DESOUS: Development of new SOlutions for the Intelligent Machining of Honeycomb Sandwich Materials (Q7338686)
Jump to navigation
Jump to search
Project RGE003222 in France
| Language | Label | Description | Also known as |
|---|---|---|---|
| English | DESOUS: Development of new SOlutions for the Intelligent Machining of Honeycomb Sandwich Materials |
Project RGE003222 in France |
Statements
246,602.84 Euro
0 references
38.00 percent
0 references
1 March 2022
0 references
30 April 2026
0 references
Université de Lorraine
0 references
L'analyse dynamique de l'interaction outil-pièce est considérée aujourd'hui comme l'un des verrous technologiques et scientifiques clés à lever. En effet, les industriels souhaitent de plus en plus contrôler 'en temps réel' la qualité de leurs produits pendant l'usinage. Pour cela, de nombreux paramètres et de données sont à considérer : les stratégies de fabrication, les outils de production et les méthodes d'usinages associées, le comportement dynamique et vibratoire de la machine, le placement optimal et l'intégration des capteurs, le stockage et le traitement des données en temps réel (les données peuvent êtres hétérogènes et de grande dimension : big data), etc. Il s'agit donc de développer des méthodes de diagnostic et de pronostic de la qualité d'usinage de pièces, qui peuvent être de grandes dimensions, avoir des géométries complexes (matériaux en nid d'abeille, lattices, hybrides, ...). Deux grands axes de recherche seront développés dans ce projet : - une approche basée sur les outils et méthodologies classiques (model based supervision/control) et la capitalisation de connaissances phénoménologiques et savoir-faire associés, - une approche par intelligence artificielle qui consiste, dans un premier temps, à extraire les données à partir des mesures issues de capteurs et des caractéristiques construites et classées (data mining, data clustering). Et dans un deuxième temps, procéder au diagnostic et au pronostic réalisés par machine learning (French)
0 references
A análise dinâmica da interação ferramenta-peça é considerada hoje como um dos principais bloqueios tecnológicos e científicos a serem levantados. Na verdade, os fabricantes querem cada vez mais controlar a qualidade de seus produtos durante a usinagem em "tempo real". Para isso, muitos parâmetros e dados devem ser considerados: estratégias de fabrico, ferramentas de produção e métodos de maquinagem associados, comportamento dinâmico e vibracional da máquina, colocação e integração ótimas de sensores, armazenamento e tratamento de dados em tempo real (os dados podem ser heterogéneos e de grande dimensão: big data), etc. Trata-se, portanto, de desenvolver métodos de diagnóstico e prognóstico da qualidade das peças de maquinação, que podem ser de grandes dimensões, ter geometrias complexas (materiais de favo de mel, treliças, híbridos, etc.). Neste projeto serão desenvolvidas duas linhas principais de investigação: - uma abordagem baseada em ferramentas e metodologias clássicas (supervisão/controlo baseado em modelos) e na capitalização do conhecimento fenomenológico e do saber-fazer associado, - uma abordagem de inteligência artificial que consiste, em primeiro lugar, na extração de dados a partir de medições de sensores e de características construídas e classificadas (prospeção de dados, agrupamento de dados). E em um segundo passo, realizar o diagnóstico e o prognóstico realizados pela aprendizagem de máquina (Portuguese)
0 references
