La voie vers l'IA pour les procédés de soudage

Les algorithmes d'intelligence artificielle (IA) et d'apprentissage automatique (ML) sont largement utilisés dans notre société numérique moderne pour surveiller nos habitudes, diffuser des publicités "appropriées", suggérer de nouvelles séries télévisées à regarder, etc. L'IA/ML est également mise en œuvre, de manière moins visible, dans les environnements industriels pour déterminer le flux de matériaux dans les lignes de production de l'atelier de fabrication, allouer les pièces au bon endroit au bon moment pour améliorer le débit et prédire quel produit construire pour maximiser les profits.

L'un des principaux domaines de développement est la surveillance des processus de soudage : utiliser l'IA/ML pour examiner directement un processus de fabrication par résistance ou par soudage au laser afin d'en déterminer le succès. Cela implique l'enregistrement et l'analyse d'un ensemble de signaux physiques émis, ce qui nécessite non seulement des capteurs haute résolution pour les collecter (la durée de la soudure peut être de l'ordre de quelques millisecondes), mais également une infrastructure pour exporter et analyser de grandes quantités de données.

Ce billet de blog explorera les trois principaux domaines de développement - et un domaine collatéral - qui ouvrent la voie à l'IA pour les processus de soudage au laser dans la fabrication d'aujourd'hui. Ces développements faciliteront une meilleure compréhension de ce qui se passe pendant le processus, ce qui se traduira par une amélioration de la qualité et du rendement.

Acquisition de données : collecte de données haute résolutionLa première partie du processus, et sans doute la plus importante, est l'acquisition de données, qui comprend la collecte, la numérisation et le stockage.

Les processus de soudage par résistance et au laser peuvent ne prendre que quelques millisecondes pour les pièces plus petites, mais il existe une dynamique, même dans ce laps de temps très court, qui fournira des informations précieuses sur le succès de la soudure. Ainsi, la résolution de capture de données doit être suffisamment élevée pour collecter des caractéristiques à l'échelle de la microseconde. Pour les algorithmes AI/ML, plus l'ensemble de données est riche (résolution plus élevée), plus les algorithmes peuvent trier le bon du mauvais avec précision. Examinons de plus près l'importance de la résolution.

La figure 2, ci-dessous, illustre un signal physique d'unsoudure collectée par un capteur au fil du temps. Lorsque les données sont collectées à un faible taux d'échantillonnage (en haut au centre), la sortie (en haut à droite) est un signal en escalier qui manque la caractéristique aberrante qui apparaît au centre de la courbe, ce qui pourrait entraîner une mauvaise soudure jugée bonne ou vice versa. Si la fréquence d'échantillonnage est élevée (en bas au centre), cependant, le vrai signal est mieux reconstruit (en bas à droite) dans la sortie et cette valeur aberrante serait remarquée. Il en va de même pour le niveau du signal : plus la résolution du signal est élevée, meilleure est la reconstruction du signal physique réel se produisant pendant le processus de soudage.

Pourquoi est-ce si important? Lorsque vous effectuez tout type de prédiction sur la qualité, plus de données se traduisent par des résultats plus précis. Si ce blip au milieu de la courbe était le principal indicateur d'une soudure réussie, il est clair que le signal de résolution plus élevée est nécessaire pour confirmer sa présence.

Pour être juste, la courbe dans l'exemple ci-dessus est assez simple, et un ingénieur de procédé expérimenté pourrait facilement repérer les bonnes/mauvaises soudures. En réalité, cependant, les courbes sont beaucoup plus compliquées et la corrélation entre certains segments de la courbe mesurée et le succès du soudage ne sera pas évidente. C'est là que les algorithmes AI/ML peuvent être utilisés pour analyser et supprimer la tendance des données de plusieurs manières afin de trouver de nouvelles corrélations. Le plat à emporter ici? Des données à plus haute résolution donneront de meilleurs résultats avec les algorithmes AI/ML.

La mise en réseau fait passer la collecte de données du local au mondial L'acquisition de données haute résolution pose toutefois un défi lorsque vient le temps de les transférer du capteur vers un stockage local ou vers un stockage distant en réseau. Selon la résolution et le nombre de canaux, cela peut se traduire par plusieurs mégabits par seconde. Cela nécessite clairement un transfert de données à grande vitesse sur Internet et des disques durs à vitesse d'écriture rapide capables d'accepter cette quantité d'informations en continu tout au long de la production.

Bien sûr, avoir un réseau apporte des avantages supplémentaires.

