การตัดด้วยเลเซอร์ที่ขับเคลื่อนด้วย AI สามารถเร่งการปฏิวัติของ NEV Lightweighting ได้หรือไม่

ความจำเป็นในการลดน้ำหนักในรถยนต์พลังงานใหม่

ความสัมพันธ์ระหว่างมวลยานพาหนะและระยะไฟฟ้านั้นตรงและไม่น่าให้อภัย น้ำหนักลดที่เพิ่มขึ้นทุกๆ 100 กิโลกรัมจะช่วยลดระยะการใช้งานของรถยนต์ไฟฟ้าที่ใช้แบตเตอรี่ลงประมาณ 10 ถึง 15 เปอร์เซ็นต์ภายใต้สภาพการขับขี่จริง ขึ้นอยู่กับแพลตฟอร์มของยานพาหนะและเคมีของแบตเตอรี่ สำหรับผู้ผลิต NEV ที่ดำเนินธุรกิจในตลาดที่ความกังวลเรื่องระยะทางยังคงเป็นข้อกังวลหลักของผู้บริโภค การลดมวลโครงสร้างไม่ใช่การปรับปรุงทางวิศวกรรมที่เป็นทางเลือก มันเป็นข้อกำหนดพื้นฐานด้านการแข่งขัน

ความท้าทายคือการลดมวลของโครงสร้างไม่สามารถแลกกับประสิทธิภาพด้านความปลอดภัยจากการชน คุณลักษณะ NVH หรือความแข็งแกร่งของแรงบิดได้ โครงสร้างตัวถัง NEV จะต้องเป็นไปตามหรือเกินกว่ามาตรฐานการทดสอบการชนที่ใช้กับรถยนต์เครื่องยนต์สันดาปภายใน ในขณะเดียวกันก็ปกป้องชุดแบตเตอรี่จากการบุกรุกในสถานการณ์การชนด้านข้าง ด้านหน้า และด้านหลัง การปกป้องชุดแบตเตอรี่เพิ่มข้อกำหนดด้านโครงสร้างที่ไม่เทียบเท่าในการออกแบบยานพาหนะทั่วไป ทำให้ปัญหาการมีน้ำหนักเบาใน NEV ซับซ้อนกว่าในวิศวกรรมยานยนต์แบบดั้งเดิม

ชิ้นส่วนโครงสร้างแบบท่อกลายเป็นทางออกที่ดีสำหรับความท้าทายนี้ ท่อเหล็กที่มีความแข็งแรงสูง การอัดขึ้นรูปอะลูมิเนียม และท่อโพลีเมอร์เสริมคาร์บอนไฟเบอร์ให้อัตราส่วนความแข็งแรงต่อน้ำหนักที่ยอดเยี่ยมในการกำหนดค่าการโค้งงอและการรับแรงบิดที่สอดคล้องกับความต้องการทางโครงสร้างของตัวถังรถและการออกแบบแชสซีโดยธรรมชาติ รางเฟรม เสา A เสา B เสาธรณีประตู รางหลังคา และโครงสร้างขอบด้านนอกของตู้แบตเตอรี่ของ NEV สมัยใหม่พึ่งพาส่วนประกอบแบบท่อที่ตัดอย่างแม่นยำมากขึ้นเพื่อมอบประสิทธิภาพที่ต้องการที่มวลขั้นต่ำ

อย่างไรก็ตาม ความซับซ้อนทางเรขาคณิตของโครงสร้างตัวถัง NEV สมัยใหม่นั้นต้องการความแม่นยำในการตัดท่อและความยืดหยุ่น ซึ่งเกินกว่าที่ระบบการผลิตรุ่นก่อนหน้าสามารถทำได้มาก การตัดมุมแบบผสมที่ซับซ้อน รูปทรงปลายท่อที่ทำโปรไฟล์ซึ่งจับคู่กับส่วนประกอบที่อยู่ติดกัน รูและช่องในท่อสำหรับการกำหนดเส้นทางสายไฟและตัวยึดการประกอบ และโปรไฟล์ท่อและวัสดุที่หลากหลายที่ใช้ในโปรแกรมรถยนต์คันเดียว ล้วนสร้างสภาพแวดล้อมการผลิตที่ปัญญาประดิษฐ์มีบทบาทชี้ขาดในการดำเนินการ

เทคโนโลยีการตัดท่อในการผลิต NEV

เทคโนโลยีการตัดท่อหลักที่ใช้งานในการใช้งานน้ำหนักเบาของ NEV ได้แก่ การตัดด้วยเลเซอร์ การตัดพลาสม่า การตัดวอเตอร์เจ็ท และการเลื่อยเชิงกล โดยการตัดด้วยเลเซอร์โดดเด่นสำหรับการใช้งานที่มีความแม่นยำซึ่งเป็นตัวกำหนดการผลิตโครงสร้างตัวถัง NEV ที่ทันสมัย เทคโนโลยีแต่ละอย่างมีความสามารถเฉพาะตัว และการเลือกกระบวนการที่เหมาะสมสำหรับการใช้งานตัดท่อแต่ละอย่างถือเป็นการตัดสินใจที่การวางแผนกระบวนการด้วย AI มอบประสิทธิภาพที่เพิ่มขึ้นอย่างมีนัยสำคัญ

ระบบตัดไฟเบอร์เลเซอร์แสดงถึงมาตรฐานปัจจุบันสำหรับการตัดท่อที่มีความแม่นยำในการผลิต NEV เลเซอร์ไฟเบอร์ 3 มิติที่ทันสมัย เครื่องตัดท่อ รวมแหล่งกำเนิดเลเซอร์กำลังสูง โดยทั่วไปจะมีขนาดตั้งแต่ 3 ถึง 12 กิโลวัตต์ เข้ากับระบบการเคลื่อนที่แบบหกแกนที่สามารถหมุนและแปลชิ้นงานท่อได้ ในขณะเดียวกันก็วางตำแหน่งหัวตัดในสามมิติไปพร้อมๆ กัน การผสมผสานนี้ทำให้สามารถตัดรูปทรงคุณลักษณะใดๆ บนพื้นผิวใดๆ ของท่อได้จากการตั้งค่าเพียงครั้งเดียว ช่วยลดขั้นตอนการตั้งค่าหลายขั้นตอนที่ก่อนหน้านี้จำเป็นสำหรับรูปทรงท่อที่ซับซ้อน

