이 블로그는 CosiMo("지속 가능한 이동성을 위한 합성물") 프로젝트에 대한 제 보고서의 후속 조치입니다. 이 프로젝트는 복합 배터리 상자 덮개의 "스마트 제조"를 시연하기 위해 Faurecia Clean Mobility(프랑스 낭테르)가 2018년에 시작했습니다. 길이 1,100밀리미터, 너비 530밀리미터의 챌린지 부품은 부직포 유리 섬유와 단방향 탄소 섬유 강화재, 금속 및 발포체 인서트, 2.5~10밀리미터의 다양한 두께와 다양한 반경을 포함한 복잡한 형상을 특징으로 합니다. 부품은 열가소성 수지 트랜스퍼 몰딩(T-RTM)을 사용하여 성형되었으며, 여기에서 카프로락탐 단량체를 주입한 다음 가열된 프레스 사이클 동안 제자리에서 중합하여 폴리아미드 6(PA6) 합성물을 형성했습니다. 프로젝트의 주요 목표는 폐쇄 루프, 센서 기반 프로세스 제어를 사용하여 완전히 자동화된 프로세스를 조사하는 것이었습니다.
이 블로그는 CosiMo 챌린지 부분에 사용된 74개 센서의 네트워크, 특히 아우크스부르크 대학(UNA, Augsburg, Germany)에서 개발한 초음파 센서의 네트워크와 모든 센서의 데이터가 어떻게 사용되었는지 자세히 살펴봅니다. 프로세스의 디지털 모델(디지털 트윈).
CosiMo의 성공과 센서 및 AI 기반 제조 개발을 위한 개발 센터의 필요성을 기반으로 UNA는 CosiMo 프로젝트 파트너인 German Aerospace Center(DLR) Center of Lightweight Production Technologies( ZLP, Augsburg) 및 Fraunhofer Institute for Foundry, Composites and Processing Technology(Fraunhofer IGCV). 아우크스부르크 AI 생산 네트워크(Augsburg AI Production Network)의 UNA 교수이자 이사인 Markus Sause 박사는 “우리는 협력하여 운영할 5,000제곱미터의 새로운 시설을 건설 중입니다. "우리는 AI가 무엇을 할 수 있는지 보여줄 수 있는 복합 기술에 중점을 둔 자동화된 생산 셀을 갖게 될 것입니다."
CosiMo 프로젝트의 경우 T-RTM 배터리 상자 덮개를 성형하기 위해 Christian Karl Siebenwurst GmbH &Co. KG(독일 디에트푸르트)에서 제공한 강철 RTM 도구에 74개의 센서가 통합되었습니다. 수지 주입, 침투(유동 전면 모니터링) 및 제자리 중합 중 공정 매개변수를 모니터링하는 데 사용되며 이 네트워크에는 다음이 포함됩니다.
<울>CosiMo에 대한 초기 보고서에서 이 센서 네트워크가 표준 생산이 아닌 R&D를 위한 방법에 대해 논의했습니다.
DLR ZLP의 CosiMo 제조 프로젝트 리더인 Jan Faber는 “산업용 직렬 생산의 경우 아무도 그렇게 많은 센서를 설치하지 않을 것이며 이는 우리가 기대하는 바가 아닙니다. "하지만 이 연구 조사에서 이 대형 센서 네트워크는 매우 정확했습니다 프로세스에 대한 완전한 가시성을 확보하는 데 도움이 되었습니다. 및 물질적 행동 . 우리는 현지 대응 과정에서 효과를 볼 수 있었습니다. 부품 두께 또는 폼 코어와 같은 통합 재료의 변화에 따라 달라집니다."
그렇다면 이 네트워크는 어떻게 설계되었을까요? Faber는 "가장 저렴한 비용 때문에 대부분이 초음파 센서였습니다."라고 설명합니다. “우리는 그것들을 서로 정의된 거리에 있는 그리드에서 사용했습니다. 일부 위치에서는 초음파 센서를 빼내고 Kistler 온도/압력 또는 Netzsch DEA/온도 센서를 넣었습니다. 그리고 이러한 특정 센서(DEA와 Kistler 모두)의 경우 하나는 수지가 유입되는 스프루에 가깝고 다른 하나는 멀리 두려고 했습니다. 따라서 이미 일정 시간 동안 금형 온도를 확인한 후 수지가 도착하는 위치를 모니터링할 수 있었습니다.”
