Việc cắt laser điều khiển bằng AI có thể đẩy nhanh cuộc cách mạng về trọng lượng nhẹ NEV không?

Yêu cầu về trọng lượng nhẹ trong phương tiện sử dụng năng lượng mới

Mối quan hệ giữa khối lượng xe và quãng đường chạy điện là trực tiếp và không thể tha thứ. Cứ 100 kg trọng lượng lề đường tăng thêm sẽ làm giảm phạm vi hoạt động của xe điện chạy pin khoảng 10 đến 15% trong điều kiện lái xe thực tế, tùy thuộc vào nền tảng xe và tính chất hóa học của pin. Đối với các nhà sản xuất NEV hoạt động trong một thị trường mà lo ngại về phạm vi hoạt động vẫn là mối quan tâm hàng đầu của người tiêu dùng, việc giảm khối lượng kết cấu không phải là một cải tiến kỹ thuật tùy chọn; đó là một yêu cầu cạnh tranh cơ bản.

Thách thức là việc giảm khối lượng kết cấu không thể làm ảnh hưởng đến hiệu suất an toàn khi va chạm, đặc tính NVH hoặc độ cứng xoắn. Cấu trúc thân xe NEV phải đáp ứng hoặc vượt quá các tiêu chuẩn thử nghiệm va chạm áp dụng cho xe động cơ đốt trong đồng thời bảo vệ bộ pin khỏi bị xâm nhập trong các tình huống va chạm bên hông, phía trước và phía sau. Việc bảo vệ bộ pin bổ sung các yêu cầu về cấu trúc không có trong thiết kế xe thông thường, khiến vấn đề về trọng lượng nhẹ trong NEV trở nên phức tạp hơn so với kỹ thuật ô tô truyền thống.

Các thành phần cấu trúc hình ống đã nổi lên như một giải pháp ưu tiên cho thách thức này. Ống thép cường độ cao, ống nhôm ép đùn và ống polymer gia cố bằng sợi carbon mang lại tỷ lệ cường độ trên trọng lượng đặc biệt trong các cấu hình tải uốn và xoắn phù hợp một cách tự nhiên với nhu cầu kết cấu của thiết kế thân xe và khung gầm. Các thanh ray khung, trụ A, trụ B, thành phần ngưỡng cửa, thanh ray mái và cấu trúc chu vi vỏ pin của NEV hiện đại ngày càng phụ thuộc vào các bộ phận hình ống được cắt chính xác để mang lại hiệu suất cần thiết ở khối lượng tối thiểu.

Tuy nhiên, độ phức tạp về mặt hình học của cấu trúc thân NEV hiện đại đòi hỏi độ chính xác và tính linh hoạt khi cắt ống vượt xa những gì mà hệ thống sản xuất thế hệ trước có thể cung cấp. Các đường cắt góc phức tạp, hình học cuối được định hình kết hợp với các bộ phận liền kề, các lỗ và khe trong ống để đi dây và ốc vít lắp ráp cũng như sự đa dạng của các loại ống và vật liệu được sử dụng trong một chương trình xe duy nhất đều tạo ra một môi trường sản xuất trong đó trí tuệ nhân tạo có vai trò quyết định.

Công nghệ cắt ống trong sản xuất NEV

Các công nghệ cắt ống chính được triển khai trong các ứng dụng giảm nhẹ NEV là cắt laze, cắt plasma, cắt tia nước và cưa cơ học, trong đó công nghệ cắt laze chiếm ưu thế cho các ứng dụng chính xác xác định việc sản xuất cấu trúc thân NEV hiện đại. Mỗi công nghệ có một phạm vi khả năng đặc trưng và việc lựa chọn quy trình phù hợp cho từng ứng dụng cắt ống tự nó là một quyết định trong đó việc lập kế hoạch quy trình dựa trên AI đang mang lại những lợi ích hiệu quả có ý nghĩa.

Hệ thống cắt laser sợi quang đại diện cho tiêu chuẩn hiện tại về cắt ống chính xác trong sản xuất NEV. Laser sợi 3D hiện đại máy cắt ống kết hợp nguồn laser công suất cao, thường từ 3 đến 12 kilowatt, với hệ thống chuyển động sáu trục có khả năng quay và dịch phôi ống đồng thời định vị đầu cắt theo ba chiều. Sự kết hợp này cho phép cắt bất kỳ hình học đặc điểm nào trên bất kỳ bề mặt nào của ống từ một thiết lập duy nhất, loại bỏ các trình tự thiết lập nhiều lần được yêu cầu trước đây đối với các hình dạng ống phức tạp.