ความเร็วในการตัดสำหรับท่ออะลูมิเนียมผนังบางบนเลเซอร์ไฟเบอร์กำลังสูงสมัยใหม่สามารถเกิน 50 เมตรต่อนาทีสำหรับการตัดแบบตรง โดยการตัดโปรไฟล์ที่ซับซ้อนจะเสร็จสมบูรณ์ด้วยอัตราการป้อนที่ลดลง ซึ่งจะช่วยรักษาคุณภาพการตัด ท่อเหล็กความแข็งแรงสูง โดยเฉพาะอย่างยิ่งเกรดเหล็กความแข็งแรงสูงขั้นสูงและเกรดเหล็กความแข็งแรงสูงพิเศษที่ใช้ในโครงสร้างความปลอดภัยของ NEV เพิ่มมากขึ้น จำเป็นต้องมีการจัดการพารามิเตอร์อย่างระมัดระวังมากขึ้น เนื่องจากความไวต่อความร้อนเข้า และความเสี่ยงที่โซนที่ได้รับผลกระทบจากความร้อนอ่อนตัวลง ซึ่งอาจส่งผลต่อคุณสมบัติทางกลที่สมเหตุสมผลในการใช้งาน

ความสามารถทางเรขาคณิตของระบบตัดท่อเลเซอร์ 3 มิติสมัยใหม่นั้นไม่จำกัดในแง่ของมุมตัดและความซับซ้อนของโปรไฟล์ แต่การบรรลุความสามารถนี้ในทางปฏิบัตินั้นจำเป็นต้องมีการสอบเทียบเครื่องจักรที่แม่นยำ การวางตำแหน่งชิ้นงานที่แม่นยำ และพารามิเตอร์การตัดที่ได้รับการปรับปรุงอย่างถูกต้องสำหรับวัสดุแต่ละชนิด ความหนาของผนัง และการผสมผสานทางเรขาคณิตของคุณลักษณะ นี่คือโดเมนที่การปรับกระบวนการตาม AI ให้เกิดประโยชน์สูงสุดสร้างมูลค่าที่สำคัญที่สุด

ปัญญาประดิษฐ์เปลี่ยนแปลงการดำเนินการตัดท่ออย่างไร

ปัญญาประดิษฐ์จะเข้าสู่การดำเนินการตัดท่อ NEV ที่หลายจุดในขั้นตอนการผลิต ตั้งแต่การสร้างโปรแกรมชิ้นส่วนเริ่มต้นไปจนถึงการตรวจสอบกระบวนการแบบเรียลไทม์และการควบคุมแบบปรับเปลี่ยนได้ ไปจนถึงการบำรุงรักษาเชิงคาดการณ์ของส่วนประกอบของระบบการตัด จุดแทรกแซงแต่ละจุดให้ประโยชน์เฉพาะ และผลสะสมของการบูรณาการ AI ทั่วทั้งขั้นตอนการทำงานทั้งหมด แสดงให้เห็นถึงการปรับปรุงประสิทธิภาพการดำเนินงานที่เปลี่ยนแปลงไปเมื่อเปรียบเทียบกับระบบการตัดท่อที่ไม่ใช่ AI ทั่วไป

ในขั้นตอนการวางแผนกระบวนการ อัลกอริธึมการซ้อนและการจัดลำดับโดยใช้ AI จะเพิ่มประสิทธิภาพการจัดสรรการตัดท่อตามความยาวสต็อคที่มีอยู่เพื่อลดการสูญเสียวัสดุ สำหรับการอัดขึ้นรูปอะลูมิเนียมมูลค่าสูงและท่อเหล็กความแข็งแรงสูงขั้นสูงที่ใช้ในงานน้ำหนักเบาของ NEV ต้นทุนวัสดุถือเป็นส่วนสำคัญของต้นทุนต่อชิ้นส่วน และแม้แต่การปรับปรุงเล็กน้อยในการใช้วัสดุก็ให้ผลตอบแทนทางการเงินที่สำคัญจากปริมาณการผลิต โมเดลแมชชีนเลิร์นนิงที่ได้รับการฝึกอบรมเกี่ยวกับข้อมูลการผลิตในอดีตสามารถคาดการณ์การกำหนดค่าการซ้อนที่เหมาะสมที่สุด ซึ่งคำนึงถึงความคลาดเคลื่อนของความตรงของท่อ ข้อจำกัดในการสิ้นสุดสต็อก และข้อกำหนดในการเรียงลำดับไปพร้อมๆ กัน ทำให้บรรลุอัตราการใช้ประโยชน์ที่การวางแผนด้วยตนเองไม่สามารถทำได้

การเพิ่มประสิทธิภาพพารามิเตอร์สำหรับคุณสมบัติการตัดแต่ละรายการเป็นอีกโดเมนหนึ่งที่ AI มอบคุณค่าที่สำคัญ การผสมผสานระหว่างเกรดวัสดุ ความหนาของผนัง โปรไฟล์ท่อ รูปทรงการตัด ประเภทแก๊สและความดันสนับสนุน ตำแหน่งโฟกัส และความเร็วตัดที่สร้างคุณภาพการตัดที่เหมาะสมที่สุดสำหรับตัวแปรแต่ละชุดร่วมกัน ถือเป็นปัญหาการปรับให้เหมาะสมในมิติสูงที่ผู้ปฏิบัติงานที่มีประสบการณ์ได้แก้ไขในอดีตผ่านความเชี่ยวชาญที่สั่งสมมาและการทดลองแบบลองผิดลองถูก โมเดล AI ที่ได้รับการฝึกบนฐานข้อมูลขนาดใหญ่ของข้อมูลประสิทธิภาพของพารามิเตอร์การตัดสามารถระบุชุดพารามิเตอร์ที่เหมาะสมที่สุดสำหรับการรวมตัวแปรใหม่ได้ทันที ช่วยขจัดขั้นตอนการทดลองและรับประกันคุณภาพที่สม่ำเสมอตั้งแต่ส่วนแรกของการดำเนินการผลิตใหม่แต่ละครั้ง