다른 유형의 센서를 사용하는 이유는 무엇입니까? Faber는 "연구 과제 중 하나는 신호를 비교하고 서로 다른 센서가 어떻게 작동하는지 확인하는 것이었습니다. 다양한 유형의 센서가 서로 다른 측정 원리를 기반으로 하기 때문에 이는 중요합니다. 예를 들어, DEA 센서는 수지의 AC 임피던스를 측정합니다. 수지의 AC 임피던스는 여러 부분으로 분할되어 폴리머에서 다른 효과를 나타냅니다. 한편, Kistler는 실리콘 기반 Wheatstone Bridge(동적 전기 저항을 측정하는 데 사용되는 회로 유형)에 의존하는 압저항 센서를 몰딩 캐비티의 벽에 설치된 감지 끝을 형성하는 멤브레인에 연결하여 사용합니다. 멤브레인은 압력 하에서 확장되어 실리콘 Wheatstone Bridge의 전기 저항을 변경하고 차례로 전기 신호를 출력합니다. "또한 우리는 압력과 온도를 모두 측정하는 Kistler의 새로운 4001a 센서를 사용했습니다."라고 Faber는 말합니다. "도구에서 선택한 로컬 포인트에 대해 두 값을 모두 갖는 것이 매우 유용했습니다."
CosiMo 부품 네트워크에 사용된 센서의 대부분은 UNA에서 개발한 초음파 센서였습니다. Sause는 이것이 저렴한 비용(<10유로)뿐만 아니라 광범위한 정보를 전달할 수 있기 때문에 선호되었다고 말합니다.
초음파 센서는 완성된 복합 부품을 검사하기 위해 수십 년 동안 사용되어 왔지만 사출 성형에서도 오랜 역사를 가지고 있습니다. 초음파 센서는 고주파 음파를 매체로 보내고 반사(펄스 에코) 및/또는 전송을 측정합니다. CosiMo 프로젝트에서 공칭 주파수는 2,000kHz였습니다. 금형에 설치된 57개의 초음파 센서(캐비티 표면에서 20mm 거리) 중 10개는 전송 모드에서 작동하고 나머지는 펄스 에코 모드에서 작동합니다. 초음파 센서는 파동의 속도와 진폭 감소(감쇠)를 측정합니다. 둘 다 폴리머의 특성에 민감합니다. 또한, 파동 속도는 압력과 온도의 함수로 계산할 수 있지만 초음파 데이터는 조사 중인 폴리머에 맞게 보정되어야 합니다.
"우리가 개발한 초음파 센서는 실제로 시판되는 것과 크게 다르지 않습니다."라고 Sause는 말합니다. “이것은 탄성 운동을 전기 신호로 변환하는 데 매우 민감한 압전 재료를 기반으로 합니다. 그러나 일반적인 센서가 최대 150°C의 온도에서 작동할 수 있는 곳에서 우리는 200°C 이상의 열가소성 몰딩의 고온을 일치시켜야 했으며 이는 센서 전자 장치에 약간 어려운 일이었습니다."
"우리는 또한 센서를 금형에 적절하게 통합하기 위한 기계 시스템을 고안해야 했습니다."라고 그는 설명합니다. 센서가 충족해야 하는 요구 사항의 포트폴리오가 많았습니다. 그래서 거의 처음부터 디자인해야 했습니다. 우리는 또한 전체 시스템의 적절한 음향 설계를 수행했습니다.”
"음향은 금형에 있는 재료의 탄성 특성에 중점을 둡니다."라고 Sause는 말합니다. “기본적으로 액체의 강성은 중합이 완료되었을 때와 같지 않습니다. 우리는 그 전환을 효과적으로 모니터링하고 있습니다. 우리는 각 센서 위치에서 몰드에서 폴리머 재료까지의 계면에서 파동 반사의 음향 강도를 관찰하여 시간 경과에 따른 경화를 지속적으로 추적합니다."
