Intellegens > 实例探究 > 使用深度学习的复合钻孔工具优化

使用深度学习的复合钻孔工具优化

Intellegens Logo
 Optimizing Tooling for Composite Drilling Using Deep Learning - IoT ONE Case Study
技术
  • 分析与建模 - 机器学习
适用行业
  • 航天
  • 设备与机械
适用功能
  • 维护
  • 产品研发
用例
  • 添加剂制造
  • 时间敏感网络
服务
  • 测试与认证
  • 培训
客户

谢菲尔德大学先进制造研究中心 (AMRC)

关于客户

谢菲尔德大学先进制造研究中心 (AMRC)是一个由世界领先的研究和创新中心组成的网络,与全球各种规模的制造公司合作。 AMRC 进行了许多具有历史意义的 CFRP 和 CFRP/金属叠层钻孔试验,以帮助该行业开发控制钻孔引起的分层的经济方法。

Intellegens 为工业研发和制造中的实际实验和过程数据问题提供了独特的机器学习解决方案。 Alchemite™ 深度学习软件基于源自剑桥大学的一种方法,可以对其他机器学习方法失败的稀疏、嘈杂的数据进行建模。它加快了合金和部件设计、配方产品开发、药物发现、增材制造和优化化学工艺等领域的创新。

挑战

层压纤维增强聚合物 (FRP) 基复合材料在推动高性能轻质部件的行业中越来越普遍,例如航空航天。这是由于它们出色的机械性能和高度可定制的设计。尽管这种可定制性增加了设计选择,但它会对制造过程中的成本、生产力和可持续性产生负面影响。这在加工中尤其明显,在加工中会出现 FRP 零件特有的缺陷。

此处描述的工作建立了一种新的基于机器学习的方法,可以根据寿命开始性能数据预测工具寿命,从而减少实验时间和成本。该项目特别具有挑战性,因为原始数据集很稀疏,缺少 82% 的目标数据。

解决方案

Alchemite™ 是 Intellegens 的新型机器学习软件,它利用深度学习的独特见解从稀疏和嘈杂的数据中构建综合模型。在这项研究中,AMRC 提供了 55 个钻头/复合材料对的工具时间序列数据,记录了 23 个加工响应,包括孔质量指标和过程中测量值。使用直观的拖放界面,这些数据很容易上传到 Alchemite™ Analytics 软件中。

运营影响
  • By gaining insight from sparse data to quantify underlying, complex nonlinear property/property relationships, Alchemite™ created a tool-composite model with good predictive power. The ability to accurately predict exit delamination for some future number of drilled holes enables tool life to be estimated, and the impact of factors such as tooling geometry and material selection on this tool life to be studied. This can inform the design stage of an experimental campaign, ensuring that unsuitable tools are not unnecessarily tested and that only the most promising candidates are taken forward for more comprehensive tooling trials. Making useful decisions based on only 20% of the typically-acquired performance data allows progress based on far fewer tests, resulting in up to 80% reductions in the direct costs associated with testing, such as material wastage, machining and technician time, as well those associated with equipment maintenance and overhaul. The use of explainable AI tools in Alchemite™, such as the importance chart, enabled identification of variables that were irrelevant to predicting tool life performance, allowing additional experimental streamlining.
数量效益
  • Reduced experimental time by quantifying complicated nonlinear tool-composite relationships.
  • Delivered useful predictions of future tooling performance from sparse and noisy data based on 80% fewer experiments.
  • Identified irrelevant features for predicting tool performance, facilitating further experimental cost savings.

Case Study missing?

Start adding your own!

Register with your work email and create a new case study profile for your business.

Add New Record

相关案例.

联系我们

欢迎与我们交流!
* Required
* Required
* Required
* Invalid email address
提交此表单,即表示您同意 IoT ONE 可以与您联系并分享洞察和营销信息。
不,谢谢,我不想收到来自 IoT ONE 的任何营销电子邮件。
提交

感谢您的信息!
我们会很快与你取得联系。