การควบคุมกระบวนการแบบปรับเปลี่ยนแบบเรียลไทม์แสดงถึงการประยุกต์ใช้ AI ที่มีความซับซ้อนทางเทคนิคมากที่สุดในการตัดท่อ วิชันซิสเต็ม เซ็นเซอร์วัดเสียง และเครื่องตรวจวัดการปล่อยพลาสม่าที่รวมอยู่ในหัวตัด ช่วยให้ได้รับข้อมูลสถานะกระบวนการอย่างต่อเนื่องในระหว่างการตัด แบบจำลอง AI ที่วิเคราะห์สตรีมข้อมูลนี้สามารถตรวจจับการเริ่มต้นของการลดคุณภาพการตัด เช่น การก่อตัวของขี้เถ้า การเจาะที่ไม่สมบูรณ์ หรือการแปรผันของความกว้างของรอยตัด และปรับพารามิเตอร์การตัดแบบเรียลไทม์เพื่อชดเชยก่อนที่จะผลิตชิ้นส่วนที่ชำรุด ความสามารถในการควบคุมการปรับตัวแบบวงปิดนี้ช่วยลดการเคลื่อนตัวของกระบวนการที่ทำให้เกิดการเปลี่ยนแปลงคุณภาพในระบบการตัดแบบวงเปิดแบบเดิมๆ ได้อย่างมีประสิทธิภาพ

วิชันซิสเต็มและการควบคุมคุณภาพมิติ

การควบคุมคุณภาพเชิงมิติเป็นข้อกำหนดที่สำคัญสำหรับการตัดท่อที่แม่นยำในการใช้งานโครงสร้างตัวถัง NEV ส่วนประกอบแบบท่อที่เป็นส่วนหนึ่งของชุดประกอบแบบเชื่อมหรือแบบยึดติดด้วยกาวต้องเป็นไปตามพิกัดความเผื่อที่แคบต่อความยาวในการตัด รูปทรงส่วนปลาย ตำแหน่งรู และความแม่นยำของโปรไฟล์ เพื่อให้แน่ใจว่าติดตั้งได้ถูกต้องในจิ๊กประกอบและคุณภาพข้อต่อที่เพียงพอในการเชื่อม การตรวจสอบขนาดแบบดั้งเดิมโดยใช้คอนแทคเกจหรือการวัดด้วยตนเองนั้นช้าเกินไปสำหรับการรวมเข้ากับสายการผลิตที่มีปริมาณมาก และให้ข้อมูลมีความหนาแน่นไม่เพียงพอที่จะสนับสนุนกิจกรรมการปรับปรุงกระบวนการ

ระบบวิชันซิสเต็มที่ขับเคลื่อนด้วย AI ที่รวมอยู่ในสายการตัดท่อจะบันทึกข้อมูลมิติในทุกคุณสมบัติการตัดของทุกชิ้นส่วนที่ผลิต สร้างบันทึกมิติการผลิตที่สมบูรณ์ซึ่งสนับสนุนทั้งการตัดสินใจด้านคุณภาพทันทีและการวิเคราะห์การปรับปรุงกระบวนการในระยะยาว โมเดลการเรียนรู้เชิงลึกที่ได้รับการฝึกบนชุดข้อมูลรูปภาพที่มีคำอธิบายประกอบสามารถระบุความเบี่ยงเบนมิติ ปัญหาคุณภาพของพื้นผิว และความผิดปกติของสภาพขอบด้วยความเร็วและความสม่ำเสมอที่ผู้ตรวจสอบที่เป็นมนุษย์ไม่สามารถเทียบเคียงได้

ข้อมูลมิติที่บันทึกโดยระบบวิชันซิสเต็มแบบรวมยังป้อนกลับเข้าสู่ลูปควบคุมกระบวนการอีกด้วย การวิเคราะห์ทางสถิติของแนวโน้มด้านมิติตลอดการดำเนินการผลิตจะระบุอคติอย่างเป็นระบบที่เกิดจากการสึกหรอของเครื่องมือ การเคลื่อนตัวของความร้อนในโครงสร้างเครื่องจักร หรือการแปรผันของคุณสมบัติของวัสดุในสต็อคที่เข้ามา แบบจำลองกระบวนการที่ใช้ AI ใช้ข้อมูลแนวโน้มเหล่านี้เพื่อสร้างคำแนะนำในการแก้ไขพารามิเตอร์ ซึ่งจะรักษาความแม่นยำของมิติตลอดการดำเนินการผลิตแบบขยาย โดยไม่ต้องใช้การวัดด้วยตนเองและการแทรกแซงการปรับเปลี่ยน

สำหรับการใช้งานการตัดท่อที่มีความสำคัญด้านความปลอดภัยในโครงสร้างการชนของ NEV ผู้ผลิตยานพาหนะและกรอบการกำกับดูแลกำหนดให้ความสามารถในการตรวจสอบย้อนกลับมิติที่สมบูรณ์สำหรับชิ้นส่วนที่ผลิตทุกชิ้นเพิ่มมากขึ้น ระบบการมองเห็นที่ผสานรวม AI จะสร้างบันทึกการตรวจสอบย้อนกลับนี้โดยอัตโนมัติโดยเป็นผลพลอยได้จากฟังก์ชันการตรวจสอบคุณภาพ โดยขจัดขั้นตอนการตรวจสอบและการจัดทำเอกสารแยกต่างหากที่อาจจำเป็น และให้แนวทางการตรวจสอบที่ครอบคลุมซึ่งสนับสนุนการตรวจสอบคุณภาพภาคสนามเมื่อเกิดขึ้น