이 측정의 역학은 Sause와 Faber 등에 의해 설명됩니다. al., SAMPE Europe 2021 컨퍼런스 페이퍼, "카프로락탐을 사용한 T-RTM 제조에서 현장 중합의 센서 기반 공정 모니터링". 프리폼 함침 전후의 음향 신호 에코 진폭의 비율은 금형과 부품 경계면의 반사 지수 R에 따라 달라집니다. 이는 중합이 진행됨에 따라 일정한 값에 접근합니다. 이상적으로는 중합이 거의 완료되면 R의 변화가 0이 됩니다.
음향 전달 신호로부터 초음파가 함침된 프리폼을 통과하는 이동 시간을 추출하는 것도 가능하다. 이는 중합도와 관련하여 프리폼을 통한 음속으로 도움이 됩니다. SAMPE Europe 2021 논문 당시에 완료된 실험의 경우 센서 위치에서 프리폼이 완전히 젖어들기까지 중합이 완료될 때까지의 시간은 240초였습니다.
"우리는 또한 주입하는 동안 흐름을 모니터링할 수 있습니다."라고 Sause는 설명합니다. "음향 신호 정보는 폴리머 흐름 선단이 센서를 통과할 때 변경되기 때문입니다." SAMPE Europe 2021 논문에서도 확인된 바와 같이, 음향 신호는 주입 시작 후 15초에 선택한 센서에 대한 카프로락탐 유동 선단에 도달하면 초기 정규화 값 1에서 0.85-0.9 사이로 갑자기 떨어졌습니다.
Sause는 초음파 센서를 개발하는 것은 실제로 UNA가 CosiMo 프로젝트에서 수행한 작업의 매우 작은 부분이며 "가장 매력적인 부분도 아니었습니다."라고 말합니다. 그는 실제 성과가 데이터 분석과 부품 제조 중 폐쇄 루프 제어를 가능하게 하는 프로세스의 디지털 모델 개발이었다고 말합니다.
"우리가 하려고 하는 것은 금형에서 실제로 일어나는 일에 대한 정보를 제공하는 것입니다."라고 그는 덧붙입니다. “우리는 온도와 압력에 따라 프로세스를 조정하는 경로를 설정했지만 지금 우리가 하고 있는 것은 각 센서 위치에서 능동 펄스를 수행하여 음향 신호 정보를 활용하는 것입니다. 그리고 이를 통해 유동 선단의 모양, 프리폼의 각 부분에 도달하는 시간 및 각 센서 위치에서의 중합도와 같은 다양한 사항을 결정할 수 있습니다."
"이상적으로는 폐쇄 루프 제어를 활성화하고 프로세스 중에 조정할 수 있는 설정을 지정할 수 있습니다."라고 Sause는 말합니다. “여기에는 사출 압력, 금형 압력 및 온도와 같은 매개변수가 포함됩니다. 이 정보를 사용하여 자료를 최적화할 수도 있습니다.”
디지털 트윈의 개발은 다단계 및 여러 파트너의 노력이었습니다. DLR ZLP에 할당된 작업 패키지 중 하나로 시작되었습니다. "우리는 ESI Group(프랑스 Rungis)의 PAM-RTM 시뮬레이션 소프트웨어를 사용하여 충전 및 중합을 시뮬레이션하고자 했던 2D 플레이트를 기반으로 시뮬레이션을 설정했습니다."라고 Faber는 말합니다. “우리는 프로젝트 파트너인 ITA(Institute for Textile Technology, RWTH Aachen, Germany)와 SGL Carbon(독일 비스바덴)으로부터 프리폼 투과성 데이터를 얻었고, 아우크스부르크 대학(University of Augsburg)에서 열가소성 폴리머 반응의 반응성 모델도 얻었습니다. 그런 다음 모든 것을 시뮬레이션에 통합하고 실제 센서 데이터에 실제로 얼마나 근접할 수 있는지 확인하려고 했습니다.”
