Soudage, impression, concassage du béton – une équipe de l'Empa surveille les processus bruyants à l'aide de l'intelligence artificielle. De cette façon, vous pouvez littéralement entendre les erreurs de production et les accidents imminents.

Kilian Wasmer du laboratoire Empa pour le traitement avancé des matériaux à Thoune continue de secouer la tête tout en parlant, comme s'il ne pouvait pas croire lui-même à l'histoire à succès. Avec son équipe, il a récemment breveté un système de surveillance de processus de production complexes, qui peut être utilisé dans une vaste gamme de situations - même si les perspectives de cette idée au départ ne semblaient pas particulièrement bonnes du tout. « J'ai dit à nos partenaires que j'évaluais les chances de succès à environ 5 %. " se souvient Wasmer à propos des premiers jours du projet.

Coups de foudre sur le béton

Le partenaire susmentionné est Selfrag AG de Kerzers près de Berne. L'entreprise fabrique des générateurs haute tension, qui peuvent pré-affaiblir voire casser le béton à l'aide de décharges de foudre. Contrairement à un marteau, qui donne des morceaux de béton aux arêtes vives avec des cailloux fendus, cette méthode est capable de décomposer le béton en ses composants de base de gravier, sable et ciment – ​​ce qui permet leur recyclage intégral.

Les scientifiques de l'Empa ont commencé à bombarder de petites éprouvettes en plexiglas avec des éclairs à haute tension. La signature acoustique de chaque éclair a été enregistrée et la pièce d'essai en plexiglas correspondante a été examinée au microscope pour détecter les fissures et les dommages de surface. Sergueï Chevtchik, le spécialiste de l'équipe en intelligence artificielle, testé un certain nombre de stratégies différentes pour reconnaître les tendances révélatrices des données. Finalement, non seulement il a réussi à distinguer les éclairs réussis des ratés, mais aussi dans le repérage des coups de surface. Pour la première fois, Cela a donné à Selfrag une possibilité de surveillance en ligne pour sa technologie de foudre.

Le succès de l'analyse de la foudre en temps réel a donné à l'équipe l'idée d'analyser également d'autres processus extrêmement bruyants :grincements, machines à cliquetis.

Lorsque les roulements se grippent et que les machines meurent

Si les roulements et autres pièces métalliques mobiles ne sont pas correctement huilés, ils peuvent érafler. Le problème cause des dommages considérables dans le monde entier. Malheureusement, les capteurs de température intégrés dans les composants vulnérables ne détectent une augmentation de température qu'une fois que les éraflures ont commencé et que les pièces sont déjà abîmées.

Cependant, juste parce que quelque chose grince dans une machine ne signifie pas nécessairement que la machine a besoin d'une révision complète. Quiconque démonte et entretient ses machines de production plus souvent que nécessaire entraîne des coûts inutiles. Mais ceux qui attendent trop longtemps courent le risque d'une éraflure d'une pièce mobile, se briser et ainsi détruire d'autres parties de la machine, ce qui serait désastreux. Le but, donc, est d'entendre le craquement "crucial" de la cacophonie des bruits - et d'arrêter la machine juste à temps avant qu'elle ne soit endommagée.

L'équipe de Wasmer a permis à un roulement en acier trempé de frotter contre une base en fonte sur un tribomètre, un instrument de mesure du frottement, enregistré les bruits, interrompu l'expérience en différentes phases et étudié les dommages au microscope. Les chercheurs de l'Empa ont réussi à discerner les indices essentiels de cette cacophonie. Ils sont maintenant capables de reconnaître le brouillage avec une certitude de 80 pour cent. Plus important encore, cependant :la phase cruciale de pré-éraflure peut être reconnue avec une certitude de 65 % - et même prédire quelques minutes avant que la conclusion catastrophique ne se produise. Cela suffirait à arrêter à temps de nombreuses machines industrielles et à éviter de graves dommages.

Management de la qualité en fabrication additive

Le dernier projet de Wasmer est consacré à la fabrication additive (FA) - la production de composants métalliques en poudre métallique, qui est fondu avec un faisceau laser. Cette nouvelle technique de fabrication n'utilise aucun moule de coulée et est idéale pour les pièces individuelles géométriquement complexes. Jusqu'à aujourd'hui, cependant, il a été nécessaire de respecter strictement les paramètres du processus (par exemple la puissance et la vitesse du laser, spécification de la poudre, etc.) pour un alliage ou une application particulière. Toute déviation peut provoquer des pores, fissures ou contraintes internes dans la pièce, le rendant inutile.

Wasmer et Co. ont combiné des capteurs acoustiques avec l'apprentissage automatique et ont analysé les données à l'aide d'un algorithme appelé SCNN ("Spectral Convolutional Neural Network") et décrit pour la première fois en 2016. À l'aide de cette méthode d'apprentissage automatique, ils ont réussi à distinguer si le processus de fusion laser était trop chaud ou trop froid avec un taux de réussite de plus de 83 %. Les résultats ont été publiés dans Additive Manufacturing en mai 2018.

Écoute pendant le soudage laser

The researchers are confident that the method can also be applied to things other than laser 3-D printers. Other AM techniques such as laser sintering, stereolithography or multi-jet printing are based on similar physical principles. The Empa method for process and quality monitoring in real time could thus be valuable for all these techniques.

Another industrial partner has already benefited from Empa's knowhow:Coherent Switzerland, based in Belp, has been manufacturing laser sources and tool heads for welding devices for 44 years. Thanks to the Empa results, the company now has a sensor system at its disposal that monitors and documents the welding process optically and acoustically. The data obtained in this way could help optimize future welding processes and maintain the high quality standard that the automotive industry demands from its suppliers.