آیا برش لیزری مبتنی بر هوش مصنوعی می تواند انقلاب سبک وزن NEV را تسریع کند؟

ضرورت سبک وزن در وسایل نقلیه با انرژی جدید

رابطه بین جرم خودرو و برد الکتریکی مستقیم و نابخشودنی است. هر 100 کیلوگرم وزن اضافی بسته به پلت فرم وسیله نقلیه و شیمیایی باتری، حدود 10 تا 15 درصد برد یک وسیله نقلیه الکتریکی با باتری را در شرایط رانندگی واقعی کاهش می دهد. برای تولیدکنندگان NEV که در بازاری کار می‌کنند که در آن اضطراب محدوده همچنان یک نگرانی اصلی مصرف‌کننده است، کاهش جرم ساختاری یک اصلاح مهندسی اختیاری نیست. این یک نیاز اساسی رقابتی است.

چالش این است که کاهش جرم ساختاری نمی تواند به قیمت عملکرد ایمنی تصادف، ویژگی های NVH یا استحکام پیچشی باشد. ساختار بدنه NEV باید استانداردهای تست تصادف اعمال شده در خودروهای موتور احتراق داخلی را برآورده کند یا از آن فراتر رود و همچنین از بسته باتری در برابر نفوذ در سناریوهای برخورد جانبی، جلو و عقب محافظت کند. حفاظت از بسته باتری الزامات ساختاری را اضافه می کند که در طراحی خودروهای معمولی معادلی ندارند، و مشکل سبک وزن در NEV ها را پیچیده تر از مهندسی سنتی خودرو می کند.

اعضای ساختاری لوله ای به عنوان راه حل ترجیحی برای این چالش ظاهر شده اند. لوله‌های فولادی با استحکام بالا، اکستروژن‌های آلومینیومی و لوله‌های پلیمری تقویت‌شده با فیبر کربن، نسبت‌های مقاومت به وزن استثنایی را در پیکربندی‌های بارگذاری خمشی و پیچشی ارائه می‌کنند که به طور طبیعی با نیازهای ساختاری طراحی بدنه و شاسی خودرو هماهنگ است. ریل‌های قاب، ستون‌های A، ستون‌های B، اعضای آستانه، ریل‌های سقف، و ساختارهای محیطی محفظه باتری NEV‌های مدرن به طور فزاینده‌ای به اجزای لوله‌ای با برش دقیق برای ارائه عملکرد مورد نیاز در حداقل جرم متکی هستند.

با این حال، پیچیدگی هندسی ساختارهای بدنه مدرن NEV نیازمند دقت و انعطاف‌پذیری برش لوله است که بسیار فراتر از آنچه سیستم‌های تولیدی نسل قبلی می‌توانستند ارائه دهند. برش‌های زاویه مرکب پیچیده، هندسه‌های انتهایی پروفیلی که با اجزای مجاور جفت می‌شوند، سوراخ‌ها و شکاف‌های درون لوله برای مسیریابی سیم و اتصال‌دهنده‌های مونتاژ، و تنوع بسیار زیاد پروفیل‌های لوله و مواد مورد استفاده در یک برنامه خودرو، همگی محیط تولیدی را ایجاد می‌کنند که در آن هوش مصنوعی نقش تعیین‌کننده‌ای دارد.

فن آوری های برش لوله در تولید NEV

فن‌آوری‌های اولیه برش لوله‌ای که در کاربردهای سبک‌وزن NEV به کار می‌روند، برش لیزر، برش پلاسما، برش واترجت، و اره‌زنی مکانیکی است که برش لیزر برای کاربردهای دقیقی که تولید ساختار بدنه مدرن NEV را تعریف می‌کند، غالب است. هر فناوری دارای یک پوشش قابلیت مشخصه است، و انتخاب فرآیند مناسب برای هر برنامه برش لوله، خود تصمیمی است که در آن برنامه‌ریزی فرآیند مبتنی بر هوش مصنوعی دستاوردهای بازده معناداری را به همراه دارد.

سیستم های برش لیزری فیبر نشان دهنده استاندارد فعلی برای برش لوله دقیق در تولید NEV است. لیزر فیبر سه بعدی مدرن دستگاه های برش لوله یک منبع لیزر پرقدرت، معمولاً بین 3 تا 12 کیلووات، را با یک سیستم حرکت شش محوره که قادر به چرخش و ترجمه قطعه کار لوله است و همزمان سر برش را در سه بعدی قرار می دهد، ترکیب کنید. این ترکیب، برش هر گونه هندسه ویژگی را بر روی هر سطحی از لوله از یک راه‌اندازی واحد امکان‌پذیر می‌سازد، و توالی‌های چندتایی را که قبلاً برای هندسه‌های لوله پیچیده مورد نیاز بود، حذف می‌کند.