การเพิ่มประสิทธิภาพวัสดุผ่านกระบวนการอัจฉริยะที่ใช้ AI

การเลือกและการประมวลผลวัสดุสำหรับการตัดท่อน้ำหนักเบา NEV นั้นเป็นโดเมนที่การวิเคราะห์ด้วย AI กำลังสร้างความได้เปรียบทางการแข่งขัน ภาพรวมของวัสดุสำหรับท่อโครงสร้าง NEV กำลังขยายตัวอย่างรวดเร็ว ด้วยเหล็กกล้าความแข็งแรงสูงขั้นสูงที่ช่วยเพิ่มเกรดความแข็งแรงของผลผลิต อะลูมิเนียมอัลลอยด์เทมเปอร์แบบใหม่ที่ปรับให้เหมาะสมสำหรับการตัดด้วยเลเซอร์และการขึ้นรูปในภายหลัง และแนวคิดของท่อหลายวัสดุที่เกิดขึ้นใหม่ที่ผสมผสานวัสดุที่แตกต่างกันในการอัดขึ้นรูปเดี่ยวหรือส่วนที่ขึ้นรูปเป็นม้วน การนำทางภูมิทัศน์วัสดุที่กำลังขยายตัวนี้อย่างมีประสิทธิภาพจำเป็นต้องมีการจัดการความรู้กระบวนการในระดับหนึ่ง ซึ่งเครื่องมือ AI เหมาะสมอย่างยิ่งที่จะสนับสนุน

แบบจำลอง AI ที่เชื่อมโยงข้อมูลการรับรองวัสดุกับข้อกำหนดพารามิเตอร์กระบวนการและบรรลุคุณภาพการตัดจะสร้างฐานความรู้ที่ได้รับการอัปเดตอย่างต่อเนื่อง ซึ่งรวบรวมพฤติกรรมการตัดของวัสดุรูปแบบต่างๆ เมื่อมีการนำเข้าสู่การผลิต เมื่อพบเกรดเหล็กหรืออะลูมิเนียมใหม่เป็นครั้งแรก ระบบ AI จะสามารถระบุวัสดุที่มีคุณสมบัติคล้ายกันก่อนหน้านี้มากที่สุดในฐานข้อมูล และสร้างคำแนะนำพารามิเตอร์เริ่มต้นที่ให้จุดเริ่มต้นที่ใกล้กว่าพารามิเตอร์ประเภทวัสดุทั่วไปมาก ซึ่งช่วยลดเวลาในการรับรองและการสิ้นเปลืองวัสดุในระหว่างการพัฒนากระบวนการ

การจัดการโซนที่ได้รับผลกระทบจากความร้อนถือเป็นความท้าทายในการเพิ่มประสิทธิภาพวัสดุที่สำคัญโดยเฉพาะสำหรับท่อเหล็กที่มีความแข็งแรงสูงเป็นพิเศษที่ใช้ในโครงสร้างความปลอดภัยของ NEV วัสดุเหล่านี้ซึ่งมีความแข็งแรงด้านผลผลิตตั้งแต่ 1,000 เมกะปาสคาลขึ้นไป มีคุณสมบัติผ่านสภาวะโครงสร้างจุลภาคที่ได้รับการควบคุมอย่างแม่นยำ ซึ่งมีความไวต่อวงจรความร้อนที่เกิดจากการตัดด้วยเลเซอร์ แบบจำลองความร้อนที่ใช้ AI ซึ่งคาดการณ์ความลึกของโซนที่ได้รับผลกระทบจากความร้อนและความเสื่อมถอยของคุณสมบัติเป็นฟังก์ชันของพารามิเตอร์การตัดช่วยให้กระบวนการปรับให้เหมาะสมที่สุดซึ่งจะลดผลกระทบจากความร้อนให้เหลือน้อยที่สุดในขณะที่ยังคงรักษาคุณภาพการตัด โดยรักษาประสิทธิภาพเชิงกลที่สมเหตุสมผลในการใช้วัสดุระดับพรีเมียมเหล่านี้

สำหรับการตัดท่ออะลูมิเนียม ความท้าทายในการเพิ่มประสิทธิภาพวัสดุเบื้องต้นคือการจัดการผลกระทบของชั้นออกไซด์ที่มีต่อคุณภาพการตัด และการป้องกันรูปแบบการหลุดออกของโลหะที่ทำให้เกิดเสี้ยนบนคมตัด แบบจำลอง AI ที่ได้รับการฝึกเกี่ยวกับข้อมูลการตัดอะลูมิเนียมสามารถระบุการทำงานร่วมกันระหว่างองค์ประกอบของโลหะผสม การปรับอุณหภูมิ ความหนาของผนัง และพารามิเตอร์การตัดที่กำหนดแนวโน้มการเกิดเสี้ยน ช่วยให้สามารถเลือกพารามิเตอร์ที่ลดการดำเนินการลบคมรอง ตลอดจนต้นทุนและรอบเวลาที่เกี่ยวข้องได้

การรวม Digital Twin ในระบบตัดท่อ NEV

เทคโนโลยี Digital Twin ได้รับการบูรณาการมากขึ้นกับระบบการตัดท่อที่ขับเคลื่อนด้วย AI เพื่อสร้างการแสดงระบบการตัดและสถานะกระบวนการเสมือนที่ได้รับการอัปเดตอย่างต่อเนื่อง ซึ่งช่วยให้สามารถเพิ่มประสิทธิภาพเชิงคาดการณ์และความสามารถในการติดตามระยะไกล ระบบตัดท่อแบบดิจิตอลแฝดประกอบด้วยจลนศาสตร์ของเครื่องจักร สถานะความร้อนของแหล่งกำเนิดการตัดและออปติกการส่งลำแสง สภาพของส่วนประกอบสิ้นเปลือง รวมถึงหัวฉีดและกระจกป้องกัน และประวัติการตัดสะสมที่เกี่ยวข้องกับสถานะการสึกหรอของส่วนประกอบ

โมเดลแมชชีนเลิร์นนิงที่ทำงานบนดิจิทัลทวินสามารถทำนายวิถีประสิทธิภาพในอนาคตของระบบการตัดตามสถานะปัจจุบันและกำหนดการผลิตที่วางแผนไว้ ช่วยให้สามารถดำเนินการบำรุงรักษาเชิงรุกที่ป้องกันการหยุดทำงานโดยไม่ได้วางแผน สำหรับส่วนประกอบโครงสร้างตัวถัง NEV ที่ป้อนโดยตรงไปยังสายการประกอบยานพาหนะตามกำหนดเวลา การหยุดทำงานของเครื่องตัดท่อโดยไม่ได้วางแผนจะสร้างผลกระทบที่กระเพื่อมทั่วทั้งระบบการผลิตทั้งหมด มูลค่าทางเศรษฐกิจของการป้องกันแม้แต่เหตุการณ์หยุดทำงานโดยไม่ได้วางแผนเพียงครั้งเดียวซึ่งจะทำให้สายการผลิตยานพาหนะต้องหยุดชะงัก แสดงให้เห็นถึงการลงทุนที่สำคัญในความสามารถในการบำรุงรักษาเชิงคาดการณ์โดยใช้ AI

