25/02/2021
Door Lilian Vermeer
In de Europese vliegtuigbouw worden jaarlijks ongeveer 150 miljoen klinknagels gezet - tweederde daarvan wordt gedaan door werknemers met lichte machines. Daarbij mag niets misgaan. De kwaliteitscontrole is daarom intensief en duur. Een onderzoeker aan de TU Hamburg heeft nu een proces ontwikkeld om de inspectie van klinknagelgaten verder te automatiseren met behulp van kunstmatige intellligentie.
"Als de werknemer voor of tijdens het boorproces te horen krijgt dat er een fout is ontdekt of dat de waarden buiten de verwachting liggen, kan hij het proces afbreken of direct daarna een controle uitvoeren", vertelt Prof. Wolfgang Hintze hoofd Productietechniek van het IPMT (Institut für Produktionsmanagement und -technik) Hamburg. "Het proces is niet alleen toepasbaar in de vliegtuigbouw, maar ook in andere industrieën, zoals de automobiel- of de scheepsbouw, waarin onderdelen worden geassembleerd met behulp van geklonken of geschroefde verbindingen, en waarvoor gaten moeten worden geboord".
Onderzoeker Samuel Bender kreeg een prijs voor zijn bachelorscriptie over intelligente boormachines.
Hoge veiligheidseisen
In één enkel vliegtuig worden honderdduizenden klinknagels gezet, die elk een klinknagelgat nodig hebben. Meestal gebeurt dit niet automatisch omdat de huidige industriële robots te groot, te zwaar, te weinig flexibel of om andere redenen ongeschikt zijn. Maar bij de halfautomatische boren die door de mens met de hand moeten worden gepositioneerd, kan het bijvoorbeeld gebeuren dat de boor niet goed is vastgeklemd. Het kan ook zijn dat het gereedschap al aan het slijten is. In de luchtvaart gelden echter zeer hoge veiligheidseisen. "De toelaatbare nokhoogte op het klemvlak van klinknagels is bijvoorbeeld zeer strak gedimensioneerd," legt Hintze uit, "het is minder dan een tiende millimeter - anders zou de klinknagel tijdens de vlucht kunnen losraken." Als de waarde wordt overschreden, is herbewerking vereist. De inspectie-inspanning is dienovereenkomstig hoog, met een zeer groot aantal steekproefsgewijze controles en herbewerkingen van boringen.
Adaptieve boormachine
De werknemer plaatst de halfautomatische machines op boorsjablonen die een nauwkeurige positionering mogelijk maken. De sjablonen zijn eerder op de romp van het vliegtuig bevestigd. "De machine neemt dan het eigenlijke boorproces over," legt onderzoeker Samuel Bender uit. "Daartoe regelt hij de snelheid en de aanvoer over het gehele aanvoertraject, maar ook andere functies zoals smering en spanenafvoer. Het gedraagt zich als een kleine machine." Bender wilde deze fabricageprocessen voorspelbaar maken en gebruikte daarvoor kunstmatige-intelligentiemethoden, in dit geval machine learning (ML).
Machine learning
Bender heeft in samenwerking met het bedrijf Lübbering gespecialiseerd in boren verschillende methoden ontwikkeld voor de evaluatie van diverse sensorgegevens van het door Lübbering vervaardigde prototype van een boormachine. Zo worden bijvoorbeeld de elektrische stromen van de twee elektromotoren geregistreerd. De signaalkenmerken onder bekende booromstandigheden worden verzameld en gekarakteriseerd. De machine leert typische progressies van een optimale boring en vergelijkt deze met de huidige. Als de signalen tijdens het lopende productieproces afwijken, merkt de machine dit op en meldt dit. "De boormachine kan betrouwbaar voorspellen of bijvoorbeeld de juiste boordiameter is gebruikt, de verwachte materiaalcombinatie aanwezig is, of het smeermiddel actief is," legt Bender uit. Overschrijding van bijvoorbeeld de diameter tolerantie of de braamhoogte wordt automatisch gedetecteerd. Voorwaarde is wel dat de ML-modellen vooraf zijn voorzien van de positie-afhankelijke gegevens. Dit omvat bij voorbeeld de bestaande materiaalcombinatie - in de vliegtuigbouw laagpakketten van aluminium, CFRP en titanium - de dikte van de materialen en het vereiste motortoerental.
Specifieke foutmeldingen
Dankzij het nieuwe proces krijgen assemblagemedewerkers in de toekomst niet alleen een algemene foutmelding, maar ook specifieke waarschuwingen zoals "verkeerde boorpositie", "opgelet, smeermiddel mislukt" of "gereedschap versleten". Op die manier kunnen zij het probleem voorkomen of direct verhelpen - met andere woorden, het gereedschap in een vroeg stadium vervangen of de situatie op een andere manier verhelpen. "Met behulp van kunstmatige intelligentie kunnen we al tijdens de bewerking de vereiste kwaliteit vastleggen. Zo kunnen wij de zeer tijdrovende en kostenintensieve inspectie sterk beperken tot enkele steekproeven en hoeven wij alleen nog maar na te gaan of er onregelmatigheden zijn ontdekt," aldus Hintze.
Foto: IPMT Hamburg