سرعت برش برای لوله‌های آلومینیومی دیواره نازک در لیزرهای فیبر مدرن مدرن می‌تواند از 50 متر در دقیقه برای برش‌های مستقیم تجاوز کند، با برش‌های پیچیده پروفیل که با نرخ تغذیه کاهش یافته تکمیل می‌شوند که کیفیت برش را حفظ می‌کند. لوله های فولادی با استحکام بالا، به ویژه گریدهای پیشرفته فولادی با استحکام بالا و بسیار بالا که به طور فزاینده ای در سازه های ایمنی NEV مورد استفاده قرار می گیرند، به دلیل حساسیت آنها به گرمای ورودی و خطر نرم شدن منطقه متاثر از حرارت که می تواند خواص مکانیکی که استفاده از آنها را توجیه می کند، به مدیریت پارامترهای دقیق تری نیاز دارد.

قابلیت هندسی سیستم های برش تیوب لیزر سه بعدی مدرن اساساً از نظر زاویه برش و پیچیدگی پروفیل نامحدود است، اما دستیابی به این قابلیت در عمل مستلزم کالیبراسیون دقیق دستگاه، موقعیت دقیق قطعه کار، و پارامترهای برش بهینه شده صحیح برای هر ماده، ضخامت دیوار و ترکیب هندسه ویژگی است. این حوزه ای است که بهینه سازی فرآیند مبتنی بر هوش مصنوعی بیشترین ارزش خود را ایجاد می کند.

چگونه هوش مصنوعی عملیات برش لوله را تغییر می دهد

هوش مصنوعی عملیات برش لوله NEV را در چندین نقطه در جریان کار تولید، از تولید برنامه قسمت اولیه تا نظارت بر فرآیند و کنترل تطبیقی در زمان واقعی تا نگهداری پیش‌بینی اجزای سیستم برش، وارد می‌کند. هر نقطه مداخله مزایای خاصی را ارائه می دهد و اثر تجمعی ادغام هوش مصنوعی در سراسر گردش کار کامل نشان دهنده یک بهبود مرحله ای در عملکرد عملیاتی در مقایسه با سیستم های برش لوله غیر AI معمولی است.

در مرحله برنامه‌ریزی فرآیند، الگوریتم‌های تودرتو و توالی مبتنی بر هوش مصنوعی، تخصیص برش‌های لوله را در طول‌های موجود برای به حداقل رساندن ضایعات مواد بهینه می‌کنند. برای اکستروژن‌های آلومینیومی با ارزش بالا و لوله‌های فولادی پیشرفته با استحکام بالا که در کاربردهای سبک‌وزن NEV استفاده می‌شوند، هزینه مواد بخش عمده‌ای از هزینه هر قطعه را نشان می‌دهد و حتی پیشرفت‌های کوچک در استفاده از مواد بازده مالی قابل توجهی را در حجم تولید به همراه دارد. مدل‌های یادگیری ماشینی که بر روی داده‌های تولید تاریخی آموزش دیده‌اند، می‌توانند پیکربندی‌های تودرتو بهینه را پیش‌بینی کنند که به طور همزمان تحمل صافی لوله، محدودیت‌های پایان انبار و الزامات توالی را در نظر می‌گیرند، و به نرخ‌هایی دست می‌یابند که برنامه‌ریزی دستی نمی‌تواند به آن نزدیک شود.

بهینه سازی پارامتر برای ویژگی های برش منفرد دامنه دیگری است که در آن هوش مصنوعی ارزش قابل توجهی را ارائه می دهد. ترکیب درجه مواد، ضخامت دیوار، پروفیل لوله، هندسه برش، نوع و فشار گاز کمکی، موقعیت کانونی و سرعت برش که کیفیت برش بهینه را برای هر ترکیب خاص از متغیرها ایجاد می‌کند، یک مسئله بهینه‌سازی با ابعاد بالا است که اپراتورهای باتجربه در طول تاریخ آن را از طریق تخصص انباشته و آزمایش‌های آزمون و خطا حل کرده‌اند. مدل‌های هوش مصنوعی آموزش‌دیده بر روی پایگاه‌های داده بزرگ داده‌های عملکرد پارامتر برش می‌توانند مجموعه پارامترهای بهینه را برای هر ترکیب جدیدی از متغیرها فوراً شناسایی کنند، مرحله آزمایش را حذف کرده و کیفیت ثابت را از قسمت اول هر تولید جدید تضمین کنند.