รุ่น Digital Twin ยังสนับสนุนการทดสอบการทำงานของโปรแกรมชิ้นส่วนใหม่สำหรับโปรแกรมโมเดล NEV ใหม่อีกด้วย เมื่อมีการนำรูปทรงท่อหรือการผสมผสานวัสดุใหม่ ดิจิทัลทวินสามารถจำลองกระบวนการตัดและคาดการณ์ค่าความคลาดเคลื่อนที่ยอมรับได้ ผลลัพธ์คุณภาพการตัด และรอบเวลาก่อนดำเนินการทดลองทางกายภาพใดๆ ความสามารถในการตรวจสอบความถูกต้องเสมือนนี้จะบีบอัดไทม์ไลน์การพัฒนาโปรแกรมชิ้นส่วน และลดการสูญเสียวัสดุที่เกี่ยวข้องกับการทดลองตัดทางกายภาพ ซึ่งเป็นข้อได้เปรียบที่สำคัญทั้งสองประการในอุตสาหกรรมที่มีการเปิดตัวโปรแกรมโมเดลใหม่ด้วยความถี่ที่เพิ่มขึ้น

การตรวจสอบข้อมูลสถานะแฝดดิจิทัลจากระยะไกลช่วยให้ทีมวิศวกรรมกระบวนการแบบรวมศูนย์สามารถรองรับการติดตั้งระบบตัดหลายระบบในไซต์การผลิตต่างๆ ได้ โดยใช้ประโยชน์จากความรู้ด้านกระบวนการที่ใช้ร่วมกันโดยไม่ต้องมีวิศวกรผู้เชี่ยวชาญปรากฏตัวที่โรงงานแต่ละแห่ง ความสามารถนี้มีคุณค่าอย่างยิ่งสำหรับผู้ผลิต NEV ที่กำลังขยายขอบเขตการผลิตอย่างรวดเร็วไปยังภูมิภาคต่างๆ ทางภูมิศาสตร์ และจำเป็นต้องถ่ายทอดความรู้ด้านกระบวนการที่ได้รับการพิสูจน์แล้วอย่างมีประสิทธิภาพไปยังสถานที่ผลิตใหม่

การตัดที่ปรับให้เหมาะสมโดย AI สำหรับรูปทรงโครงสร้าง NEV ที่ซับซ้อน

สถาปัตยกรรมโครงสร้างของการออกแบบตัวถังสีขาวของ NEV สมัยใหม่ได้รวมเอารูปทรงของท่อที่มีความซับซ้อนเพิ่มขึ้น ซึ่งท้าทายแนวทางการเขียนโปรแกรม CAM แบบเดิมๆ ท่อไฮโดรฟอร์มที่มีหน้าตัดแปรผัน ช่องท่อเชื่อมแบบตัดตามความหนาหรือวัสดุของผนังที่แตกต่างกัน และการอัดขึ้นรูปหลายเซลล์ด้วยโครงสร้างซี่โครงภายในที่ซับซ้อน ล้วนต้องใช้กลยุทธ์การตัดที่เกินความสามารถของอัลกอริธึมการตัดทางเรขาคณิตแบบดั้งเดิม

ระบบ CAM ที่ใช้ AI สำหรับการตัดท่อใช้วิธีการกำเนิดเพื่อระบุกลยุทธ์การตัดที่เหมาะสมที่สุดสำหรับรูปทรงที่ซับซ้อน โดยพิจารณาปัจจัยต่างๆ รวมถึงการหลีกเลี่ยงการชนกันระหว่างหัวตัดและโปรไฟล์ของท่อ มุมเข้าใกล้ของคบเพลิงที่เหมาะสมที่สุดซึ่งจะลดชั้นที่หล่อใหม่บนพื้นผิวการทำงาน การเรียงลำดับคุณสมบัติการตัดภายในและภายนอกเพื่อป้องกันการบิดเบือนจากการแยกวัสดุก่อนเวลาอันควร และการเพิ่มประสิทธิภาพเส้นทางนำเข้าและนำออกที่ป้องกันความเสียหายที่เจาะทะลุไปยังพื้นผิวที่อยู่ติดกัน

สำหรับการตัดเฉือนที่ซับซ้อนซึ่งท่อหนึ่งตัดกับอีกท่อในโครงสร้างสเปซเฟรม อัลกอริธึม AI สามารถสร้างรูปทรงอานที่แม่นยำซึ่งสร้างข้อต่อที่แน่นหนาสำหรับการเชื่อม โดยไม่ต้องใช้การคำนวณทางเรขาคณิตด้วยตนเองหรือการทดลองประกอบทางกายภาพซ้ำๆ ความแม่นยำของรูปทรงการรับมือที่สร้างโดย AI ได้ก้าวหน้าไปถึงจุดที่อัตราการพอดีบทความแรกในอุปกรณ์ประกอบแบบอัตโนมัติเข้าใกล้ 100 เปอร์เซ็นต์ ซึ่งช่วยลดวงจรการทำงานซ้ำซึ่งก่อนหน้านี้ได้รับการยอมรับว่าเป็นส่วนที่หลีกเลี่ยงไม่ได้ของการประกอบ Space-frame