L'analisi dinamica dell'interazione utensile-pezzo è considerata oggi come una delle serrature tecnologiche e scientifiche chiave da sollevare. In effetti, i produttori vogliono sempre più controllare la qualità dei loro prodotti durante la lavorazione in "tempo reale". Per questo, devono essere considerati molti parametri e dati: strategie di produzione, strumenti di produzione e metodi di lavorazione associati, comportamento dinamico e vibrazionale della macchina, posizionamento e integrazione ottimali dei sensori, archiviazione ed elaborazione dei dati in tempo reale (i dati possono essere eterogenei e di grandi dimensioni: big data), ecc. Si tratta quindi di sviluppare metodi di diagnosi e prognosi della qualità delle parti di lavorazione, che possono essere di grandi dimensioni, avere geometrie complesse (materiali a nido d'ape, reticoli, ibridi, ...). In questo progetto saranno sviluppate due linee di ricerca principali: - un approccio basato su strumenti e metodologie classiche (supervisione/controllo basati su modelli) e la capitalizzazione delle conoscenze fenomenologiche e del know-how associato, - un approccio basato sull'intelligenza artificiale che consiste, in primo luogo, nell'estrarre dati dalle misurazioni da sensori e da caratteristiche costruite e classificate (data mining, data clustering). E in una seconda fase, eseguire la diagnosi e la prognosi effettuate dal machine learning (Italian)
0 references
Dynamic analysis of tool-piece interaction is considered today as one of the key technological and scientific locks to be lifted. Indeed, manufacturers increasingly want to control the quality of their products during machining in 'real time'. For this, many parameters and data must be considered: manufacturing strategies, production tools and associated machining methods, dynamic and vibrational behaviour of the machine, optimal placement and integration of sensors, storage and processing of data in real time (data can be heterogeneous and large: big data), etc. It is therefore a question of developing methods of diagnosis and prognosis of the quality of machining parts, which can be large dimensions, have complex geometries (honeycomb materials, lattices, hybrids, ...). Two main lines of research will be developed in this project: - an approach based on classical tools and methodologies (model based supervision/control) and the capitalization of phenomenological knowledge and associated know-how, - an artificial intelligence approach which consists, in the first instance, in extracting data from measurements from sensors and from constructed and classified characteristics (data mining, data clustering). And in a second step, carry out the diagnosis and prognosis carried out by machine learning (English)
0 references
Η δυναμική ανάλυση της αλληλεπίδρασης εργαλειομηχανών θεωρείται σήμερα ως μία από τις βασικές τεχνολογικές και επιστημονικές κλειδαριές που πρέπει να αρθούν. Πράγματι, οι κατασκευαστές θέλουν όλο και περισσότερο να ελέγχουν την ποιότητα των προϊόντων τους κατά τη διάρκεια της κατεργασίας σε «πραγματικό χρόνο». Για το σκοπό αυτό, πρέπει να ληφθούν υπόψη πολλές παράμετροι και δεδομένα: στρατηγικές κατασκευής, εργαλεία παραγωγής και συναφείς μέθοδοι κατεργασίας, δυναμική και δονητική συμπεριφορά της μηχανής, βέλτιστη τοποθέτηση και ενσωμάτωση αισθητήρων, αποθήκευση και επεξεργασία δεδομένων σε πραγματικό χρόνο (τα δεδομένα μπορεί να είναι ετερογενή και μεγάλα: ως εκ τούτου, πρόκειται για την ανάπτυξη μεθόδων διάγνωσης και πρόγνωσης της ποιότητας των μερών κατεργασίας, τα οποία μπορεί να είναι μεγάλες διαστάσεις, έχουν σύνθετες γεωμετρίες (υλικά κηρήθρας, πλέγματα, υβρίδια,...). Στο έργο αυτό θα αναπτυχθούν δύο βασικές γραμμές έρευνας: — μια προσέγγιση βασισμένη σε κλασικά εργαλεία και μεθοδολογίες (υπόδειγμα εποπτείας/ελέγχου) και στην κεφαλαιοποίηση φαινομενολογικών γνώσεων και συναφών τεχνογνωσίας — μια προσέγγιση τεχνητής νοημοσύνης που συνίσταται, κατ’ αρχάς, στην εξαγωγή δεδομένων από μετρήσεις από αισθητήρες και από κατασκευασμένα και διαβαθμισμένα χαρακτηριστικά (εξόρυξη δεδομένων, ομαδοποίηση δεδομένων). Και σε ένα δεύτερο βήμα, πραγματοποιήστε τη διάγνωση και την πρόγνωση που πραγματοποιείται μέσω της μηχανικής μάθησης (Greek)
0 references