کنترل فرآیند تطبیقی ​​در زمان واقعی، پیچیده ترین کاربرد هوش مصنوعی در برش لوله را نشان می دهد. سیستم‌های بینایی، حسگرهای صوتی و مانیتورهای انتشار پلاسما که در سر برش ادغام شده‌اند، جریانی پیوسته از داده‌های وضعیت فرآیند را در طول برش فراهم می‌کنند. مدل‌های هوش مصنوعی که این جریان داده را تجزیه و تحلیل می‌کنند، می‌توانند شروع کاهش کیفیت برش، مانند تشکیل تفاله، نفوذ ناقص، یا تغییرات عرض کرف را تشخیص دهند و پارامترهای برش را در زمان واقعی برای جبران قبل از تولید قطعات معیوب تنظیم کنند. این قابلیت کنترل تطبیقی ​​حلقه بسته به طور موثری رانش فرآیند را که باعث تغییر کیفیت در سیستم های برش حلقه باز معمولی می شود، حذف می کند.

بینایی ماشین و کنترل کیفیت بعدی

کنترل کیفیت ابعادی یک نیاز حیاتی برای برش دقیق لوله در کاربردهای ساختار بدنه NEV است. اجزای لوله ای که بخشی از مجموعه های جوش داده شده یا چسبانده شده را تشکیل می دهند، باید از تلرانس های محکمی در طول برش، هندسه انتهایی، موقعیت سوراخ و دقت پروفیل برخوردار باشند تا از تناسب صحیح در جگ های مونتاژ و کیفیت اتصال کافی در عملیات جوشکاری اطمینان حاصل شود. بازرسی ابعاد سنتی با استفاده از اندازه گیری تماس یا اندازه گیری دستی برای ادغام در خطوط تولید با حجم بالا بسیار کند است و تراکم داده کافی برای پشتیبانی از فعالیت های بهبود فرآیند را فراهم نمی کند.

سیستم‌های بینایی ماشین مبتنی بر هوش مصنوعی که در خط برش لوله ادغام شده‌اند، داده‌های ابعادی را در هر ویژگی برش هر قطعه تولید شده، ثبت می‌کنند، و یک رکورد بعدی کامل از تولید ایجاد می‌کنند که هم از تصمیم‌های کیفیت فوری و هم از تجزیه و تحلیل بهبود فرآیند طولانی‌مدت پشتیبانی می‌کند. مدل‌های یادگیری عمیق آموزش‌دیده بر روی مجموعه داده‌های تصویر مشروح می‌توانند انحرافات ابعادی، مسائل کیفیت سطح و ناهنجاری‌های شرایط لبه را با سرعت و ثباتی که بازرسان انسانی نمی‌توانند مطابقت دهند، شناسایی کنند.

داده های ابعادی گرفته شده توسط سیستم های بینایی یکپارچه نیز به حلقه کنترل فرآیند باز می گردد. تجزیه و تحلیل آماری روندهای ابعادی در سراسر دوره‌های تولید، سوگیری‌های سیستماتیکی را شناسایی می‌کند که به سایش ابزار، رانش حرارتی در ساختار ماشین، یا تغییرات ویژگی مواد در موجودی ورودی نسبت داده می‌شود. مدل‌های فرآیند مبتنی بر هوش مصنوعی از این داده‌های روند برای تولید توصیه‌های تصحیح پارامتر استفاده می‌کنند که دقت ابعادی را در طول دوره‌های تولید طولانی بدون نیاز به اندازه‌گیری و مداخلات تنظیم دستی حفظ می‌کند.

برای کاربردهای ایمنی حیاتی برش لوله در سازه های تصادف NEV، توانایی ارائه قابلیت ردیابی ابعادی کامل برای هر قطعه تولید شده به طور فزاینده ای توسط سازندگان خودرو و چارچوب های نظارتی مورد نیاز است. سیستم‌های بینایی یکپارچه با هوش مصنوعی این رکورد قابلیت ردیابی را به‌طور خودکار به‌عنوان محصول جانبی عملکرد نظارت بر کیفیت تولید می‌کنند، مراحل بازرسی و مستندسازی جداگانه‌ای را که در غیر این صورت مورد نیاز بود حذف می‌کنند و یک مسیر حسابرسی جامع را ارائه می‌دهند که از بررسی‌های کیفیت میدانی در هنگام بروز پشتیبانی می‌کند.

بهینه سازی مواد از طریق هوش فرآیندی مبتنی بر هوش مصنوعی

انتخاب و پردازش مواد برای برش لوله های سبک وزن NEV خود حوزه ای است که تجزیه و تحلیل مبتنی بر هوش مصنوعی مزیت رقابتی ایجاد می کند. چشم انداز مواد برای لوله های ساختاری NEV به سرعت در حال گسترش است، با فولادهای پیشرفته با استحکام بالا با درجه های افزایش استحکام تسلیم، حالت های آلیاژ آلومینیوم جدید که برای برش لیزری و عملیات شکل دهی بعدی بهینه شده اند، و مفاهیم لوله چند ماده ای در حال ظهور که مواد مختلف را در یک بخش اکستروژن یا رول شکل می دهد. پیمایش موثر در این چشم انداز مواد در حال گسترش به سطحی از مدیریت دانش فرآیند نیاز دارد که ابزارهای هوش مصنوعی به طور منحصر به فردی برای پشتیبانی مناسب هستند.