การบูรณาการการออกแบบเชิงสร้างสรรค์กับการเพิ่มประสิทธิภาพเส้นทางการตัดของ AI แสดงถึงขอบเขตที่เกิดขึ้นใหม่ ซึ่งรูปทรงเรขาคณิตของข้อต่อท่อโครงสร้างได้รับการปรับให้เหมาะสมร่วมกับกระบวนการผลิตที่จะผลิตข้อต่อดังกล่าว แทนที่จะออกแบบข้อต่อตามความต้องการทางโครงสร้างเพียงอย่างเดียวแล้วจึงวิศวกรรมกระบวนการผลิตเพื่อผลิตข้อต่อเหล่านั้น อัลกอริธึมการออกแบบเชิงกำเนิดที่รวมข้อจำกัดของกระบวนการผลิตเข้ากับลูปการปรับโครงสร้างให้เหมาะสมโดยตรง สามารถระบุรูปทรงเรขาคณิตของข้อต่อที่มีโครงสร้างเหมาะสมที่สุดและมีประสิทธิภาพในการผลิตไปพร้อมๆ กัน การเพิ่มประสิทธิภาพการออกแบบต่อการผลิตแบบวงปิดนี้กำลังกลายเป็นความสามารถหลักสำหรับผู้ผลิต NEV ที่ต้องการบีบอัดวงจรการพัฒนาผลิตภัณฑ์ ในขณะเดียวกันก็บรรลุประสิทธิภาพทางโครงสร้างที่เหนือกว่าต่อมวลต่อหน่วย

ประสิทธิภาพการใช้พลังงานและความยั่งยืนในการตัดที่ขับเคลื่อนด้วย AI

ข้อมูลรับรองด้านความยั่งยืนของกระบวนการผลิต NEV อยู่ภายใต้การพิจารณาที่เพิ่มขึ้นจากทั้งหน่วยงานกำกับดูแลและผู้บริโภค ซึ่งตระหนักดีว่าผลกระทบต่อสิ่งแวดล้อมตลอดวงจรชีวิตของรถยนต์ไฟฟ้านั้น รวมถึงการปล่อยก๊าซเรือนกระจกและการใช้ทรัพยากรที่เกี่ยวข้องกับการผลิตด้วย การตัดท่อเป็นกระบวนการผลิตที่ใช้พลังงานสูง และการเพิ่มประสิทธิภาพพารามิเตอร์การตัดและกำหนดเวลาการผลิตโดยใช้ AI สามารถช่วยลดการใช้พลังงานต่อชิ้นส่วนที่ผลิตได้อย่างมีนัยสำคัญ

การใช้พลังงานของการตัดด้วยเลเซอร์ถูกกำหนดโดยการทำงานร่วมกันระหว่างกำลังของเลเซอร์ ความเร็วตัด และรอบการทำงาน การปรับพารามิเตอร์ให้เหมาะสมโดยใช้ AI ซึ่งช่วยให้ได้กำลังเลเซอร์ขั้นต่ำและความเร็วตัดสูงสุดที่สอดคล้องกับคุณภาพการตัดที่ต้องการ ช่วยลดการใช้พลังงานต่อการตัดหนึ่งเมตร ในขณะที่ยังคงคุณภาพการผลิตไว้ สำหรับโรงงานผลิตโครงสร้างตัวถัง NEV ในปริมาณมากที่ประมวลผลวัสดุท่อหลายร้อยตันต่อปี การประหยัดพลังงานสะสมจากพารามิเตอร์การตัดที่ปรับให้เหมาะสมกับ AI นั้นมีมาก

การเพิ่มประสิทธิภาพการจัดตารางเวลาการผลิตโดยอัลกอริธึม AI ช่วยลดการสูญเสียพลังงานจากเวลาเดินเครื่องของเครื่องจักร และปรับปรุงการใช้งานของระบบเลเซอร์กำลังสูงสุดซึ่งประสิทธิภาพการใช้พลังงานจะสูงขึ้นอย่างมีนัยสำคัญที่อัตราการใช้สูงมากกว่าการใช้งานที่ต่ำ ด้วยการจัดกลุ่มการผลิตวัสดุและรูปทรงที่คล้ายคลึงกันเพื่อลดความถี่ในการเปลี่ยนแปลงและเพิ่มความต่อเนื่องของการดำเนินการตัด ระบบตั้งเวลา AI จะปรับปรุงทั้งประสิทธิภาพการใช้พลังงานและปริมาณงานไปพร้อมๆ กัน

การปรับปรุงผลผลิตวัสดุจากการซ้อนของ AI และการเพิ่มประสิทธิภาพกระบวนการช่วยลดการป้อนวัตถุดิบที่ต้องการต่อยานพาหนะโดยตรง พร้อมการลดพลังงานและการปล่อยก๊าซเรือนกระจกที่เกี่ยวข้องกับการผลิตวัสดุนั้น สำหรับการอัดขึ้นรูปอะลูมิเนียมซึ่งเป็นสัดส่วนที่เพิ่มขึ้นของท่อโครงสร้าง NEV ซึ่งพลังงานที่รวบรวมจากการผลิตอะลูมิเนียมขั้นต้นนั้นสูงมาก การปรับปรุงผลผลิตของวัสดุมีผลกระทบอย่างมากอย่างไม่เป็นสัดส่วนต่อรอยเท้าทางสิ่งแวดล้อมในวงจรชีวิตของยานพาหนะ

การเพิ่มประสิทธิภาพการใช้ก๊าซช่วยเป็นอีกหนึ่งปัจจัยแห่งความยั่งยืนที่ AI มอบคุณค่า การตัดด้วยเลเซอร์ต้องใช้แก๊สช่วยที่มีแรงดัน ไม่ว่าจะเป็นออกซิเจนสำหรับเหล็กหรือไนโตรเจนสำหรับอะลูมิเนียมและสแตนเลส เพื่อไล่วัสดุที่หลอมละลายออกจากรอยตัดและปกป้องพื้นผิวที่ถูกตัด แบบจำลอง AI ที่จับคู่แรงดันแก๊สและอัตราการไหลอย่างแม่นยำกับสภาวะการตัดสำหรับแต่ละคุณสมบัติจะลดการใช้ก๊าซโดยไม่กระทบต่อคุณภาพการตัด ลดต้นทุนการดำเนินงานและผลกระทบต่อสิ่งแวดล้อมที่เกี่ยวข้องกับการผลิตก๊าซอุตสาหกรรม

บูรณาการกับระบบการผลิตตัวถังสีขาว NEV

การตัดท่อที่ขับเคลื่อนด้วย AI ไม่ได้ทำงานแบบแยกส่วน คุณค่าทั้งหมดเกิดขึ้นได้จากการบูรณาการอย่างแนบแน่นกับการออกแบบต้นน้ำและระบบการจัดการวัสดุ ตลอดจนการประกอบ การเชื่อม และระบบการตรวจสอบคุณภาพขั้นปลายน้ำ ซึ่งรวมกันเป็นระบบการผลิตตัวถังสีขาวของ NEV อินเทอร์เฟซข้อมูลระหว่างการตัดท่อและระบบที่อยู่ติดกันเหล่านี้เป็นจุดที่ AI สร้างประโยชน์เชิงระบบที่สำคัญที่สุด

