La strada verso l’intelligenza artificiale per i processi di saldatura

12 maggio 2023

14:44

Mark Boyle, Amada Weld Tech, spiega come vengono implementati gli algoritmi di Intelligenza Artificiale (AI) e Machine Learning (ML) per determinare il flusso di materiale attraverso le linee di produzione nell'impianto di produzione, allocare le parti nel posto giusto al momento giusto per migliorare la produttività, e prevedere quale prodotto costruire per massimizzare i profitti.

Un'area chiave di sviluppo è il monitoraggio del processo di saldatura: l'utilizzo di AI/ML per osservare direttamente un processo di produzione di saldatura a resistenza o laser per determinarne il successo. Ciò comporta la registrazione e l'analisi di una serie di segnali fisici emessi che richiedono non solo sensori ad alta risoluzione per raccoglierli (la durata della saldatura può essere dell'ordine di millisecondi), ma anche un'infrastruttura per esportare e analizzare grandi quantità di dati .

Questo post del blog esplorerà le tre principali aree di sviluppo – e un’area collaterale – che stanno aprendo la strada all’intelligenza artificiale per i processi di saldatura laser nella produzione odierna. Questi sviluppi faciliteranno una comprensione più profonda di ciò che accade durante il processo, con conseguente miglioramento della qualità e della resa.

Fig 1 – Il percorso verso l'intelligenza artificiale e l'apprendimento automatico per i processi di saldatura richiede l'acquisizione di dati ad alta risoluzione, la gestione dei dati ad alta velocità e algoritmi AI/ML per analizzare e utilizzare i dati. Il ramo collaterale della sicurezza dei dati è un passo logico aggiuntivo richiesto quando si posizionano i monitor di processo su una rete.

La prima e, probabilmente, la parte più importante del processo è l’acquisizione dei dati, che include raccolta, digitalizzazione e archiviazione.

I processi di saldatura a resistenza e laser possono richiedere solo pochi millisecondi per le parti più piccole, ma ci sono dinamiche, anche in un arco di tempo così breve, che forniranno informazioni preziose sul successo della saldatura. Pertanto, la risoluzione di acquisizione dei dati deve essere sufficientemente elevata da raccogliere caratteristiche su una scala temporale di microsecondi. Per gli algoritmi AI/ML, quanto più ricco è il set di dati (risoluzione maggiore), tanto più accuratamente gli algoritmi possono classificare i dati buoni da quelli cattivi. Diamo uno sguardo più da vicino all'importanza della risoluzione.

La Fig. 2, di seguito, illustra un segnale fisico proveniente da una saldatura raccolto da un sensore nel tempo. Quando i dati vengono raccolti a una frequenza di campionamento bassa (in alto al centro), l'output (in alto a destra) è un segnale a gradini che non rileva la caratteristica anomala che appare al centro della curva, il che potrebbe far sì che una saldatura di scarsa qualità venga considerata buona o viceversa. Se la frequenza di campionamento è elevata (in basso al centro), tuttavia, il segnale reale viene ricostruito meglio (in basso a destra) nell'output e tale valore anomalo verrebbe notato. Lo stesso vale per il livello del segnale: maggiore è la risoluzione del segnale, migliore è la ricostruzione del segnale fisico reale che si verifica durante il processo di saldatura.

Fig 2 – I dati ad alta risoluzione sono fondamentali per una ricostruzione e un'interpretazione accurate dei segnali fisici. In questa illustrazione vediamo una rappresentazione delle frequenze di campionamento basse e alte e l'effetto che hanno sull'acquisizione di una caratteristica.

Perché è così importante? Quando si effettua qualsiasi tipo di previsione sulla qualità, più dati generano risultati più accurati. Se quel punto al centro della curva era l'indicatore principale di una saldatura riuscita, è chiaro che è necessario un segnale a risoluzione più elevata per confermarne la presenza.

Per essere onesti, la curva nell'esempio precedente è abbastanza semplice e un ingegnere di processo esperto potrebbe facilmente individuare le saldature buone/cattive. In realtà, però, le curve sono molto più coinvolte e la correlazione tra alcuni segmenti della curva misurata e il successo della saldatura non sarà evidente. È qui che gli algoritmi AI/ML possono essere utilizzati per analizzare e modificare il trend dei dati in diversi modi per trovare nuove correlazioni. Il cibo da asporto qui? I dati a risoluzione più elevata produrranno risultati migliori dagli algoritmi AI/ML.

L’acquisizione di dati ad alta risoluzione rappresenta tuttavia una sfida quando arriva il momento di trasferirli dal sensore all’archiviazione locale o all’archiviazione remota in rete. A seconda della risoluzione e del numero di canali, ciò può tradursi in molti megabit al secondo. Ciò richiede chiaramente un trasferimento dati ad alta velocità su Internet e dischi rigidi ad alta velocità di scrittura in grado di accettare questa quantità di informazioni in modo continuo durante tutta la produzione.