مدل‌های هوش مصنوعی که داده‌های گواهی مواد را با الزامات پارامترهای فرآیند و کیفیت برش به دست آمده مرتبط می‌کنند، یک پایگاه دانش به‌روزرسانی مداوم ایجاد می‌کنند که رفتار برش انواع مواد جدید را هنگام معرفی به تولید نشان می‌دهد. هنگامی که برای اولین بار با درجه فولاد یا دمای آلومینیوم جدید مواجه می‌شوید، سیستم هوش مصنوعی می‌تواند مشابه‌ترین ماده قبلاً مشخص‌شده را در پایگاه داده خود شناسایی کند و یک توصیه پارامتر اولیه ایجاد کند که نقطه شروع بسیار نزدیک‌تری نسبت به پارامترهای دسته‌بندی مواد عمومی ارائه می‌دهد و زمان صلاحیت و ضایعات مواد را در طول توسعه فرآیند کاهش می‌دهد.

مدیریت منطقه متاثر از گرما یک چالش بهینه سازی مواد برای لوله های فولادی فوق العاده با مقاومت مورد استفاده در سازه های ایمنی NEV است. این مواد با قدرت تسلیم 1000 مگا پاسکال و بالاتر، خواص خود را از طریق شرایط ریزساختاری دقیق کنترل شده که به چرخه حرارتی تحمیل شده توسط برش لیزر حساس هستند، به دست می آورند. مدل‌های حرارتی مبتنی بر هوش مصنوعی که عمق منطقه متاثر از حرارت و تخریب خواص را به عنوان تابعی از پارامترهای برش پیش‌بینی می‌کنند، بهینه‌سازی فرآیند را امکان‌پذیر می‌کنند که تاثیر حرارتی را در عین حفظ کیفیت برش به حداقل می‌رساند و عملکرد مکانیکی را که استفاده از این مواد درجه یک را توجیه می‌کند، حفظ می‌کند.

برای برش لوله آلومینیومی، چالش اولیه بهینه سازی مواد، مدیریت اثرات لایه اکسیدی بر کیفیت برش و جلوگیری از الگوهای خروج مذاب است که باعث ایجاد سوراخ در لبه برش می شود. مدل‌های هوش مصنوعی که بر روی داده‌های برش آلومینیوم آموزش دیده‌اند، می‌توانند تعامل بین ترکیب آلیاژ، دما، ضخامت دیواره و پارامترهای برش را شناسایی کنند که تمایل به ایجاد سوراخ‌ها را تعیین می‌کند، و انتخاب پارامترهایی را امکان‌پذیر می‌کند که عملیات تخلیه ثانویه و هزینه و زمان چرخه مرتبط با آن‌ها را به حداقل برساند.

ادغام دوقلو دیجیتال در سیستم های برش لوله NEV

فناوری دوقلو دیجیتال به طور فزاینده‌ای با سیستم‌های برش لوله مبتنی بر هوش مصنوعی ادغام می‌شود تا یک نمایش مجازی به‌روزرسانی مداوم از سیستم برش و وضعیت فرآیند آن ایجاد کند که هم بهینه‌سازی پیش‌بینی و هم قابلیت‌های نظارت از راه دور را امکان‌پذیر می‌کند. دوقلوی دیجیتالی یک سیستم برش لوله شامل سینماتیک ماشین، وضعیت حرارتی منبع برش و اپتیک تحویل پرتو، وضعیت اجزای مصرفی از جمله نازل ها و شیشه های محافظ، و تاریخچه برش انباشته مربوط به حالت های سایش قطعات است.

مدل‌های یادگیری ماشینی که بر روی دوقلو دیجیتالی کار می‌کنند می‌توانند مسیر عملکرد آینده سیستم برش را بر اساس وضعیت فعلی و برنامه تولید برنامه‌ریزی‌شده آن پیش‌بینی کنند و مداخلات تعمیر و نگهداری پیشگیرانه را امکان‌پذیر می‌کنند که از خرابی‌های برنامه‌ریزی نشده جلوگیری می‌کند. برای اجزای ساختار بدنه NEV که مستقیماً به خطوط مونتاژ خودرو در زمان‌بندی‌های به‌موقع وارد می‌شوند، توقف برنامه‌ریزی نشده دستگاه برش لوله باعث ایجاد اثرات موج‌دار در کل سیستم تولید می‌شود. ارزش اقتصادی جلوگیری از حتی یک رویداد توقف برنامه‌ریزی نشده که خط مونتاژ خودرو را متوقف می‌کند، سرمایه‌گذاری قابل‌توجهی در قابلیت تعمیر و نگهداری پیش‌بینی‌کننده مبتنی بر هوش مصنوعی را توجیه می‌کند.

