層壓纖維增強聚合物基復合材料廣泛應用于航空航天領(lǐng)域，而且也越來越多地應用于其他行業(yè)如汽車行業(yè)。在復合材料加工時，確定一個給定刀具最佳切削參數(shù)至關(guān)重要，因為這可以顯著減少部件不一致性。在飛機最終裝配期間，加工過程中的表面分層導致60%的零件報廢。
為了有效了解并控制分層，需要大量的實驗工作，分層通常表現(xiàn)在系統(tǒng)鉆孔，并需要對隨后近千個孔進行分析，Intellegens深度學習軟件Alchemite™, 可以通過量化復雜的非線性工具組合關(guān)系來減少該實驗時間。
Alchemite™ 通過促進復雜數(shù)據(jù)關(guān)系的分析，在實驗活動之前指導工具的設(shè)計和選擇。在謝菲爾德大學先進制造研究中心(AMRC)進行的一項研究中，根據(jù)稀疏和噪聲數(shù)據(jù)，實驗比通常的測試程序少80%，Alchemite™基于稀疏且有噪聲的數(shù)據(jù)，比常規(guī)測試程序少80%的實驗，提供了對未來工具性能的有用預測，進一步節(jié)約了實驗成本。它還能夠識別系統(tǒng)中的哪些特征與性能相關(guān)，哪些與性能無關(guān)——這是設(shè)計未來實驗時有價值的信息。
層壓纖維增強聚合物（FRP）基復合材料由于其高度可定制的設(shè)計和優(yōu)異的機械性能，在諸如航空航天等工業(yè)中被視為高性能、輕量化部件的驅(qū)動力。盡管這種可定制性增加了設(shè)計選項，但它會對生產(chǎn)過程中的成本、生產(chǎn)率和可持續(xù)性產(chǎn)生負面影響。這在加工過程中尤其明顯，因為加工過程中FRP零件特有的缺陷會發(fā)生。
規(guī)定過于保守的切削刀具使用限制的一個常見原因是工藝的不確定性，這會導致基于零件質(zhì)量標準的大量的且不可預測的缺陷產(chǎn)生。由于可用刀具設(shè)計和工件材料配置的廣泛范圍，需要采用特定應用的方法來確定最有效的切削策略。
使用一種詳細的、寬邊界的方法，可以找到最佳切削參數(shù)，這需要緩慢且昂貴的測試來確定刀具的絕對壽命極限。本文描述的工作建立了一種基于機器學習的新方法，從刀具的使用壽命起始性能數(shù)據(jù)預測刀具壽命，最大限度地減少實驗成本和時間。由于原始數(shù)據(jù)集很稀疏，82%的目標數(shù)據(jù)丟失，該項目特別具有挑戰(zhàn)性。
機器學習優(yōu)點
Intellegens的新型機器學習軟件Alchemite™, 從稀疏和噪聲數(shù)據(jù)中構(gòu)建了全面的模型，并利用深度學習的獨特見解。在這項研究中，AMRC提供了55對鉆頭/復合材料對的加工時間序列數(shù)據(jù)，記錄了23個加工響應，包括孔質(zhì)量指標和過程中測量。使用其直觀的拖放界面，這些數(shù)據(jù)很容易上傳到Alchemite™ 分析軟件。
深度學習模型基于工具數(shù)據(jù)集進行訓練。盡管缺少82%的數(shù)據(jù)，但是Alchemite™ 仍能夠訓練出0.73的高決定系數(shù)模型，該算法與各種數(shù)據(jù)預處理步驟結(jié)合使用，實現(xiàn)了這種高精度，并降低了固有噪聲。
如圖1所示，這些步驟包括數(shù)據(jù)分組然后是聚合。分析表明，盡管有超過1000多個孔的典型測試數(shù)據(jù)集，但通過正確的聚合，200個數(shù)據(jù)點已經(jīng)足夠深入了解工具未來的切削性能。
圖1 Alchemite™識別用于預測未來工具性能的最佳鉆孔
Alchemite™ 可以識別用于預測未來工具性能的最佳鉆孔。該圖顯示了如何通過優(yōu)化數(shù)據(jù)聚合來提高模型（R平方）的準確性，以及來自200次測試（“鉆孔”）的數(shù)據(jù)能夠較高的準確性。
Alchemite™通過使用稀疏數(shù)據(jù)的洞察力來量化潛在的、復雜的非線性屬性/屬性關(guān)系，創(chuàng)建了一個具有出色預測能力的工具復合模型。由于能夠準確預測未來鉆孔數(shù)量的出口分層（圖2），以及材料選擇等因素對工具壽命和工具幾何形狀的影響，因此可以估計工具壽命。
圖2：3D圖的兩個投影顯示了出口分層因子（DF）的預測精度如何隨鉆孔數(shù)量而變化。連接點中的每個顏色表示一個獨特的刀具復合對。
確保不合適的工具沒有進行不必要的測試，并且只有最有希望的候選工具才能進行更全面的工具試驗，這可以為試驗活動的設(shè)計階段提供信息。僅根據(jù)20%的典型獲得的性能數(shù)據(jù)做出有用的決策，就可以在更少的測試基礎(chǔ)上取得進展，從而減少高達80%的與測試相關(guān)的直接成本，如材料浪費、加工和技術(shù)人員時間，以及與設(shè)備維護和大修相關(guān)的成本。
通過在Alchemite中使用可解釋的人工智能工具，可以識別與預測刀具壽命性能無關(guān)的變量，從而實現(xiàn)額外的實驗簡化。Alchemite™ 的預測精度隨添加數(shù)據(jù)量成比例增加。因此，隨著刀具組合數(shù)據(jù)庫的增加，可以更準確地確定新組合部件的最佳刀具。
因此，該項目可以擴展到使用更具指導性的方法識別最佳刀具組合對，從而減少實驗成本和時間。更重要的是，通過使用新的實驗數(shù)據(jù)填充工具組合數(shù)據(jù)庫，將加深對高維特征空間的理解，從而導致持續(xù)循環(huán)的操作性能改進。
關(guān)于AMRC和Intellegens
世界領(lǐng)先的研究和創(chuàng)新中心組成的網(wǎng)絡——謝菲爾德大學先進制造研究中心（AMRC）與全球各地的制造公司合作。為了幫助行業(yè)開發(fā)控制鉆孔引起分層的經(jīng)濟方法，AMRC進行了許多具有歷史意義的CFRP和CFRP/金屬堆疊鉆孔試驗。
Intellegens為工業(yè)研發(fā)和制造中的真實實驗和過程數(shù)據(jù)問題提供了獨特的機器學習解決方案?；谝环N起源于劍橋大學的方法，Alchemite™深度學習軟件可以對稀疏的、有噪聲的數(shù)據(jù)進行建模，這是其他機器學習方法無法成功實現(xiàn)的。
京公網(wǎng)安備11010802046783號