Instrumentu un detaļu mijiedarbības dinamiskā analīze šodien tiek uzskatīta par vienu no galvenajām tehnoloģiskajām un zinātniskajām slēdzenēm, kas jāatceļ. Patiešām, ražotāji arvien vairāk vēlas kontrolēt savu produktu kvalitāti apstrādes laikā "reālā laikā". Šajā nolūkā jāņem vērā daudzi parametri un dati: ražošanas stratēģijas, ražošanas rīki un saistītās apstrādes metodes, mašīnas dinamiskā un vibrācijas uzvedība, sensoru optimāla izvietošana un integrācija, datu glabāšana un apstrāde reāllaikā (dati var būt neviendabīgi un lieli: lielie dati) utt. Tāpēc ir jāizstrādā metodes, kā diagnosticēt un prognozēt apstrādes detaļu kvalitāti, kas var būt lieli izmēri, kam ir sarežģīta ģeometrija (medus šūnu materiāli, režģi, hibrīdi utt.). Šajā projektā tiks izstrādāti divi galvenie pētniecības virzieni: - pieeja, kas balstīta uz klasiskiem instrumentiem un metodēm (uz modeļiem balstīta uzraudzība/kontrole) un fenomenoloģisko zināšanu un ar tām saistītās zinātības kapitalizāciju, - mākslīgā intelekta pieeja, kas pirmām kārtām ietver datu ieguvi no mērījumiem no sensoriem un no konstruētiem un klasificētiem raksturlielumiem (datu ieguve, datu kopu veidošana). Un otrajā posmā veiciet diagnozi un prognozi, ko veic mašīnmācīšanās. (Latvian)
0 references
Dynamická analýza interakce nástroj-díl je dnes považována za jeden z klíčových technologických a vědeckých zámků, které je třeba zvednout. Výrobci totiž stále více chtějí kontrolovat kvalitu svých výrobků během obrábění v "reálném čase". Za tímto účelem je třeba vzít v úvahu mnoho parametrů a údajů: výrobní strategie, výrobní nástroje a související metody obrábění, dynamické a vibrační chování stroje, optimální umístění a integrace senzorů, ukládání a zpracování dat v reálném čase (data mohou být heterogenní a velká: big data), atd. Je tedy otázkou vývoje metod diagnostiky a prognózy kvality obráběných dílů, které mohou mít velké rozměry, mají složité geometrie (materiály plástve, mřížky, hybridy, ...). V rámci tohoto projektu budou rozvíjeny dvě hlavní směry výzkumu: přístup založený na klasických nástrojích a metodikách (modelový dohled/kontrola) a využití fenomenologických znalostí a souvisejícího know-how, - přístup založený na umělé inteligenci, který spočívá v první řadě v získávání dat z měření ze senzorů a z konstruovaných a klasifikovaných charakteristik (vytěžování dat, shlukování dat). A ve druhém kroku proveďte diagnózu a prognózu prováděnou strojovým učením (Czech)
0 references
Dynamische analyse van gereedschap-stuk interactie wordt vandaag beschouwd als een van de belangrijkste technologische en wetenschappelijke sloten die moeten worden opgeheven. Fabrikanten willen immers steeds meer de kwaliteit van hun producten controleren tijdens het bewerken in 'real time'. Hiervoor moeten veel parameters en gegevens worden overwogen: productiestrategieën, productiehulpmiddelen en bijbehorende bewerkingsmethoden, dynamisch en trillingsgedrag van de machine, optimale plaatsing en integratie van sensoren, opslag en verwerking van gegevens in realtime (gegevens kunnen heterogeen en groot zijn: big data), enz. Het is daarom een kwestie van het ontwikkelen van methoden voor diagnose en prognose van de kwaliteit van bewerkingsonderdelen, die grote afmetingen kunnen hebben, complexe geometrieën hebben (honingraatmaterialen, roosters, hybriden, ...). In dit project zullen twee hoofdlijnen van onderzoek worden ontwikkeld: - een benadering op basis van klassieke instrumenten en methodologieën (modelgebaseerd toezicht/controle) en de kapitalisatie van fenomenologische kennis en daarmee samenhangende knowhow, - een benadering op basis van artificiële intelligentie die in de eerste plaats bestaat uit het extraheren van gegevens uit metingen van sensoren en uit geconstrueerde en geclassificeerde kenmerken (datamining, gegevensclustering). En in een tweede stap, het uitvoeren van de diagnose en prognose uitgevoerd door machine learning (Dutch)
0 references