مدل‌های دوقلو دیجیتال همچنین از راه‌اندازی سریع برنامه‌های قطعه جدید برای برنامه‌های مدل جدید NEV پشتیبانی می‌کنند. هنگامی که یک هندسه لوله یا ترکیب مواد جدید معرفی می‌شود، دوقلو دیجیتال می‌تواند فرآیند برش را شبیه‌سازی کند و تحمل‌های قابل دستیابی، نتایج کیفیت برش و زمان‌های چرخه را قبل از انجام هر آزمایش فیزیکی پیش‌بینی کند. این قابلیت اعتبار سنجی مجازی، جدول زمانی توسعه برنامه قطعه را فشرده می کند و ضایعات مواد مرتبط با آزمایشات برش فیزیکی را کاهش می دهد، که هر دو مزیت قابل توجهی در صنعتی است که برنامه های مدل جدید با فرکانس فزاینده راه اندازی می شوند.

نظارت از راه دور داده‌های حالت دوقلوی دیجیتال، تیم‌های مهندسی فرآیند متمرکز را قادر می‌سازد تا از نصب سیستم‌های برش متعدد در سایت‌های تولیدی مختلف پشتیبانی کنند، و از دانش فرآیند مشترک بدون نیاز به حضور فیزیکی مهندسان متخصص در هر تأسیسات استفاده کنند. این قابلیت به ویژه برای تولیدکنندگان NEV که به سرعت در حال گسترش ردپای تولید خود در مناطق مختلف جغرافیایی هستند و نیاز به انتقال دانش فرآیند اثبات شده به طور موثر به مکان‌های تولید جدید دارند، ارزشمند است.

برش بهینه شده با هوش مصنوعی برای هندسه های ساختاری پیچیده NEV

معماری ساختاری طرح‌های مدرن NEV بدنه به رنگ سفید، هندسه‌های لوله‌ای با پیچیدگی فزاینده را در بر می‌گیرد که رویکردهای برنامه‌نویسی CAM معمولی را به چالش می‌کشد. لوله های هیدروفرم شده با مقطع متغیر، لوله های جوش داده شده متناسب با ضخامت ها یا مواد مختلف دیواره و اکستروژن های چند سلولی با ساختارهای دنده ای داخلی پیچیده، همگی نیازمند استراتژی های برشی هستند که فراتر از قابلیت های الگوریتم های برش هندسی سنتی است.

سیستم‌های CAM مبتنی بر هوش مصنوعی برای برش لوله از روش‌های مولد برای شناسایی استراتژی‌های برش بهینه برای هندسه‌های پیچیده استفاده می‌کنند، با در نظر گرفتن عواملی از جمله اجتناب از برخورد بین سر برش و پروفیل لوله، زوایای رویکرد مشعل بهینه که لایه‌ای دوباره ریخته‌شده روی سطوح عملکردی را به حداقل می‌رساند، توالی‌بندی ویژگی‌های برش داخلی و خارجی برای جلوگیری از اعوجاج و بهینه‌سازی مسیر و جداسازی مواد اولیه به سطوح مجاور

الگوریتم‌های هوش مصنوعی می‌توانند هندسه زینی دقیقی را که بدون نیاز به محاسبات هندسی دستی یا آزمایش‌های برازش فیزیکی مکرر، اتصال محکمی را برای جوش‌کاری ایجاد می‌کند، برای برش‌های مقابله‌ای پیچیده مورد نیاز در جایی که یک لوله لوله دیگری را قطع می‌کند، ایجاد کند. دقت هندسه های مقابله ای ایجاد شده توسط هوش مصنوعی تا جایی پیش رفته است که نرخ تناسب مقاله اول در وسایل مونتاژ خودکار به 100 درصد نزدیک می شود و چرخه های دوباره کاری را که قبلاً به عنوان بخشی اجتناب ناپذیر از مونتاژ قاب فضایی پذیرفته شده بودند حذف می کند.

ادغام طراحی مولد با بهینه‌سازی مسیر برش هوش مصنوعی، مرزی در حال ظهور را نشان می‌دهد که در آن هندسه اتصالات لوله ساختاری با فرآیند تولیدی که آنها را تولید می‌کند، بهینه می‌شود. به جای طراحی اتصالات بر اساس الزامات ساختاری و سپس مهندسی فرآیند تولید برای تولید آنها، الگوریتم‌های طراحی مولد که محدودیت‌های فرآیند تولید را مستقیماً در حلقه بهینه‌سازی سازه وارد می‌کنند، می‌توانند هندسه‌های اتصال را شناسایی کنند که به طور همزمان از نظر ساختاری بهینه و کارآمد هستند. این بهینه‌سازی حلقه بسته طراحی تا تولید در حال تبدیل شدن به یک قابلیت کلیدی برای تولیدکنندگان NEV است که می‌خواهند چرخه‌های توسعه محصول را فشرده کنند و در عین حال به عملکرد ساختاری برتر در واحد جرم دست یابند.

