Výroba (WP3)
WP3 se zaměřuje na zvýšení přesnosti, výkonnosti a spolehlivosti výrobních strojů a procesů. Toho dosahuje vývojem adaptivních AI modelů trénovaných na unikátní kombinaci reálných experimentálních dat a syntetických dat z fyzikálních simulací (MKP/FEM).
Zásadní část WP3 tvoří vývoj modelů pro predikci chování a vlastností výrobních strojů na základě senzorických dat a jejich využití pro zpětnovazební řízení výrobních procesů. Součástí je také tvorba datových sad a simulací kritických provozních stavů, které umožní snížit náklady na experimentální testování a zrychlit vývoj. Výsledkem WP3 budou adaptivní výrobní systémy schopné dynamicky reagovat na změny provozních podmínek a zvyšovat celkovou produktivitu i kvalitu výroby.
Jaký problém WP řeší a proč je to důležité?
01
Nedostatek nebo nízká variabilita reálných trénovacích dat z provozu
02
Vysoká časová a finanční náročnost rozsáhlých fyzických experimentů a ruční anotace dat
03
Omezená přesnost stávajících fyzikálních modelů při odchylkách reálných podmínek
Příklady využití / aplikační oblasti a přínosy
Obráběcí stroje a strojírenství
- zvýšení přesnosti obrábění a stability procesu
- snížení zmetkovitosti a provozních odchylek
- rychlejší a spolehlivější predikci prostorově a časově závislých vlastností strojů
Optomechanické systémy a přesná technika
- optimalizaci montáže high-tech sestav
- vyšší přesnost a dlouhodobá stabilita zařízení
- eliminace chyb kontrolních zařízení způsobených vlivem prostředí
Aditivní výroba (3D tisk)
- návrh výchozích technologických a tiskových parametrů pomocí AI asistenta
- detekce míst s neoptimální teplotou na dráze s návrhem korekce
- zvýšení stability, opakovatelnosti a geometrické přesnosti výrobního procesu
Řízení železářských a hutních provozů
- nasazení robustního strojového vidění v náročném prostředí huti
- automatický záchyt kamerových snímků s odchylkou nebo nejistým vyhodnocením
- optimalizace procesních parametrů v reálném čase a průběžné doučování modelu operátorem
Klíčové osoby
Zapojené instituce
Použité technologie a postupy
- Pokročilé fyzikální modelování vlastností strojů a struktur metodou konečných prvků (MKP/FEM)
- Syntetická data a data augmentation pro rozšíření trénovacích datasetů a pokrytí širokého spektra provozních podmínek
- Průmyslové strojové vidění, pokročilé metrologické systémy a inprocesní senzorika
- Kompenzační a adaptivní algoritmy pro řízení procesů v reálném čase
- Trénování AI modelů na hybridních sadách dat (kombinace experimentálních měření a syntetických dat)
- Transfer learning pro efektivní přenos naučených modelů mezi různými stroji, procesy a aplikačními doménami
- Pokročilé měřicí metody pro charakterizaci vlastností strojů a validaci modelů
Dosažené a plánované výsledky
2027
Automatický anotační software s principem human-in-the-loop určený pro strojové vidění
R- software
Digitální model přesnosti opto-mechanické sestavy na základě modelu AI
Gfunk – funkční vzorek
2028
AI asistent pro návrh technologických podmínek extruze PEM
R- software
AI model obráběcího centra se zvýšenou teplotně-mechanickou přesností v rozsahu pracovního prostoru
Gfunk – funkční vzorek
2029
Digitální model zařízení se zvýšenou přesností pro kontrolu kvality opto-mechanické sestavy na základě uplatnění modelu AI
Gfunk – funkční vzorek
2031
Nástroj pro řízení datové pipeline, trénování modelů a jejich nasazení do provozu
R- software
AI asistent pro detekci problematických míst 3D tisku
R- software
AI model obráběcího centra pro zvýšení výrobní výkonnosti v rozsahu pracovního prostoru
Gfunk – funkční vzorek