การบูรณาการต้นทางกับระบบการออกแบบทางวิศวกรรมทำให้สามารถนำเข้าเรขาคณิตของหลอด CAD ดั้งเดิมได้โดยตรงในสภาพแวดล้อม CAM ที่ปรับปรุงด้วย AI ซึ่งช่วยลดข้อผิดพลาดในการแปลและการประมาณทางเรขาคณิตที่รบกวนเวิร์กโฟลว์การแลกเปลี่ยนข้อมูลแบบเดิมๆ อัลกอริธึมการจดจำคุณสมบัติที่ใช้ AI ระบุคุณสมบัติการตัดทั้งหมดที่กำหนดไว้ในโมเดล CAD และสร้างโปรแกรมการตัดโดยอัตโนมัติด้วยพารามิเตอร์ที่เหมาะสม ช่วยลดเวลาการสร้างโปรแกรมจากชั่วโมงเหลือเป็นนาทีสำหรับส่วนประกอบท่อหลายคุณสมบัติที่ซับซ้อน

การผสานรวมกับระบบการจัดการวัสดุและระบบห่วงโซ่อุปทานทำให้อัลกอริธึมการจัดกำหนดการการผลิตของ AI สามารถแยกตัวประกอบข้อมูลคุณภาพวัสดุที่เข้ามา รวมถึงการตรวจสอบมิติของสต็อคหลอด ผลการตรวจสอบสภาพพื้นผิว และการวิเคราะห์การรับรองวัสดุ เพื่อประกอบการตัดสินใจเกี่ยวกับการจัดกำหนดการผลิตโดยตรง สต็อกท่อที่มีความเบี่ยงเบนมิติที่อาจส่งผลต่อคุณภาพการตัดสำหรับการใช้งานที่มีพิกัดความเผื่อต่ำ สามารถเปลี่ยนเส้นทางโดยอัตโนมัติไปยังการใช้งานที่มีความต้องการน้อยกว่า โดยที่ความเบี่ยงเบนเป็นที่ยอมรับได้ ช่วยเพิ่มการใช้วัสดุให้สูงสุดในขณะที่ปกป้องคุณภาพในการใช้งานที่สำคัญ

การบูรณาการขั้นปลายกับระบบการเชื่อมด้วยหุ่นยนต์ช่วยให้ข้อมูลมิติที่บันทึกไว้ระหว่างการตรวจสอบคุณภาพการตัดท่อสามารถนำไปใช้สำหรับการวางตำแหน่งฟิกซ์เจอร์แบบปรับเปลี่ยนได้และการแก้ไขเส้นทางการเชื่อมในการประกอบชิ้นส่วนครั้งต่อไป เมื่อระบบคุณภาพ AI ตรวจพบการเปลี่ยนแปลงมิติอย่างเป็นระบบในรูปทรงท่อตัดที่อยู่ภายในข้อกำหนดแต่มีแนวโน้มไปสู่ขีดจำกัด หุ่นยนต์เชื่อมแบบดาวน์สตรีมสามารถรับข้อมูลตำแหน่งที่อัปเดตซึ่งจะชดเชยการเปลี่ยนแปลงนี้ก่อนที่ปัญหาการประกอบชิ้นส่วนจะเกิดขึ้น การบูรณาการ AI ข้ามกระบวนการนี้สร้างระดับความสม่ำเสมอของคุณภาพการประกอบซึ่งการปรับกระบวนการแบบแยกส่วนไม่สามารถทำได้

การเปลี่ยนแปลงด้านแรงงานและการทำงานร่วมกันระหว่างมนุษย์และ AI

การนำความสามารถที่ขับเคลื่อนด้วย AI มาใช้ในการตัดท่อ NEV จะเปลี่ยนโปรไฟล์ทักษะที่จำเป็นสำหรับบุคลากรฝ่ายการผลิต แทนที่จะเพียงแต่ขจัดบทบาทออกไป ความรู้ด้านงานฝีมือที่ผู้ปฏิบัติงานตัดซึ่งเคยประสบมาในหัวมาก่อน รวมถึงรูปแบบพฤติกรรมของวัสดุ การแก้ไขปัญหา และทักษะการตัดสินด้านคุณภาพ ได้รับการบันทึกและจัดระบบในแบบจำลอง AI ที่ทำให้ความรู้นี้พร้อมใช้งานอย่างสม่ำเสมอสำหรับผู้ปฏิบัติงานทุกคนและทุกกะงาน การทำให้ความเชี่ยวชาญด้านกระบวนการเป็นประชาธิปไตยจะช่วยยกระดับการปฏิบัติงานของการดำเนินงานทั้งหมด ในขณะเดียวกันก็ทำให้ช่างเทคนิคที่มีประสบการณ์ไม่ต้องคอยติดตามและปรับแต่งงานตามปกติ เพื่อมุ่งเน้นไปที่กิจกรรมการแก้ปัญหาและการปรับปรุงกระบวนการที่มีมูลค่าสูงขึ้น

วิศวกรกระบวนการที่ทำงานกับระบบการตัดท่อที่ขับเคลื่อนด้วย AI ต้องการความสามารถใหม่ในการวิเคราะห์ข้อมูล การตีความโมเดลการเรียนรู้ของเครื่องจักร และการจัดการระบบ AI ซึ่งแตกต่างจากชุดทักษะทางวิศวกรรมกระบวนการตัดแบบดั้งเดิม ผู้ผลิต NEV ชั้นนำกำลังลงทุนในโปรแกรมการฝึกอบรมแบบกำหนดเป้าหมายเพื่อพัฒนาความสามารถเหล่านี้ภายในบุคลากรด้านวิศวกรรมที่มีอยู่ เสริมด้วยการคัดเลือกบุคลากรด้านวิทยาศาสตร์ข้อมูลและวิศวกรรม AI ที่ฝังตัวอยู่ในทีมการผลิต แทนที่จะแยกจากกันในองค์กรเทคโนโลยีที่แยกจากกัน