Analiza dinamică a interacțiunii instrument-piesă este considerată astăzi ca fiind una dintre principalele încuietori tehnologice și științifice care trebuie ridicate. Într-adevăr, producătorii doresc din ce în ce mai mult să controleze calitatea produselor lor în timpul prelucrării în "timp real". Pentru aceasta, trebuie luați în considerare mulți parametri și date: strategii de fabricație, instrumente de producție și metode de prelucrare asociate, comportamentul dinamic și vibrațional al mașinii, amplasarea și integrarea optimă a senzorilor, stocarea și prelucrarea datelor în timp real (datele pot fi eterogene și de mari dimensiuni: date mari), etc. Este, prin urmare, o chestiune de dezvoltare a metodelor de diagnosticare și prognoză a calității pieselor de prelucrare, care pot fi de dimensiuni mari, au geometrii complexe (materiale de fagure, zăbrele, hibrizi, ...). În cadrul acestui proiect vor fi dezvoltate două direcții principale de cercetare: - o abordare bazată pe instrumente şi metodologii clasice (supraveghere/control pe bază de model) şi valorificarea cunoştinţelor fenomenologice şi a know-how-ului asociat, - o abordare a inteligenţei artificiale care constă, în primul rând, în extragerea datelor din măsurătorile senzorilor şi din caracteristicile construite şi clasificate (data mining, data clustering). Și într-o a doua etapă, efectuați diagnosticul și prognosticul efectuat prin învățarea automată (Romanian)
0 references
Työkalujen välisen vuorovaikutuksen dynaamista analysointia pidetään nykyään yhtenä tärkeimmistä teknologisista ja tieteellisistä lukoista, jotka on poistettava. Valmistajat haluavatkin yhä useammin valvoa tuotteidensa laatua työstön aikana "reaaliajassa". Tätä varten on otettava huomioon monia muuttujia ja tietoja: valmistusstrategiat, tuotantotyökalut ja niihin liittyvät työstömenetelmät, koneen dynaaminen ja värähtelykäyttäytyminen, anturien optimaalinen sijoittaminen ja integrointi, tietojen tallennus ja käsittely reaaliajassa (tiedot voivat olla heterogeenisiä ja suuria: massadata) jne. Siksi on kehitettävä diagnoosimenetelmiä ja ennusteita työstöosien laadusta, jotka voivat olla suuria mittoja, joilla on monimutkaisia geometrioita (hunajakennomateriaaleja, ristikoita, hybridejä jne.). Hankkeessa kehitetään kahta päätutkimuslinjaa: - perinteisiin välineisiin ja menetelmiin perustuva lähestymistapa (mallipohjainen valvonta) ja fenomenologisen tietämyksen ja siihen liittyvän taitotiedon hyödyntäminen - tekoälyyn perustuva lähestymistapa, joka koostuu ensisijaisesti datan poimimisesta mittauksista antureista sekä rakennetuista ja luokitelluista ominaisuuksista (tiedonlouhinta, dataklusterointi). Ja toisessa vaiheessa suorita diagnoosi ja ennuste koneoppimisen avulla (Finnish)
0 references
Dynamisk analys av verktygsdelsinteraktion anses idag vara en av de viktigaste tekniska och vetenskapliga lås som ska lyftas. Faktum är att tillverkarna i allt högre grad vill kontrollera kvaliteten på sina produkter under bearbetning i "realtid". För detta måste många parametrar och data beaktas: tillverkningsstrategier, produktionsverktyg och tillhörande bearbetningsmetoder, maskinens dynamiska och vibrationella beteende, optimal placering och integrering av sensorer, lagring och bearbetning av data i realtid (data kan vara heterogena och stora: stora data), etc. Det är därför en fråga om att utveckla metoder för diagnos och prognos av kvaliteten på bearbetningsdelar, som kan vara stora dimensioner, har komplexa geometrier (honungskombmaterial, galler, hybrider, ...). Två huvudsakliga forskningsinriktningar kommer att utvecklas i detta projekt: - en strategi som bygger på klassiska verktyg och metoder (modellbaserad övervakning/kontroll) och kapitalisering av fenomenologisk kunskap och tillhörande know-how, - en strategi för artificiell intelligens som i första hand består i att extrahera data från mätningar från sensorer och från konstruerade och klassificerade egenskaper (datautvinning, datakluster). Och i ett andra steg, utföra diagnosen och prognosen som utförs av maskininlärning (Swedish)
0 references
