les données de la machine et du processus sont liées aux données de qualité et traitées automatiquement afin de pouvoir être évaluées en temps réel

Algorithmes intelligents: analyse des données en temps réel

Automobile Algorithmes intelligents: analyse des données en temps réel

| Editeur: Nicole Kareta

Le casting est désormais de plus en plus déterminé par la haute technologie au sein du groupe BMW. La fonderie de métaux légers de l’usine de Landshut en Bavière a récemment commencé à surveiller la production à l’aide de la Business Intelligence, de l’analyse prédictive et de l’intelligence artificielle – et d’analyser tous les processus de coulée en temps réel à l’aide du Big Data.

les données de la machine et du processus sont liées aux données de qualité et traitées automatiquement afin de pouvoir être évaluées en temps réel

(Source: Harry Zedra, Groupe BMW)

Quels sont les avantages de l’analyse en temps réel à l’aide d’algorithmes intelligents? Les spécialistes de la fonderie basés à Landshut sont non seulement capables de générer une transparence et une visualisation des données complètes à tout moment en un seul clic de souris, mais ils peuvent également faire des prévisions de qualité. Dans le même temps, la rentabilité est augmentée.

L’année dernière, la fonderie de métaux légers de l’usine de Landshut du groupe BMW a produit 4,3 millions de pièces moulées pour un poids total de 73 000 t. La portée de la production comprend des composants de moteur tels que des culasses et des carters, des composants pour entraînements électriques ou des composants structurels pour la carrosserie du véhicule.

Le moulage sous pression est un processus de coulée automatisé dans lequel la masse fondue liquide est pressée dans un moule sous haute pression (150 à 1200 bars) et à une vitesse de remplissage élevée (jusqu'à 540 km / h).

Nouvelle opportunité grâce à l’intelligence artificielle et à l’analyse intelligente des données

«L’intelligence artificielle et l’analyse intelligente des données offrent de toutes nouvelles opportunités qui vont bien au-delà de nos capacités d’analyse existantes. Nous pouvons les utiliser pour gérer intelligemment notre fonderie et évaluer d’énormes quantités de données rapidement et de manière fiable», déclare Nelly Apfel, Data Science Officer chez BMW Fonderie de métaux légers du Groupe à Landshut, Allemagne. « Cela garantit non seulement la qualité supérieure de nos pièces moulées, mais fournit également une plus grande efficacité tout au long du processus à valeur ajoutée. Et en même temps, cela fournit une aide à la décision importante pour l’amélioration des processus ».

Des milliers de paramètres dans un même processus de coulée

Ceci est basé sur les données de divers systèmes, dans lesquels des milliers de matériaux, de conditions et de paramètres de processus sont stockés pour chaque processus de coulée et chaque composant individuel – en commençant par les facteurs influençant les noyaux de sable de façonnage et les paramètres des usines de coulée individuelles, tout au long aux usines pour l’usinage ultérieur des pièces brutes coulées. Dans le cas des noyaux de sable seuls, cela inclut un large éventail de données, par exemple la composition du sable, la température et l’humidité de la pièce, le temps de stockage des noyaux de sable ou le temps passé dans la baie à température contrôlée. entrepôt. En outre, il existe tous les paramètres liés au processus de coulée réel, tels que les courbes de température de dizaines de capteurs thermiques intégrés, les courbes de pression, les valeurs de vide, les temps de cycle, les données du système de coulée respectif (telles que les spécifications des paramètres cibles ), les données de l’outil de coulée utilisé (telles que l’âge de l’outil ou le nombre d’opérations de maintenance effectuées) – ou les données des circuits de chauffage et de refroidissement. Pendant le processus de coulée, ceux-ci contrôlent la solidification de l’aluminium liquide, qui a une température allant jusqu’à 750 degrés.

Une base de données propre est nécessaire pour que les analyses des causes profondes puissent être effectuées. À cette fin, les données de la machine et du processus sont liées à des données de qualité et traitées automatiquement afin de pouvoir être évaluées en temps réel. Les données de qualité comprennent, par exemple, les données de mesure tridimensionnelles des pièces moulées à partir du tomographe informatique. Les mesures 3D sont utilisées pour déterminer les modèles de défauts dans les pièces moulées – de la porosité et des trous de soufflage aux essais dits à froid lors de la solidification du métal. Les données de qualité des usines de véhicules et de moteurs du groupe BMW, qui traitent les composants de la fonderie de métaux légers basée à Landshut, sont également utilisées.

Malgré une précision de production élevée, les fonderies de moulage sous pression ont toujours pris en compte le fait que des défauts peuvent survenir lors de la production, par exemple en raison d'une composition chimique inappropriée de la masse fondue, de la modification des paramètres de la machine et du processus et en raison de l'usure des moules de moulage sous pression. .

Reconnaissance des relations de cause à effet à l’aide d’algorithmes intelligents

Toutes ces données liées sont ensuite analysées à l’aide d’algorithmes intelligents et sont immédiatement disponibles pour les experts en fonderie sous forme visualisée. «La transparence des données nous aide à reconnaître les relations de cause à effet. Ceci est important pour la qualité des composants. Et cela permet à nos technologues en coulée de créer un ensemble de paramètres optimaux pour les différents systèmes de coulée», explique Nelly Apfel. La surveillance de la valeur des paramètres est utilisée pour assurer une production stable et cohérente. Il vérifie en permanence les paramètres approuvés, déclenche automatiquement une alarme en cas d’écarts – et arrête automatiquement les processus de coulée si nécessaire.

De plus, l’apprentissage automatique peut être utilisé pour détecter des modèles récurrents ou des anomalies dans les processus de coulée et pour faire des prédictions de qualité très précises basées sur des modèles d’erreur possibles (qualité prédictive). Les vraies erreurs dans le processus de production sont ainsi réduites au minimum. «Nous évaluons la probabilité de rejets à partir des paramètres avec lesquels nos composants sont fabriqués», explique Nelly Apfel.

Selon Nelly Apfel, il existe également d’autres avantages: « La visualisation des paramètres clés du processus tels que les débits, les températures ou les images thermiques aide non seulement les responsables de la production, mais permet également une intervention précoce du service de maintenance ». Deux exemples: des anomalies dans les courbes de température peuvent indiquer des défauts, des débits faibles peuvent indiquer des dépôts dans les circuits de refroidissement. « Cela augmente le rendement de nos usines et donc la rentabilité ».

Couverture du livre blanc: Spotlightmetal

Aucune compétence informatique approfondie requise

Une compétence informatique prononcée n’est pas nécessaire pour exploiter la solution de données intelligente: elle peut être facilement utilisée sur une tablette ou un smartphone via l’application Web. «Auparavant, des analyses de données aussi complètes n’étaient possibles que grâce à des évaluations manuelles et des essais de test chronophages», explique Nelly Apfel.

Elle et son équipe travaillent actuellement sur une nouvelle application d’IA dans le domaine de l’apprentissage profond. Un réseau neuronal est utilisé pour évaluer des images de pièces moulées et faire des déclarations de qualité. Ceci est utilisé pour déterminer automatiquement si et dans quelle mesure un moulage nécessite un traitement supplémentaire. L’objectif est de détecter automatiquement les étapes de retouche nécessaires pour les pièces moulées.

(ID: 46949544)

Articles similaires

Commencez à saisir votre recherche ci-dessus et pressez Entrée pour rechercher. ESC pour annuler.

Retour en haut