โมเดลการทำงานร่วมกันระหว่างมนุษย์กับ AI ในการดำเนินการตัดท่อขั้นสูงมอบหมายให้ระบบ AI รับผิดชอบหลักในการตรวจสอบกระบวนการตามปกติ การปรับพารามิเตอร์ และการตัดสินใจคัดกรองคุณภาพ ซึ่งปริมาณและความเร็วของการตัดสินใจที่จำเป็นเกินความสามารถทางปัญญาของมนุษย์ ผู้ปฏิบัติงานที่เป็นมนุษย์ยังคงมีความรับผิดชอบหลักในการจัดการกับข้อยกเว้น การประเมินสถานการณ์ใหม่ การกำหนดค่าระบบ และการเรียกการตัดสินใจที่ต้องใช้ความเข้าใจในบริบท นอกเหนือจากข้อมูลการฝึกอบรมของโมเดล AI ในปัจจุบัน การแบ่งงานด้านความรู้ความเข้าใจนี้ขึ้นอยู่กับจุดแข็งของมนุษย์และปัญญาประดิษฐ์ตามลำดับ โดยบรรลุผลลัพธ์ที่ดีกว่าที่ฝ่ายใดฝ่ายหนึ่งจะทำได้โดยอิสระ

กรณีทางเศรษฐกิจสำหรับการลงทุนตัดท่อ NEV ที่ขับเคลื่อนด้วย AI

กรณีธุรกิจสำหรับการลงทุนในความสามารถในการตัดท่อที่ขับเคลื่อนด้วย AI ในการผลิต NEV ได้รับการสนับสนุนจากกระแสคุณค่าอิสระหลายแหล่ง ซึ่งเมื่อรวมกันแล้วจะสร้างผลตอบแทนจากการลงทุนที่น่าสนใจ แม้จะต้องใช้ต้นทุนระดับพรีเมียมของระบบการตัดแบบรวม AI ขั้นสูง เมื่อเทียบกับทางเลือกทั่วไป

การปรับปรุงผลผลิตวัสดุจากการซ้อนของ AI และการลดของเสียมักจะให้ผลตอบแทนจากการลงทุนที่เร็วที่สุด โดยมีการปรับปรุงการใช้วัสดุ 3 ถึง 8 เปอร์เซ็นต์ ซึ่งแปลโดยตรงเป็นการลดต้นทุนวัตถุดิบในปริมาณ สำหรับโรงงานผลิตที่ใช้การอัดขึ้นรูปอะลูมิเนียมหลายพันตันต่อปีในราคาสินค้าโภคภัณฑ์ในปัจจุบัน ผลผลิตที่เพิ่มขึ้น 5 เปอร์เซ็นต์แสดงถึงการลดต้นทุนต่อปีหลายล้านดอลลาร์ ซึ่งเพียงอย่างเดียวก็สามารถพิสูจน์ให้เห็นถึงการลงทุนที่สำคัญในความสามารถด้าน AI

การลดรอบเวลาจากพารามิเตอร์การตัดที่ปรับให้เหมาะสมโดย AI และเวลาที่ไม่ตัดที่ลดลงผ่านการเพิ่มประสิทธิภาพเส้นทางการเคลื่อนไหวอัจฉริยะ ช่วยเพิ่มปริมาณงานของระบบการตัดจากฐานทุนที่กำหนด สำหรับผู้ผลิต NEV ที่ดำเนินงานภายใต้ข้อจำกัดด้านกำลังการผลิตเนื่องจากปริมาณการผลิตที่เพิ่มขึ้น การปรับปรุงปริมาณงานนี้สามารถเลื่อนหรือขจัดความจำเป็นในการลงทุนเพิ่มเติมในอุปกรณ์ตัดเฉือน โดยลดต้นทุนต่อหน่วยจากการดูดซับค่าโสหุ้ยที่ดีขึ้นทั่วทั้งฐานสินทรัพย์ที่มีอยู่

การลดต้นทุนคุณภาพจากการตรวจสอบกระบวนการโดยใช้ AI และการควบคุมแบบปรับเปลี่ยนจะช่วยลดอัตราของชิ้นส่วนที่ไม่เป็นไปตามข้อกำหนดซึ่งจำเป็นต้องทำซ้ำหรือทำลายทิ้ง ลดความถี่ของปัญหาในการประกอบชิ้นส่วนที่เกิดจากรูปทรงของท่อที่ไม่เป็นไปตามข้อกำหนด และลดต้นทุนในการรับประกันและเหตุการณ์คุณภาพภาคสนามอันเนื่องมาจากความแปรผันของกระบวนการตัดท่อ การลดต้นทุนด้านคุณภาพเหล่านี้มีการกระจายทั่วทั้งระบบการผลิตและห่วงโซ่อุปทาน แทนที่จะมุ่งไปที่การดำเนินการตัดท่อ ทำให้ขนาดเต็มเป็นเรื่องยากที่จะระบุได้โดยใช้เหตุผลด้านทุนง่ายๆ แต่โดยรวมแล้วทำได้จริงมาก

การลดการพึ่งพาความรู้ของผู้ปฏิบัติงานที่เชี่ยวชาญซึ่งขาดแคลนถือเป็นคุณค่าเชิงกลยุทธ์ที่ยากต่อการประเมินในแง่การเงินทั่วไป แต่มีความสำคัญอย่างยิ่งสำหรับผู้ผลิต NEV ที่ขยายอย่างรวดเร็วไปยังสถานที่การผลิตใหม่ ระบบ AI ที่เข้ารหัสความเชี่ยวชาญด้านกระบวนการและส่งมอบอย่างต่อเนื่องโดยไม่คำนึงถึงระดับประสบการณ์ของผู้ปฏิบัติงานในท้องถิ่น ช่วยให้เพิ่มการผลิตได้เร็วขึ้นที่โรงงานแห่งใหม่ และลดความเสี่ยงของการเปลี่ยนแปลงด้านคุณภาพระหว่างโรงงานที่อาจสร้างปัญหายุ่งยากในห่วงโซ่อุปทานที่มีต้นทุนสูง