Dynamická analýza interakcie medzi náradím a kusom náradia sa dnes považuje za jednu z kľúčových technologických a vedeckých zámkov, ktoré treba zrušiť. Výrobcovia chcú v skutočnosti čoraz viac kontrolovať kvalitu svojich výrobkov počas obrábania v "reálnom čase". Na tento účel je potrebné zvážiť mnohé parametre a údaje: výrobné stratégie, výrobné nástroje a súvisiace metódy obrábania, dynamické a vibračné správanie stroja, optimálne umiestnenie a integrácia snímačov, uchovávanie a spracovanie údajov v reálnom čase (údaje môžu byť heterogénne a veľké: veľké dáta) atď. Ide preto o vývoj metód diagnostiky a prognózy kvality obrábacích dielov, ktoré môžu mať veľké rozmery, zložité geometrie (materiály z medových plástov, mriežky, hybridy atď.). V rámci tohto projektu sa vypracujú dve hlavné línie výskumu: - prístup založený na klasických nástrojoch a metodikách (modelový dohľad/kontrola) a kapitalizácii fenomenologických poznatkov a súvisiaceho know-how, - prístup založený na umelej inteligencii, ktorý spočíva v prvom rade v extrakcii údajov z meraní zo snímačov a z vytvorených a klasifikovaných charakteristík (hĺbková analýza údajov, zoskupovanie údajov). A v druhom kroku vykonajte diagnózu a prognózu vykonanú strojovým učením. (Slovak)
0 references
Dinaminė įrankio ir gabalo sąveikos analizė šiandien laikoma vienu iš pagrindinių technologinių ir mokslinių užraktų, kuriuos reikia pakelti. Iš tiesų, gamintojai vis labiau nori kontroliuoti savo produktų kokybę mechaninio apdirbimo metu "realiu laiku". Tam reikia atsižvelgti į daugelį parametrų ir duomenų: gamybos strategijos, gamybos priemonės ir susiję apdirbimo metodai, dinaminė ir vibracinė mašinos elgsena, optimalus jutiklių išdėstymas ir integravimas, duomenų saugojimas ir apdorojimas realiuoju laiku (duomenys gali būti nevienalyčiai ir dideli: dideli duomenys) ir tt Todėl tai yra mechaninio apdirbimo dalių, kurios gali būti didelių matmenų, sudėtingų geometrijų (korio medžiagų, grotelių, hibridų ir kt.), Diagnostikos ir prognozavimo metodų kūrimo klausimas. Šiame projekte bus plėtojamos dvi pagrindinės mokslinių tyrimų kryptys: - klasikinėmis priemonėmis ir metodikomis pagrįstas metodas (modeliu grindžiama priežiūra ir (arba) kontrolė) ir fenomenologinių žinių bei susijusios praktinės patirties kapitalizavimas, - dirbtinio intelekto metodas, kurį visų pirma sudaro matavimų duomenų gavimas iš jutiklių ir iš sukonstruotų bei klasifikuotų charakteristikų (duomenų gavyba, duomenų grupavimas). Antrame žingsnyje atlikite mašinų mokymosi diagnostiką ir prognozę (Lithuanian)
0 references
Динамичният анализ на взаимодействието инструмент-част днес се счита за една от ключовите технологични и научни ключалки, които трябва да бъдат вдигнати. Всъщност производителите все повече искат да контролират качеството на своите продукти по време на машинната обработка в „реално време“. За тази цел трябва да се вземат предвид много параметри и данни: производствени стратегии, производствени инструменти и свързаните с тях методи на обработка, динамично и вибрационно поведение на машината, оптимално поставяне и интегриране на датчици, съхранение и обработка на данни в реално време (данните могат да бъдат разнородни и големи: големи данни) и т.н. Следователно става въпрос за разработване на методи за диагностика и прогноза за качеството на обработващите части, които могат да бъдат големи размери, имат сложни геометрии (медна пита, решетки, хибриди,...). В рамките на този проект ще бъдат разработени две основни направления на научните изследвания: — подход, основан на класически инструменти и методологии (моделен надзор/контрол) и капитализиране на феноменологичните знания и свързаното с тях ноу-хау — подход на изкуствения интелект, който се състои на първо място в извличането на данни от измервания от сензори и от изградени и класифицирани характеристики (извличане на данни, групиране на данни). И като втора стъпка, извършете диагнозата и прогнозата, извършена чрез машинно обучение (Bulgarian)
0 references
