Intelligent klinknagels plaatsen

“Wanneer aan medewerkers voor of tijdens het boorproces wordt aangegeven dat een fout is herkend of dat bepaalde waarden buiten de verwachting liggen, kan het het proces afbreken of aansluitend direct een controle doorvoeren”, legt directeur productietechniek Wolfgang Hintze van IPMT Hamburg uit. De methode kan niet alleen de vliegtuigbouw veranderen, maar ook andere branches zoals de automotive of de scheepsbouw, waarin onderdelen met behulp van klinknagels of schroeven worden samengesteld en waarvoor moet worden geboord.

Robots te zwaar

In elk vliegtuig worden honderdduizenden klinknagels gezet. Die hebben allemaal een klinknagelboring nodig. Dat gebeurt grotendeels niet-geautomatiseerd omdat de gangbare industrierobots te groot, te zwaar, niet flexibel of om andere redenen ongeschikt zijn. Maar bij het met de menselijke hand positioneren van een semi-automatische boormachine kan het bijvoorbeeld gebeuren dat de machine niet goed ingespannen wordt of het gereedschap al slijtageverschijnselen vertoont.

In de luchtvaart gelden echter hoge veiligheidseisen. “De toelaatbare helling op het klemvlak van klinknagels is bijvoorbeeld heel nauw bemeten”, verklaart Hintze. Ze ligt onder een tiende millimeter omdat een klinknagel anders tijdens het vliegen zou kunnen losraken. Is de waarde overschreden, dan moet er worden nabewerkt. Navenant hoog zijn dan ook de controle-inspanningen, met zeer veel steekproeven en na-boringen.

Machine regelt proces

De medewerkers zetten de semi-automatische machines op boormallen, waardoor ze nauwkeurig kunnen positioneren. Deze mallen worden vooraf aan de vliegtuigromp bevestigd. “Daarna neemt de machine het eigenlijke boorproces over”, verklaart Samuel Bender van het IPMT. “Hij regelt voor de complete boorgang het toerental en de snelheid, maar ook andere functies zoals smering en spaanafzuiging. Hij gedraagt zich als een kleine werktuigmachine.” Bender wilde dit productieproces voorspelbaar maken en gebruikte hiervoor methoden van kunstmatige intelligentie, in dit geval machine learning (ML).

Samen met een bedrijf ontwikkelde hij meerdere methoden die verschillende sensordata van een door dit bedrijf geproduceerd prototype van een boormachine analyseren. Daarbij worden onder andere de elektrische stromen van de beide elektromotoren geregistreerd. Overeenkomstig de ML-methodiek moesten allereerst – onder de bekende booromstandigheden – signaalverlopen worden verzameld en gekarakteriseerd. De machine leert typische verlopen van een optimale boring en vergelijkt deze met de boringen die actueel worden gedaan. Wijken de signalen af tijdens het actuele productieproces dan merkt de machine dat en meldt dit. “De boormachine kan betrouwbaar voorspellen of bijvoorbeeld de juiste boordiameter wordt gebruikt, de verwachte materiaalcombinatie voorligt of dat smeermiddel actief is”, verklaart Bender. Een overschrijden van de diametertolerantie of de helling wordt automatisch geregistreerd. Voorwaarde is wel dat de ML-modellen vooraf worden gevoed met positie-afhankelijke data, zoals de voorliggende materiaalcombinatie – in de vliegtuigbouw platen van aluminium, CFK en titaan -, de materiaaldikte en het noodzakelijke motortoerental.

Specifieke waarschuwingen

Dankzij de nieuwe methode krijgen de medewerkers in de montage straks niet alleen een algemene foutmelding maar specifieke waarschuwingen zoals ‘foute boorpositie’, ‘pas op smeermiddel uitgevallen’ of ‘gereedschap versleten’. Ze kunnen zo het probleem vermijden of direct opheffen. “Met kunstmatige intelligentie kunnen we de vereiste kwaliteit al tijdens de bewerking registeren. Dure en tijdrovende controles kunnen we daarmee sterk beperken tot enkele steekproeven en we hoeven slechts herkende onregelmatigheden op te volgen”, zegt Hintze.

In algemene zin kan het ML-model overal worden toegepast waar mensen of machines zich herhalende maar gevarieerde bewerkings- montage- of controleprocessen uitvoeren. Zo kan de montage van kritische onderdelen worden gecontroleerd. Ook verhinderen de intelligente machines productie-uitvallen omdat ze vroegtijdig de slijtage van gereedschappen en werktuigmachines herkennen. Anders geformuleerd: er is een enorme brandbreedte aan inzetmogelijkheden in alle branches, maar wel altijd onder de voorwaarde dat voldoende afgezekerde en voorspellende data voorhanden zijn om de systemen te trainen.