Opotřebení nástroje je významným faktorem nákladů při výrobě obrábění kovů a často i důvodem snížené kvality výrobku. Proto je nutné jej průběžně měřit, což však prodlužuje výrobní časy.
Běžnými systémy pro zjišťování stavu opotřebení řezných nástrojů jsou měřicí mikroskopy a laserové měřicí můstky. Oba však mají slabá místa: mikroskopy jsou umístěny mimo obráběcí stroj, jejich pořízení je velmi nákladné a vyžadují časově náročnou ruční obsluhu. Laserové měřicí můstky lze integrovat do stroje, nenabízejí však možnost identifikace a měření různých typů opotřebení. Není tedy možné určit příčiny a navrhnout opatření. Kromě toho nelze odvodit běžné metriky opotřebení, jako je šířka plochy opotřebení boku.
Aby se předešlo důsledkům souvisejícím s opotřebením, nástroje se v praxi obvykle vyměňují spíše předčasně.
Cílem CAMWear 2.0 — výzkumného projektu Fraunhoferova institutu IPT (Fraunhofer Institut für Produktionstechnologie) proto bylo vyvinout systém, který zaznamenává a vyhodnocuje stav opotřebení řezných nástrojů v téměř reálném čase během procesu frézování.
Za tímto účelem výzkumníci integrovali do frézky mikroskop, který automaticky pořizuje snímky frézovacího nástroje mezi jednotlivými kroky obrábění. Tým následně vyvinul techniky pro segmentaci obrazu, na jejichž základě lze odvodit typické parametry hodnocení stavu nástroje. A pro ochranu citlivého mikroskopu navrhl robustní pouzdro s funkcí těsnicího vzduchu udržujícího kapky kapalin mimo kameru.
Snímky jsou následně zpracovávány umělou inteligenci (AI), přičemž program je schopen klasifikovat typy nástrojů, zvýraznit opotřebované oblasti a vypočítat metriky opotřebení.
Aby se snížilo úsilí potřebné k trénování umělé inteligence, vytvářejí výzkumníci syntetická obrazová data pomocí generativních algoritmů a neuronových sítí tak, aby uměle zvětšili databázi. Skutečné obrázky jsou navíc upravovány a násobeny pomocí jednoduchých augmentačních technik, jako je překlápění nebo otáčení.
V závěrečné fázi projektu byl systém úspěšně podroben praktické zkoušce v reálných podmínkách.
Aplikace je nyní dále optimalizována speciálně pro průmyslové použití: dalším cílem je dále zdokonalovat modely AI, aby bylo možné ještě přesněji identifikovat a analyzovat jevy opotřebení. V úzké spolupráci se specializovanými dodavateli hardwaru má být nová aplikace AI rychle převedena do průmyslové praxe.
Jiří Šmíd a Michael Málek