Analiżi dinamika tal-interazzjoni tal-biċċa tal-għodda hija kkunsidrata llum bħala waħda mis-serraturi teknoloġiċi u xjentifiċi ewlenin li għandhom jitneħħew. Fil-fatt, il-manifatturi jridu dejjem aktar jikkontrollaw il-kwalità tal-prodotti tagħhom waqt il-magni f'"ħin reali." Għal dan il-għan, għandhom jiġu kkunsidrati ħafna parametri u data: l-istrateġiji tal-manifattura, l-għodod tal-produzzjoni u l-metodi ta’ mmaxinjar assoċjati, l-imġiba dinamika u vibrazzjonali tal-magna, it-tqegħid u l-integrazzjoni ottimali tas-sensuri, il-ħżin u l-ipproċessar tad-data f’ħin reali (id-data tista’ tkun eteroġenja u kbira: big data), eċċ Għalhekk hija kwistjoni ta 'żvilupp ta' metodi ta 'dijanjosi u pronjożi tal-kwalità tal-partijiet tal-magni, li jistgħu jkunu dimensjonijiet kbar, għandhom ġeometriji kumplessi (materjali tax-xehda, lattices, ibridi, ...). F'dan il-proġett se jiġu żviluppati żewġ linji ewlenin ta' riċerka: - approċċ ibbażat fuq għodod u metodoloġiji klassiċi (superviżjoni/kontroll ibbażati fuq mudell) u l-kapitalizzazzjoni tal-għarfien fenomenoloġiku u l-għarfien espert assoċjat, - approċċ ta’ intelliġenza artifiċjali li jikkonsisti, l-ewwel nett, fl-estrazzjoni ta’ data minn kejl minn sensuri u minn karatteristiċi mibnija u kklassifikati (estrazzjoni ta’ data, raggruppament ta’ data). U fit-tieni pass, twettaq id-dijanjosi u l-pronjosi mwettqa mit-tagħlim tal-magni (Maltese)
0 references
El análisis dinámico de la interacción herramienta-pieza se considera hoy en día como uno de los bloqueos tecnológicos y científicos clave que deben levantarse. De hecho, los fabricantes quieren controlar cada vez más la calidad de sus productos durante el mecanizado en "tiempo real". Para ello, se deben tener en cuenta muchos parámetros y datos: estrategias de fabricación, herramientas de producción y métodos de mecanizado asociados, comportamiento dinámico y vibratorio de la máquina, colocación e integración óptimas de sensores, almacenamiento y procesamiento de datos en tiempo real (los datos pueden ser heterogéneos y grandes: big data), etc. Por lo tanto, se trata de desarrollar métodos de diagnóstico y pronóstico de la calidad de las piezas de mecanizado, que pueden ser de grandes dimensiones, tienen geometrías complejas (materiales de panal de miel, celosías, híbridos, ...). En este proyecto se desarrollarán dos líneas principales de investigación: - un enfoque basado en herramientas y metodologías clásicas (supervisión / control basado en modelos) y la capitalización del conocimiento fenomenológico y los conocimientos técnicos asociados, - un enfoque de inteligencia artificial que consiste, en primera instancia, en extraer datos de mediciones de sensores y de características construidas y clasificadas (minería de datos, agrupación de datos). Y en un segundo paso, llevar a cabo el diagnóstico y pronóstico llevado a cabo por machine learning (Spanish)
0 references
Tööriista-osa interaktsiooni dünaamilist analüüsi peetakse tänapäeval üheks peamiseks tehnoloogiliseks ja teaduslikuks lukuks, mis tuleb eemaldada. Tõepoolest, tootjad soovivad üha enam kontrollida oma toodete kvaliteeti "reaalajas" töötlemise ajal. Selleks tuleb arvesse võtta paljusid parameetreid ja andmeid: tootmisstrateegiad, tootmisvahendid ja nendega seotud töötlemismeetodid, masina dünaamiline ja vibratsiooniline käitumine, andurite optimaalne paigutus ja integreerimine, andmete salvestamine ja töötlemine reaalajas (andmed võivad olla heterogeensed ja suured: suurandmed) jne. Seega on küsimus diagnostikameetodite väljatöötamises ja mehaaniliste osade kvaliteedi prognoosimises, mis võivad olla suured mõõtmed, keeruka geomeetriaga (kärjematerjalid, võred, hübriidid jne). Selle projekti raames töötatakse välja kaks peamist uurimissuunda: - lähenemisviis, mis põhineb klassikalistel vahenditel ja meetoditel (mudelipõhine järelevalve/kontroll) ning fenomenoloogiliste teadmiste ja nendega seotud oskusteabe kapitaliseerimisel, - tehisintellektil põhinev lähenemisviis, mis seisneb eelkõige andmete eraldamises andurite mõõtmistest ning konstrueeritud ja klassifitseeritud omadustest (andmekaeve, andmete koondamine). Ja teise sammuna teostage masinõppe abil tehtud diagnoos ja prognoos. (Estonian)
0 references