CosiMo 프로젝트 데모 부품의 상단 및 하단 금형에 있는 하늘색 점은 프로세스 전체의 특정 지점에서 데이터를 제공했습니다. 그런 다음 이는 디지털 트윈 시뮬레이션에서 센서 위치 사이를 보간하고 부품 전체에 걸쳐 프로세스를 모델링하는 데 사용되었습니다. 사진 제공:CosiMo 프로젝트, DLR ZLP Augsburg, 아우크스부르크 대학교
Faber는 계속해서 "2D 플레이트 모델을 기반으로 충전과 관련하여 우리가 실제로 매우 가깝다는 것을 발견했습니다."라고 말합니다. "하지만 시뮬레이션에서 설명할 수 없는 중합 동안 온도 영향이 있었습니다. 예를 들어, 이 중합 반응은 발열 반응이며 실제 데이터에서 온도 센서의 약간의 증가를 볼 수 있지만 시뮬레이션의 증가는 훨씬 더 높습니다. 따라서 이것은 우리가 계속해서 작업을 수행한 영역입니다.”
팀이 시뮬레이션에서 발견하고 싶었던 것 중 하나는 중합이 완료되는 데 필요한 시간이었습니다. Faber는 "우리가 정말로 원했던 것은 금형에 필요한 최소한의 시간이었습니다. 이 정보는 시뮬레이션 모델에서 파생되었으며 모든 시뮬레이션과 마찬가지로 여러 유형의 센서 및 AI 알고리즘에 의존했습니다. 예를 들어, Netzsch는 유전 분석에 사용되는 유전 센서를 제공했지만 프로세스의 디지털 트윈 일부도 지원했습니다. Faber는 "그들은 주입 내부의 메커니즘을 조사하고 중합이 완료되어야 하는 시간과 중합 상태를 예측하기 위해 예측 AI 모델을 설정했습니다."라고 말합니다.
(참고로 Netzsch는 재료 특성화, 운동 시뮬레이션 및 센서 기술의 역량을 결합하여 AI 및 클라우드 솔루션의 새로운 제품을 구축했습니다. 이러한 유형의 통합 솔루션은 CosiMo에서 성공적으로 시연되어 중합도 및 sensXPERT라는 브랜드로 상품화될 예정입니다.)
센서 및 시뮬레이션의 전체 네트워크에서 96%가 달성된 최대 중합이며 4.5분이 소요되는 것으로 나타났습니다. "그래서 주입 공정보다 훨씬 빠르지만 예를 들어 열경화성 수지를 사용하는 고속 주입보다 훨씬 느립니다."
"센서 데이터는 디지털 트윈 모델에 맞습니다."라고 Sause는 말합니다. “아이디어는 센서 정보에 의해 수치적으로 안정화되는 프로세스와 동시에 모델을 실행하는 것이었습니다. 파란색 점은 초음파 센서의 거친 격자를 제공하고 우리는 그 점 사이를 보간할 수 있었습니다. 예를 들어, 우리는 센서의 측정 데이터를 기반으로 CosiMo 부품에서 유동 선단이 시간의 함수로 어떻게 발전하는지에 대한 비디오를 제공할 수 있었습니다.”
CosiMo 부분(사출 입구는 중앙의 흰색 점)에서 유동 선단이 어떻게 발전하는지에 대한 비디오 스크린샷 인몰드 센서 네트워크의 측정 데이터를 기반으로 하는 시간 함수. 사진 제공:CosiMo 프로젝트, DLR ZLP Augsburg, 아우크스부르크 대학교 중합 속도 예측은 어떻게 검증되었습니까? "우리는 몇 가지 접근 방식이 있었습니다."라고 Sause는 말합니다. “첫째, 여기 UNA의 박사 과정 학생은 카프로락탐-PA6 물질 시스템의 반응 역학에 대한 전체 모델링 세트를 수행하고 있었습니다. 그래서 그는 유전 분석 센서의 데이터 및 레오메트릭 데이터와 함께 적외선 분광법을 동시에 연구하여 해당 시스템의 경화 역학에 대한 매우 정확한 재료 모델을 제공하고 해당 모델을 검증했습니다. 그래서 동일한 모델을 사용하여 센서를 교차 검증했습니다.”