بهره وری انرژی و پایداری در برش مبتنی بر هوش مصنوعی

اعتبار پایداری فرآیندهای تولید NEV تحت نظارت فزاینده‌ای هم از سوی تنظیم‌کننده‌ها و هم از سوی مصرف‌کنندگانی است که می‌دانند تأثیر زیست‌محیطی چرخه عمر یک وسیله نقلیه الکتریکی شامل انتشار گازهای گلخانه‌ای و مصرف منابع مرتبط با تولید آن است. برش لوله یک فرآیند تولید انرژی بر است و بهینه سازی پارامترهای برش مبتنی بر هوش مصنوعی و برنامه ریزی تولید می تواند کاهش معنی داری در مصرف انرژی به ازای هر قطعه تولید شده ایجاد کند.

مصرف انرژی برش لیزر با تعامل بین توان لیزر، سرعت برش و چرخه کار تعیین می شود. بهینه‌سازی پارامتر مبتنی بر هوش مصنوعی که به حداقل قدرت لیزر و حداکثر سرعت برش منطبق با کیفیت برش مورد نیاز دست می‌یابد، مصرف انرژی در هر متر برش را به حداقل می‌رساند و در عین حال کیفیت تولید را حفظ می‌کند. برای یک مرکز تولید ساختار بدنه NEV با حجم بالا که سالانه صدها تن مواد لوله را پردازش می کند، صرفه جویی در انرژی تجمعی از پارامترهای برش بهینه شده با هوش مصنوعی قابل توجه است.

بهینه‌سازی زمان‌بندی تولید توسط الگوریتم‌های هوش مصنوعی اتلاف انرژی ناشی از زمان بی‌کاری ماشین را کاهش می‌دهد و استفاده از سیستم‌های لیزری با حداکثر توان را که بازده انرژی در نرخ‌های استفاده بالا به طور قابل‌توجهی بالاتر از استفاده کم است، بهبود می‌بخشد. با خوشه‌بندی تولید مواد و هندسه‌های مشابه برای به حداقل رساندن فرکانس تغییر و به حداکثر رساندن تداوم عملیات برش، سیستم‌های برنامه‌ریزی هوش مصنوعی هم کارایی انرژی و هم توان عملیاتی را به طور همزمان بهبود می‌بخشند.

بهبود بازده مواد از تودرتوهای هوش مصنوعی و بهینه‌سازی فرآیند مستقیماً ورودی مواد خام مورد نیاز برای هر وسیله نقلیه را کاهش می‌دهد، با کاهش متناظر در انرژی و انتشار گازهای گلخانه‌ای مرتبط با تولید آن ماده. برای اکستروژن‌های آلومینیومی که بخش رو به رشدی از لوله‌های ساختاری NEV را تشکیل می‌دهند، که در آن انرژی تجسم‌یافته تولید آلومینیوم اولیه بسیار بالا است، بهبود بازده مواد تأثیر نامتناسب زیادی بر ردپای محیطی چرخه عمر خودرو دارد.

کمک بهینه سازی مصرف گاز یکی دیگر از اهرم های پایداری است که در آن هوش مصنوعی ارزش ارائه می کند. برش لیزری به گاز کمکی تحت فشار، یا اکسیژن برای فولاد یا نیتروژن برای آلومینیوم و فولاد ضد زنگ، نیاز دارد تا مواد مذاب را از پوسته خارج کند و از سطح برش محافظت کند. مدل‌های هوش مصنوعی که دقیقاً با شرایط برش و نرخ جریان گاز کمک می‌کنند، مصرف گاز را بدون به خطر انداختن کیفیت برش به حداقل می‌رسانند و هزینه عملیاتی و ردپای محیطی مرتبط با تولید گاز صنعتی را کاهش می‌دهند.

ادغام با سیستم های تولید بدنه در سفید NEV

برش لوله مبتنی بر هوش مصنوعی به تنهایی عمل نمی کند. ارزش کامل آن از طریق ادغام دقیق با طراحی بالادست و سیستم های مدیریت مواد و مونتاژ پایین دست، جوشکاری و سیستم های تأیید کیفیت که با هم سیستم تولید بدنه در سفید NEV را تشکیل می دهند، تحقق می یابد. رابط های داده بین برش لوله و این سیستم های مجاور جایی است که هوش مصنوعی مهمترین مزایای سیستمی را ایجاد می کند.

