 pp. 6400-6410., 11 p. (2018)
Marton, Takacs ; Balázs, Zsolt Farkas: Theoretical and Experimental Investigation of Machining of AISI H13 Steel, ADVANCED MATERIALS RESEARCH 818 pp. 187-192, 6 p. (2013)
felvehető hallgatók száma: 1
Jelentkezési határidő: 2024-10-15
2024. IV. 17. ODT ülés Az ODT következő ülésére 2024. június 14-én, pénteken 10.00 órakor kerül sor a Semmelweis Egyetem Szenátusi termében (Bp. Üllői út 26. I. emelet).
Bejelentkezés