디지털 트윈이 작동하는 방식의 아키텍처는 Stieber, et. 알. 2020년 기술 문서 "복합 구조 제조를 위한 실시간 공정 모니터링 및 기계 학습을 향하여":
T-RTM 기계, 금형 툴링의 현장 센서 및 디지털 트윈의 세 부분으로 구성됩니다. 이 구조와 특히 디지털 트윈은 다음 목표 O1 – O4를 염두에 두고 개발되었습니다.
<울>
그런 다음 센서는 디지털 트윈의 에지 분석에 데이터를 공급하여 미래의 유동 선단 역학을 예측하고, 각 섬유 프리폼의 섬유 부피 함량을 결정하고, 건조 지점을 예측하고, 불량 부품을 줄일 수 있는 이상을 감지하는 데 사용할 수 있습니다. 
T-RTM 기계는 Wickert(독일의 Landau in der Pfalz) 440킬로뉴턴 핫 프레스와 KrausMaffei(독일 뮌헨)의 T-RTM 사출 장치의 두 가지 기성 부품으로 구성됩니다. 이 두 기계와 전체 센서 네트워크는 전체 제조 공정을 제어하는 PLC(프로그래밍된 로직 컨트롤러)에 연결됩니다.
센서는 원시 데이터를 유동 선단 또는 수지 경화에 대한 상위 수준 정보로 변환하기 위해 실시간 사전 처리가 필요하기 때문에 사전 처리된 데이터는 iba AG의 ibaPDA 데이터 수집 장치를 사용하여 가장자리에서 직접 기록됩니다( 퓌르트, 독일). 따라서 센서 데이터는 목표 O1 및 O2당 센서 데이터와 함께 프로세스 데이터 및 부품 정보에 연결된 일관된 타임스탬프와 함께 기록되고 병합됩니다.
제조 프로세스를 자동으로 최적화하기 위해 저장된 데이터는 목표 O3를 다루기 위해 머신 러닝(ML) 모델을 훈련하는 데 사용됩니다. 이러한 모델은 예를 들어 센서 네트워크에서 수지의 유동 선단을 재구성하고 유동 선단 진행 상황을 예측하며 이상적으로는 프로세스 인스턴스 또는 후속 실행 중 결과를 최적화하기 위해 공정 매개변수를 조정하는 역할을 합니다. . 실제 데이터는 일반적으로 신뢰할 수 있는 모델을 훈련하는 데 충분하지 않기 때문에 디지털 트윈 팀은 PAM-RTM 시뮬레이션 실행을 사용하여 측정된 데이터를 보강했습니다. 시뮬레이션된 데이터를 사용한 사전 훈련 후 디지털 트윈은 실제 데이터로 미세 조정되었습니다. 이 전략은 Transfer Learning으로 알려져 있으며 컴퓨터 비전 및 자연어 처리 응용 프로그램에서 성공적으로 채택되었습니다. ML로 가능한 고급 분석을 통해 예측 기능과 프로세스 시각화를 개선하고 폐쇄 루프 제어를 할 수 있습니다.
그렇다면 복합 부품 제조업체는 자체 생산 프로세스에서 폐쇄 루프 제어를 개발하기 위해 이 기술을 어떻게 적용합니까? Sause는 흐름 및 경화/중합 모니터링을 교차 검증하고 무료 정보를 제공하기 위해 여러 유형의 센서를 사용하는 것이 합리적이라고 말합니다. 그런 다음 각 위치에 배치되는 유형을 포함하여 센서 배치를 정의하는 문제입니다. "예를 들어, 모든 곳에서 압력 및 온도 센서가 필요한 것이 아니라 수지 진입, 복잡한 기하학적 점 등과 같은 핵심 데이터 포인트가 필요한 곳에만 필요합니다."
센서는 몇 개입니까? "CosiMo의 경우 74개의 센서를 사용했지만 0.5미터 부품의 경우 기하학적 구조와 주요 관심 지점에 따라 35-40개 정도 덜 사용하게 될 것입니다."라고 Sause가 말합니다. “그것은 또한 생산 공정에 달려 있습니다. 예를 들어, 항공 우주에는 수십 년 동안 사용되어 왔으며 잘 정립된 프로세스가 있습니다. 이를 위해 많은 센서가 필요하지 않을 수 있으며 초기에 많은 개발 작업 없이 센서를 통합할 수 있습니다. 그러나 다른 프로세스는 더 알려지지 않았으며 더 많은 작업이 선행되어야 합니다. CosiMo의 경우 PA6에 대한 제자리 중합과 함께 T-RTM을 사용하는 방법을 찾고 있었는데, 예를 들어 이것은 에폭시를 사용한 RTM만큼 잘 문서화되지 않았습니다.”