ادغام بالادستی با سیستم‌های طراحی مهندسی، ورود مستقیم هندسه لوله CAD به محیط‌های CAM تقویت‌شده با هوش مصنوعی را امکان‌پذیر می‌کند و خطاهای ترجمه و تقریب‌های هندسی را که جریان‌های کاری تبادل داده‌های معمولی را آزار می‌دهند، حذف می‌کند. الگوریتم‌های تشخیص ویژگی مبتنی بر هوش مصنوعی، تمام ویژگی‌های برش تعریف‌شده در مدل CAD را شناسایی می‌کنند و به‌طور خودکار برنامه‌های برش را با پارامترهای مناسب تولید می‌کنند و زمان ایجاد برنامه را از ساعت‌ها به دقیقه‌ها برای اجزای لوله چند ویژگی پیچیده کاهش می‌دهند.

ادغام با مدیریت مواد و سیستم‌های زنجیره تامین به الگوریتم‌های زمان‌بندی تولید هوش مصنوعی اجازه می‌دهد تا داده‌های کیفیت مواد دریافتی، از جمله تأیید ابعادی موجودی لوله، نتایج بازرسی وضعیت سطح، و تجزیه و تحلیل گواهی‌نامه مواد را مستقیماً در تصمیم‌گیری‌های زمان‌بندی تولید لحاظ کنند. استوک لوله با انحرافات ابعادی که بر کیفیت برش برای کاربردهای با تحمل تنگ تأثیر می‌گذارد، می‌تواند به طور خودکار به برنامه‌های کاربردی کمتری که انحرافات آن قابل قبول است هدایت شود، و در عین حال از کیفیت در کاربردهای حیاتی محافظت می‌کند.

ادغام پایین دست با سیستم‌های جوشکاری رباتیک، داده‌های ابعادی گرفته‌شده در طول بازرسی کیفیت برش لوله را قادر می‌سازد تا برای موقعیت‌یابی تطبیقی ​​ثابت و اصلاح مسیر جوش در عملیات مونتاژ بعدی استفاده شود. هنگامی که سیستم کیفیت هوش مصنوعی یک تغییر ابعادی سیستماتیک در هندسه لوله برش را تشخیص می‌دهد که در محدوده مشخصات است اما به سمت یک محدودیت حرکت می‌کند، ربات‌های جوشکار پایین‌دست می‌توانند داده‌های موقعیتی به‌روز شده را دریافت کنند که این تغییر را قبل از بروز هرگونه مشکل مربوط به مونتاژ جبران می‌کند. این ادغام هوش مصنوعی بین فرآیندی سطحی از ثبات کیفیت مونتاژ را ایجاد می کند که بهینه سازی فرآیند ایزوله نمی تواند به آن دست یابد.

تحول نیروی کار و همکاری انسان و هوش مصنوعی

معرفی قابلیت های مبتنی بر هوش مصنوعی در عملیات برش لوله NEV به جای حذف صرفاً نقش ها، مشخصات مهارت مورد نیاز نیروی کار تولیدی را تغییر می دهد. دانش مهارتی که اپراتورهای باتجربه قبلاً در سر خود حمل می‌کردند، از جمله الگوهای رفتار مواد، اکتشافات عیب‌یابی و مهارت‌های قضاوت با کیفیت، در مدل‌های هوش مصنوعی که این دانش را به طور پیوسته در همه اپراتورها و همه شیفت‌ها در دسترس قرار می‌دهد، جمع‌آوری و نظام‌مند شده است. این دموکراسی‌سازی تخصص فرآیند، کف عملکرد کل عملیات را بالا می‌برد و در عین حال تکنسین‌های با تجربه را از وظایف نظارت و تعدیل معمول برای تمرکز بر حل مسئله و فعالیت‌های بهبود فرآیند با ارزش بالاتر رها می‌کند.

مهندسان فرآیندی که با سیستم‌های برش لوله مبتنی بر هوش مصنوعی کار می‌کنند، به شایستگی‌های جدیدی در تجزیه و تحلیل داده‌ها، تفسیر مدل یادگیری ماشین و مدیریت سیستم هوش مصنوعی نیاز دارند که از مجموعه مهارت‌های مهندسی فرآیند برش سنتی متمایز است. سازندگان پیشرو NEV روی برنامه‌های آموزشی هدفمندی سرمایه‌گذاری می‌کنند که این شایستگی‌ها را در نیروی کار مهندسی موجود خود توسعه می‌دهند، که با استخدام گزینشی استعدادهای مهندسی علوم داده و هوش مصنوعی که در تیم‌های تولیدی جای گرفته‌اند، تکمیل می‌شوند تا در سازمان‌های فناوری جداگانه.