Tốc độ cắt đối với ống nhôm có thành mỏng trên máy laser sợi quang công suất cao hiện đại có thể vượt quá 50 mét mỗi phút đối với đường cắt thẳng, với các đường cắt biên dạng phức tạp được hoàn thành với tốc độ tiến dao giảm để duy trì chất lượng cắt. Các ống thép cường độ cao, đặc biệt là các loại thép cường độ cao và cường độ siêu cao tiên tiến ngày càng được sử dụng trong các kết cấu an toàn NEV, yêu cầu quản lý thông số cẩn thận hơn do độ nhạy của chúng với nhiệt đầu vào và nguy cơ làm mềm vùng ảnh hưởng nhiệt có thể làm tổn hại đến các tính chất cơ học cần thiết cho việc sử dụng chúng.

Khả năng hình học của hệ thống cắt ống laser 3D hiện đại về cơ bản là không giới hạn về góc cắt và độ phức tạp của biên dạng, nhưng để đạt được khả năng này trong thực tế đòi hỏi phải hiệu chuẩn máy chính xác, định vị phôi chính xác và các thông số cắt được tối ưu hóa chính xác cho từng vật liệu, độ dày thành và sự kết hợp hình học đặc điểm. Đây là miền mà việc tối ưu hóa quy trình dựa trên AI tạo ra giá trị quan trọng nhất.

Trí tuệ nhân tạo biến đổi hoạt động cắt ống như thế nào

Trí tuệ nhân tạo tham gia vào các hoạt động cắt ống NEV tại nhiều điểm trong quy trình sản xuất, từ việc tạo chương trình bộ phận ban đầu cho đến giám sát quy trình theo thời gian thực và điều khiển thích ứng cho đến bảo trì dự đoán các bộ phận của hệ thống cắt. Mỗi điểm can thiệp mang lại những lợi ích cụ thể và hiệu quả tích lũy của việc tích hợp AI trong toàn bộ quy trình làm việc thể hiện sự cải thiện từng bước về hiệu suất vận hành so với các hệ thống cắt ống không sử dụng AI thông thường.

Ở giai đoạn lập kế hoạch quy trình, các thuật toán sắp xếp và sắp xếp dựa trên AI sẽ tối ưu hóa việc phân bổ các vết cắt ống trên các chiều dài kho sẵn có để giảm thiểu lãng phí nguyên liệu. Đối với các sản phẩm ép đùn nhôm có giá trị cao và ống thép cường độ cao tiên tiến được sử dụng trong các ứng dụng trọng lượng nhẹ của NEV, chi phí nguyên vật liệu chiếm phần lớn chi phí trên mỗi bộ phận và ngay cả những cải tiến nhỏ trong việc sử dụng vật liệu cũng mang lại lợi nhuận tài chính đáng kể ở khối lượng sản xuất. Các mô hình học máy được đào tạo dựa trên dữ liệu sản xuất trước đây có thể dự đoán đồng thời các cấu hình lồng tối ưu có tính đến dung sai độ thẳng của ống, các hạn chế về cuối kho và các yêu cầu sắp xếp trình tự, đạt được tỷ lệ sử dụng mà việc lập kế hoạch thủ công không thể tiếp cận được.

Tối ưu hóa tham số cho các tính năng cắt riêng lẻ là một lĩnh vực khác mà AI mang lại giá trị đáng kể. Sự kết hợp giữa loại vật liệu, độ dày thành, biên dạng ống, hình học cắt, loại khí hỗ trợ và áp suất, vị trí tiêu điểm và tốc độ cắt tạo ra chất lượng cắt tối ưu cho từng tổ hợp biến cụ thể là một vấn đề tối ưu hóa nhiều chiều mà những người vận hành có kinh nghiệm trước đây đã giải quyết thông qua kiến ​​thức chuyên môn tích lũy và thử nghiệm thử và sai. Các mô hình AI được đào tạo trên cơ sở dữ liệu lớn về dữ liệu hiệu suất tham số cắt có thể xác định bộ tham số tối ưu cho bất kỳ tổ hợp biến mới nào ngay lập tức, loại bỏ giai đoạn thử nghiệm và đảm bảo chất lượng nhất quán từ phần đầu tiên của mỗi lần sản xuất mới.