CosiMo 프로젝트의 제조 장비는 Wickert 440-kN 프레스와 KraussMaffei 사출기로 구성되었습니다. 이 시리즈의 사진 제공:CosiMo 프로젝트, DLR ZLP Augsburg, 아우크스부르크 대학교
디지털 모델을 구축하는 데 얼마나 많은 시간이 소요됩니까? 폐쇄 루프 제어를 달성하기 위해 항상 필요합니까? "다시 말하지만, 프로세스와 도달하려는 수준에 따라 다릅니다."라고 Sause는 말합니다. “우선, 센서 정보를 통합하면 처리의 블랙박스 내부에서 일어나는 일과 사용할 매개변수를 시각화할 수 있습니다.
CosiMo에서 개발한 폐쇄 루프 제어 시스템은 iba AG의 인몰드 센서와 데이터 수집 시스템(여기에 표시된 측정 시스템)도 통합했습니다.
첫 번째 목표에 도달하면 폐쇄 루프 프로세스 제어를 달성하기 위한 몇 가지 단계가 더 필요합니다. 아마도 중간은 시각화를 하는 것이며 프로세스를 조정하고 부품 거부를 방지하기 위해 직접 중지 버튼을 누를 수 있습니다. 그래서 그것도 시작이다. 그런 다음 디지털 트윈을 개발할 수 있지만 교육 데이터가 필요합니다. 따라서 이를 어떻게든 제공해야 합니다. 즉, 입력 데이터로 사용할 몇 가지 부품을 생성할 수 있습니다. 그러나 품질이 낮은 부품도 생산해야 합니다. 따라서 머신 러닝 접근 방식 교육에 투자하려는 의지의 문제입니다.”
교육을 받으면 디지털 트윈은 프로세스 매개변수를 최적화하고 폐쇄 루프 프로세스 제어를 제공할 수 있습니다.
그러나 Sause는 CosiMo에서 취한 전이 학습 접근 방식이 “상황을 완전히 바꾸지 못하는 유사한 형상이나 재료 시스템 및 기타 변형으로 어느 정도 전이할 수 있음을 인정합니다. 따라서 이미 수집된 데이터를 사용하여 효율성 추세를 식별할 수 있는 가능성과 함께 이러한 방식으로 데이터베이스를 구축할 수 있습니다. 그런 다음 옆에 있을 수 있는 다른 질문에 사용할 수 있습니다.”
따라서 시작하는 방법은 다음과 같습니다. 센서를 사용하고 프로세스를 이해할 수 있도록 센서와 함께 사용할 디지털 모델을 구축하시겠습니까? "물론입니다."라고 Sause는 말합니다. “그리고 오늘날 생산에 사용되는 대부분의 기계는 여전히 매우 멍청하다는 것을 장담할 수 있습니다. 많은 기계에는 무슨 일이 일어나고 있는지에 대한 피드백을 제공하기 위한 데이터베이스를 제공할 수 있는 센서가 없습니다. 예, 센서 시스템의 통합이 가장 첫 번째 단계가 될 것입니다. 하지만 체계적인 데이터 수집 및 또한 데이터 저장 아키텍처를 제공하여 데이터로 무언가를 할 수 있습니다. . 실제로 센서가 통합되어 있지만 데이터로 아무 것도 하지 않는 회사를 많이 볼 수 있습니다.”