Die dynamische Analyse der Werkzeug-Werkstück-Interaktion gilt heute als eine der wichtigsten technologischen und wissenschaftlichen Hürden, die es zu überwinden gilt. In der Tat wollen die Hersteller zunehmend die Qualität ihrer Produkte während der Bearbeitung "in Echtzeit" kontrollieren. Zu diesem Zweck sind zahlreiche Parameter und Daten zu berücksichtigen: Fertigungsstrategien, Produktionswerkzeuge und die damit verbundenen Bearbeitungsmethoden, dynamisches und Vibrationsverhalten der Maschine, optimale Platzierung und Integration der Sensoren, Speicherung und Verarbeitung der Daten in Echtzeit (die Daten können heterogen und groß sein: Big Data), etc. Es geht also darum, Methoden zur Diagnose und Prognose der Bearbeitungsqualität von Werkstücken zu entwickeln, die große Abmessungen haben können, komplexe Geometrien haben können (Wabenmaterialien, Lattices, Hybride, ...). Im Rahmen dieses Projekts werden zwei große Forschungsschwerpunkte entwickelt: - ein Ansatz, der auf den klassischen Instrumenten und Methoden (model based surveillance/control) und der Kapitalisierung des damit verbundenen phänomenologischen Wissens und Know-hows basiert, - ein Ansatz mit künstlicher Intelligenz, der in einem ersten Schritt darin besteht, die Daten aus den Messungen der Sensoren und den konstruierten und klassifizierten Merkmalen (data mining, data clustering) zu extrahieren. Und in einem zweiten Schritt mit der Diagnose und Prognose durch maschinelles Lernen fortfahren (German)
0 references
Dynamisk analyse af værktøj-stykke interaktion betragtes i dag som en af de vigtigste teknologiske og videnskabelige låse, der skal løftes. Faktisk ønsker producenterne i stigende grad at kontrollere kvaliteten af deres produkter under bearbejdning i "realtid". Til dette skal mange parametre og data overvejes: produktionsstrategier, produktionsværktøjer og tilhørende bearbejdningsmetoder, maskinens dynamiske og vibrationelle adfærd, optimal placering og integration af sensorer, lagring og behandling af data i realtid (data kan være heterogene og store: big data), etc. Det er derfor et spørgsmål om at udvikle metoder til diagnose og prognose for kvaliteten af bearbejdning dele, som kan være store dimensioner, har komplekse geometrier (honningkam materialer, gitter, hybrider, ...). To hovedlinjer af forskning vil blive udviklet i dette projekt: - en tilgang baseret på klassiske værktøjer og metoder (modelbaseret overvågning/kontrol) og kapitalisering af fænomenologisk viden og tilhørende knowhow - en tilgang baseret på kunstig intelligens, som i første omgang består i at udtrække data fra målinger fra sensorer og fra konstruerede og klassificerede karakteristika (datamining, dataklynger). Og i et andet trin skal du udføre diagnosen og prognosen udført af maskinindlæring. (Danish)
0 references
Dinamička analiza interakcije alatnog dijela danas se smatra jednom od ključnih tehnoloških i znanstvenih brava koje treba podići. Doista, proizvođači sve više žele kontrolirati kvalitetu svojih proizvoda tijekom strojne obrade u "stvarnom vremenu". Za to se moraju uzeti u obzir mnogi parametri i podaci: proizvodne strategije, proizvodni alati i pripadajuće metode strojne obrade, dinamičko i vibracijsko ponašanje stroja, optimalno postavljanje i integracija senzora, pohrana i obrada podataka u stvarnom vremenu (podaci mogu biti heterogeni i veliki: veliki podaci), itd. Stoga je riječ o razvoju metoda dijagnoze i prognoze kvalitete strojnih dijelova, koji mogu biti velikih dimenzija, imati složene geometrije (materijali saća, rešetke, hibridi, ...). U okviru ovog projekta razvit će se dvije glavne linije istraživanja: - pristup temeljen na klasičnim alatima i metodologijama (nadzor/kontrola temeljena na modelu) i kapitalizaciji fenomenološkog znanja i povezanog znanja, - pristup umjetne inteligencije koji se u prvom redu sastoji od izdvajanja podataka iz mjerenja iz senzora te iz konstruiranih i klasificiranih karakteristika (rudarenje podataka, grupiranje podataka). I u drugom koraku, provedite dijagnozu i prognozu koja se provodi strojnim učenjem (Croatian)
0 references