مدل همکاری انسان و هوش مصنوعی در عملیات برش لوله پیشرفته، مسئولیت اصلی نظارت بر فرآیند معمول، تنظیم پارامترها و تصمیمات غربالگری کیفیت را به سیستم‌های هوش مصنوعی اختصاص می‌دهد که در آن حجم و سرعت تصمیم‌های مورد نیاز از ظرفیت شناختی انسان بیشتر است. اپراتورهای انسانی مسئولیت اصلی رسیدگی به استثناء، ارزیابی موقعیت جدید، پیکربندی سیستم، و قضاوت هایی را که به درک متنی فراتر از داده های آموزشی مدل های هوش مصنوعی فعلی نیاز دارند، حفظ می کنند. این تقسیم کار شناختی با نقاط قوت مربوط به هوش مصنوعی و انسانی بازی می‌کند و به نتایج بهتری دست می‌یابد که هر کدام به طور مستقل می‌توانند به دست آورند.

مورد اقتصادی برای سرمایه گذاری برش لوله NEV مبتنی بر هوش مصنوعی

مورد تجاری برای سرمایه‌گذاری در قابلیت برش لوله مبتنی بر هوش مصنوعی در تولید NEV توسط جریان‌های ارزش مستقل متعددی پشتیبانی می‌شود که با هم بازگشت سرمایه‌گذاری قانع‌کننده‌ای را حتی با هزینه سرمایه بالای سیستم‌های برش یکپارچه هوش مصنوعی نسبت به جایگزین‌های معمولی ایجاد می‌کنند.

بهبود بازده مواد از تودرتوهای هوش مصنوعی و کاهش ضایعات معمولاً سریع‌ترین بازگشت سرمایه را ارائه می‌کند، با بهبودهای 3 تا 8 درصدی در استفاده از مواد که مستقیماً به کاهش هزینه مواد خام در حجم ترجمه می‌شود. برای یک کارخانه تولیدی که سالانه چندین هزار تن اکستروژن آلومینیوم را با قیمت‌های فعلی کالا مصرف می‌کند، بهبود عملکرد 5 درصدی نشان‌دهنده کاهش هزینه سالانه چند میلیون دلاری است که به تنهایی می‌تواند سرمایه‌گذاری قابل‌توجهی را در قابلیت هوش مصنوعی توجیه کند.

کاهش زمان چرخه از پارامترهای برش بهینه شده با هوش مصنوعی و کاهش زمان بدون برش از طریق بهینه‌سازی مسیر حرکت هوشمند، توان عملیاتی سیستم برش را از یک پایه سرمایه معین افزایش می‌دهد. برای تولیدکنندگان NEV که تحت محدودیت‌های ظرفیت کار می‌کنند و حجم تولید افزایش می‌یابد، این بهبود توان عملیاتی می‌تواند نیاز به سرمایه‌گذاری اضافی در تجهیزات برش را به تعویق بیاندازد یا از بین ببرد، با کاهش متناظر در هزینه واحد ناشی از جذب سربار بهتر در پایه دارایی موجود.

کاهش هزینه کیفیت ناشی از نظارت بر فرآیند مبتنی بر هوش مصنوعی و کنترل تطبیقی، نرخ قطعات ناسازگاری را که نیاز به کار مجدد یا ضایع شدن دارند، کاهش می‌دهد، فرکانس مسائل مربوط به تنظیم مونتاژ ناشی از هندسه لوله خارج از مشخصات را کاهش می‌دهد، و هزینه رویدادهای گارانتی و کیفیت میدانی را که به تغییرات فرآیند برش لوله نسبت داده می‌شود، کاهش می‌دهد. این کاهش هزینه‌های کیفیت در سراسر سیستم تولید و زنجیره تامین توزیع می‌شود نه اینکه در خود عملیات برش لوله متمرکز شود و اندازه کامل آنها را در یک توجیه سرمایه ساده اما در مجموع بسیار واقعی دشوار می‌کند.

کاهش وابستگی به دانش کمیاب اپراتور متخصص یک ارزش استراتژیک است که تعیین کمیت آن در شرایط مالی مرسوم دشوار است، اما برای تولیدکنندگان NEV که به سرعت در مکان‌های تولید جدید گسترش می‌یابند، بسیار مهم است. سیستم‌های هوش مصنوعی که بدون در نظر گرفتن سطح تجربه اپراتور محلی، تخصص فرآیند را رمزگذاری می‌کنند و آن را به طور مداوم ارائه می‌کنند، افزایش سریع‌تر تولید در تاسیسات جدید را امکان‌پذیر می‌کنند و خطر تغییرات عملکرد کیفیت بین کارخانه‌ها را کاهش می‌دهند که می‌تواند عوارض زنجیره تامین پرهزینه ایجاد کند.