위의 질문에 답하면서 Sause는 UNA 내의 다양한 그룹과 센서 통합 및 디지털 트윈 서비스를 제공할 수 있는 분사 회사를 계속 방문했습니다. 이를 위해 아우크스부르크 AI 생산 네트워크는 UNA, DLR ZLP 및 Fraunhofer IGCV에 의해 2021년 1월에 시작되었습니다. "협업 프레임워크는 과거에 DLR 및 Fraunhofer와 함께 했던 프로젝트에서 비롯되었습니다."라고 Sause는 말합니다. “우리는 CosiMo에서 AI 기반 생산 개발의 청사진을 취하고 있으며 이제 이를 매우 광범위한 규모로 확장하고 있습니다. 예를 들어 CosiMo에서 우리 작업의 예산은 1000만 유로였지만 AI Production Network의 경우 초기 자금으로 9200만 유로입니다. 이것은 우리에게 제조에서 AI를 활용하는 CosiMo와 같은 많은 새로운 연구 프로젝트를 시작할 가능성을 제공할 것입니다. 그리고 우리는 합성물에서만 작업하는 것이 아니라 합성물에 집중하고 있습니다.”
초음파 센서를 사용하여 CNC 가공을 개선하는 것은 이미 2021년에 시작된 프로젝트 중 하나입니다. "세라믹 매트릭스 복합재(CMC)의 재활용에 대해 막 시작하려는 프로젝트가 있습니다."라고 Sause는 말합니다. 적층 제조 및 특별히 재활용된 섬유 강화 재료의 재사용."
각 기관이 담당할 역할에 대해 Sause는 각 기관에 할당된 예산이 있기 때문에 경쟁이 없다고 설명합니다. “우리 모두는 우리의 몫을 가지고 있으므로 과거처럼 자유롭게 협력할 수 있습니다. 또한 우리는 서로에 대해 잘 알고 있으며 우리의 역량, 강점 및 약점을 알고 있습니다. 우리가 할 수 있는 것과 할 수 없는 것을 알고 있기 때문에 함께 일하는 것이 즐겁습니다. 우리와 함께 일하기를 원하는 많은 회사들이 우리에게 접근했고 우리는 지금 우리의 역량 측면에서 이상적인 짝을 찾는 방법에 대해 논의하고 있습니다.”
Sause는 5,000제곱미터 규모의 생산 시설에 대해 "모두 함께 운영할 것"이라고 말합니다. “2023년 초에 개장하여 기계 설치를 시작할 계획입니다. 그리고 개별 세포를 함께 연결하는 자동화된 생산 설정을 제공할 것입니다. 그 중 많은 부분이 복합 생산 기술에 중점을 둘 것입니다. 그리고 우리는 그러한 생산 환경에서 AI가 할 수 있는 일을 업계 파트너에게 선보이고 시연하기 위해 그렇게 할 것입니다. 우리는 또한 업계의 파트너가 들어오고 우리 시설에 기계를 배치하여 프로젝트를 함께 실행하여 해당 사이트에 대한 새로운 솔루션을 연결하고 통합하는 방법을 볼 수 있기를 바랍니다."
수지
제조업체는 여러 이점을 제공하기 때문에 CNC 가공을 선택합니다. CNC 머시닝은 기존 머시닝보다 높은 생산성과 적은 오류를 보장할 수 있지만 품질 검사는 여전히 제조 공정에서 없어서는 안될 부분입니다. 품질 관리 및 검사는 가공의 모든 단계에서 수행됩니다. 또한 품질 보증은 품질 관리와 다른 중요한 측면입니다. 품질보증이란 조직과 권한을 부여받은 기관이 정한 품질검사의 과정을 말한다. 여기에는 관련 문서도 포함됩니다. 따라서 품질 보증은 프로세스와 문서의 수립이며 품질 관리는 정기적으로 또는 필요에 따라 구현됩니다. 품질 관리는
초음파 가공이라고 들어보셨나요? 초음파 진동 가공이라고도 하며, 입자와 결합된 고주파 진동을 사용하여 공작물에서 재료를 제거하는 데 사용되는 제조 공정입니다. 초음파 도구는 기본적으로 시간이 지남에 따라 사용되는 공작물에서 재료를 제거하는 많은 작은 진동을 생성합니다. 초음파 가공 및 작동 방식에 대해 자세히 알아보려면 계속 읽으십시오. 초음파 가공이란 무엇입니까? 초음파 가공은 미세한 연마 입자가 있는 상태에서 재료 표면에 대한 공구의 고주파, 낮은 진폭 진동을 통해 부품 표면에서 재료를 제거하는 절삭 가공 공정입니다. 도구