Dinamična analiza interakcije med orodjem in delom danes velja za eno ključnih tehnoloških in znanstvenih ključavnic, ki jih je treba odpraviti. Dejansko proizvajalci vedno bolj želijo nadzorovati kakovost svojih izdelkov med obdelavo v "realnem času". Za to je treba upoštevati številne parametre in podatke: proizvodne strategije, proizvodna orodja in z njimi povezane metode strojne obdelave, dinamično in vibracijsko vedenje stroja, optimalna namestitev in integracija senzorjev, shranjevanje in obdelava podatkov v realnem času (podatki so lahko heterogeni in veliki: masovni podatki) itd. Gre torej za razvoj metod diagnostike in prognoze kakovosti obdelovalnih delov, ki so lahko velike dimenzije, imajo kompleksne geometrije (materiali iz satja, rešetke, hibridi, ...). V okviru tega projekta bosta razviti dve glavni smeri raziskav: - pristop, ki temelji na klasičnih orodjih in metodologijah (nadzor/kontrola na podlagi modela) ter kapitalizaciji fenomenološkega znanja in z njim povezanega strokovnega znanja, - pristop umetne inteligence, ki v prvi vrsti zajema pridobivanje podatkov iz meritev iz senzorjev ter iz konstruiranih in razvrščenih značilnosti (podatkovno rudarjenje, združevanje podatkov). In v drugem koraku opravite diagnozo in prognozo, ki se izvaja s strojnim učenjem. (Slovenian)
0 references
A szerszám-darab kölcsönhatás dinamikus elemzését ma az egyik legfontosabb technológiai és tudományos zárnak tekintik. Valójában a gyártók egyre inkább "valós időben" szeretnék ellenőrizni termékeik minőségét a megmunkálás során. Ehhez számos paramétert és adatot kell figyelembe venni: gyártási stratégiák, gyártóeszközök és a kapcsolódó megmunkálási módszerek, a gép dinamikus és vibrációs viselkedése, az érzékelők optimális elhelyezése és integrálása, az adatok valós idejű tárolása és feldolgozása (az adatok heterogének és nagyok lehetnek: big data) stb. Ezért a megmunkálási alkatrészek minőségének diagnosztizálására és prognózisára szolgáló módszerek kidolgozásáról van szó, amelyek nagy méretűek lehetnek, összetett geometriákkal rendelkeznek (méhsejt anyagok, rácsok, hibridek stb.). A projekt keretében két fő kutatási irányvonal kerül kidolgozásra: - klasszikus eszközökön és módszereken alapuló megközelítés (modellalapú felügyelet/ellenőrzés), valamint a fenomenológiai ismeretek és a kapcsolódó know-how tőkésítése, - mesterséges intelligencián alapuló megközelítés, amely elsősorban az adatok érzékelőkből történő mérésekből, valamint épített és minősített jellemzőkből (adatbányászat, adatklaszterezés) történő kinyeréséből áll. És a második lépésben végezze el a gépi tanulással végzett diagnózist és prognózist (Hungarian)
0 references
Meastar inniu go bhfuil anailís dhinimiciúil ar idirghníomhaíocht phíosa uirlisí ar cheann de na príomhghlais theicneolaíocha agus eolaíocha atá le hardú. Go deimhin, is mian le monaróirí níos mó ná riamh cáilíocht a dtáirgí a rialú le linn meaisínithe i 'bhfíor-am'. Chuige seo, ní mór go leor paraiméadair agus sonraí a mheas: straitéisí monaraíochta, uirlisí táirgthe agus modhanna meaisínithe gaolmhara, iompraíocht dhinimiciúil agus chreathach an mheaisín, socrúchán agus comhtháthú optamach braiteoirí, stóráil agus próiseáil sonraí i bhfíor-am (féadfaidh na sonraí a bheith ilchineálach agus mór: sonraí móra), etc. Dá bhrí sin, is ceist í modhanna diagnóise agus prognóis a fhorbairt maidir le cáilíocht na gcodanna meaisínithe, ar féidir leo a bheith ina dtoisí móra, tá céimseata casta (ábhair meala, lattices, hibridí, ...). Forbrófar dhá phríomhlíne taighde sa tionscadal seo: - cur chuige atá bunaithe ar uirlisí agus modheolaíochtaí clasaiceacha (maoirseacht/rialú bunaithe ar shamhail) agus ar chaipitliú eolais fheiniméaneolaíoch agus fios gnó gaolmhar, - cur chuige intleachta saorga arb é atá ann, ar an gcéad dul síos, sonraí a bhaint as tomhais ó bhraiteoirí agus ó shaintréithe tógtha agus aicmithe (mianadóireacht sonraí, braisliú sonraí). Agus sa dara céim, déan an diagnóis agus an prognóis a dhéanann foghlaim meaisín (Irish)
0 references
27 November 2024
0 references
Identifiers
RGE003222
0 references