Historiquement, chaque cellule de travail individuelle était équipée d'un moniteur de processus dédié. Les données étaient stockées localement et agrégées afin que les valeurs numériques de base - par exemple un signal maximum ou minimum - puissent être collectées et comparées. L'exportation de données était une tâche fastidieuse, via une clé USB ou via RS-232. Ces appareils sont relativement lents, de sorte que d'énormes quantités de données ne pouvaient pas être facilement transférées, et de nombreuses manipulations manuelles des fichiers étaient nécessaires. Cela a eu pour effet de créer des silos d'informations dépendant de la machine et de l'opérateur.

La création de moniteurs de processus connectés via Ethernet facilite considérablement le transfert d'informations qui peuvent désormais être collectées à l'échelle mondiale, en supposant qu'il existe une connexion externe à Internet. Cela signifie que les ingénieurs de procédés peuvent collecter et analyser des données provenant de plusieurs usines situées dans le monde entier.

En liant cela aux algorithmes AI/ML, ceux-ci peuvent obtenir des données provenant de configurations similaires à différents endroits. Cela enrichit ladépôt de soudureplus rapidement et élargit les données pour fournir des jugements plus précis du processus de soudage.

Utilisation des données collectées et stockées dans les algorithmes d'IA et de ML Voyons maintenant comment utiliser ces données collectées et stockées. En fin de compte, les données doivent raconter une histoire - ou en d'autres termes, fournir des informations qui peuvent être interprétées et utilisées pour prendre d'autres décisions. Cela peut aider l'ingénieur de procédé ou l'opérateur de la machine à comprendre et à répondre aux questions suivantes :

Les réponses à ces questions peuvent aider le fabricant à prendre des décisions commerciales pour améliorer la qualité ou le débit des produits. Historiquement, cette prise de décision est effectuée par des ingénieurs de procédé et des opérateurs en fonction de leur expérience du procédé de soudage. Initialement, cela aurait pu être fait par la vue ou le son, mais plus récemment à l'aide de moniteurs de processus de base.

L'application d'algorithmes AI/ML aux données de processus de soudage capturées par des moniteurs de réseau avancés étend les capacités de l'ingénieur de processus et de l'opérateur en recherchant de nouvelles fonctionnalités qui ne sont pas facilement visibles dans un nombre agrégé et dans la forme d'onde - et établit des corrélations qui ne peuvent pas être facilement vues. L'algorithme AI/ML peut déterminer simultanément n'importe quel nombre de caractéristiques à partir d'un certain nombre de mesures de capteurs.

Une "caractéristique" est une quantité (scalaire ou vectorielle) qui est mesurée ou calculée à partir des données recueillies. Une « fonctionnalité utile » est une quantité qui change suite à un changement dans le processus ou la configuration de la machine. Par exemple, la bosse sur la forme d'onde illustrée à la Fig. 2 peut être une caractéristique qui, lorsqu'elle est présente, indique une soudure qui ne répond pas aux exigences de résistance à la traction.

Les algorithmes AI/ML fonctionnent sur la base d'un apprentissage supervisé ou non supervisé. L'apprentissage supervisé nécessite une série de tests avec entrée pour chaque mesure. Parce que cela nécessite qu'un ensemble de données soit créé avant le début, ce processus prend du temps et peut être coûteux. L'apprentissage non supervisé, en revanche, part de zéro sans ensemble de données. Au fur et à mesure que l'ensemble de données est rempli, il peut trouver des valeurs aberrantes ou des anomalies et les signaler pour un examen plus approfondi.

Pour les procédés de soudage, l'apprentissage non supervisé est préférable. L'ingénieur de procédé ou l'opérateur peut commencer à souder les pièces immédiatement. Au fur et à mesure que le programme se développe, il peut identifier les soudures qui ne sont pas conformes à la norme, et l'ingénieur de procédé ou l'opérateur peut inspecter et réintégrer le résultat dans l'algorithme. Il s'agit d'un programme d'apprentissage beaucoup plus rentable et le produit peut encore être produit. Les critères de sélection continueront à s'améliorer avec plus de données et d'informations sur les bonnes et les mauvaises soudures qui seront ajoutées à la base de données. Cela va au-delà des limites du processus car les limites réelles peuvent être ajustées pour différentes mesures d'entrée.

La pièce cachée du puzzle : la sécurité du réseau Étant donné que ces nouveaux moniteurs de processus sont mis en réseau, peuvent communiquer entre eux et peuvent être accessibles à distance par un ingénieur de processus, cela signifie également qu'il existe un potentiel pour que des sources extérieures accèdent au réseau du moniteur. Il ne s'agit pas tant de craindre qu'un pirate informatique ou un concurrent ait accès aux données, mais plutôt que cela puisse être un port potentiel vers le réseau plus large de l'entreprise.

En effet, la sécurité du réseau doit être (et a été) prise en compte pour les produits les plus récents d'AMADA WELD TECH, où nous avons ouvert des ports de manière sélective et recommandé des programmes comme SecureLink pour garantir que le produit n'expose pas nos clients à un réseau plus large.