Kiểm soát quy trình thích ứng theo thời gian thực đại diện cho ứng dụng AI phức tạp nhất về mặt kỹ thuật trong việc cắt ống. Hệ thống quan sát, cảm biến âm thanh và màn hình phát xạ plasma được tích hợp vào đầu cắt cung cấp luồng dữ liệu trạng thái quy trình liên tục trong quá trình cắt. Các mô hình AI phân tích luồng dữ liệu này có thể phát hiện sự khởi đầu của sự suy giảm chất lượng cắt, chẳng hạn như sự hình thành xỉ, sự thâm nhập không hoàn toàn hoặc sự thay đổi độ rộng vết cắt và điều chỉnh các thông số cắt trong thời gian thực để bù đắp trước khi các bộ phận bị lỗi được sản xuất. Khả năng điều khiển thích ứng vòng kín này giúp loại bỏ hiệu quả sự trôi dạt quy trình gây ra sự thay đổi chất lượng trong các hệ thống cắt vòng hở thông thường.

Kiểm soát chất lượng kích thước và thị giác máy

Kiểm soát chất lượng kích thước là yêu cầu quan trọng để cắt ống chính xác trong các ứng dụng cấu trúc thân xe NEV. Các bộ phận dạng ống tạo thành một phần của cụm lắp ráp được hàn hoặc liên kết bằng keo phải đáp ứng dung sai chặt chẽ về chiều dài cắt, hình dạng đầu cuối, vị trí lỗ và độ chính xác của biên dạng để đảm bảo lắp khít chính xác trong đồ gá lắp ráp và chất lượng mối nối phù hợp trong hoạt động hàn. Kiểm tra kích thước truyền thống bằng cách sử dụng máy đo tiếp xúc hoặc đo thủ công quá chậm để tích hợp vào dây chuyền sản xuất khối lượng lớn và cung cấp không đủ mật độ dữ liệu để hỗ trợ các hoạt động cải tiến quy trình.

Hệ thống thị giác máy được hỗ trợ bởi AI được tích hợp vào dây chuyền cắt ống thu thập dữ liệu chiều trên mọi tính năng cắt của mọi bộ phận được sản xuất, tạo ra bản ghi chiều hoàn chỉnh của quá trình sản xuất hỗ trợ cả các quyết định chất lượng ngay lập tức và phân tích cải tiến quy trình dài hạn hơn. Các mô hình học sâu được đào tạo trên bộ dữ liệu hình ảnh có chú thích có thể xác định độ lệch kích thước, các vấn đề về chất lượng bề mặt và sự bất thường về tình trạng cạnh với tốc độ và tính nhất quán mà các thanh tra viên con người không thể sánh được.

Dữ liệu chiều được thu thập bởi các hệ thống thị giác tích hợp cũng phản hồi vào vòng điều khiển quy trình. Phân tích thống kê về xu hướng kích thước trong các quá trình sản xuất xác định các sai lệch mang tính hệ thống do hao mòn dụng cụ, chênh lệch nhiệt trong cấu trúc máy hoặc sự thay đổi đặc tính vật liệu trong kho đầu vào. Các mô hình quy trình dựa trên AI sử dụng những dữ liệu xu hướng này để tạo ra các đề xuất hiệu chỉnh tham số nhằm duy trì độ chính xác về kích thước trong suốt quá trình sản xuất mở rộng mà không yêu cầu các biện pháp can thiệp điều chỉnh và đo lường thủ công.

Đối với các ứng dụng cắt ống quan trọng về an toàn trong cấu trúc va chạm NEV, khả năng cung cấp khả năng truy xuất nguồn gốc kích thước đầy đủ cho mọi bộ phận được sản xuất ngày càng được các nhà sản xuất xe và khung pháp lý yêu cầu. Các hệ thống thị giác tích hợp AI tự động tạo ra bản ghi truy xuất nguồn gốc này như một sản phẩm phụ của chức năng giám sát chất lượng, loại bỏ các bước kiểm tra và ghi chép riêng biệt nếu không sẽ được yêu cầu và cung cấp một lộ trình kiểm tra toàn diện hỗ trợ điều tra chất lượng hiện trường khi chúng phát sinh.

Tối ưu hóa vật liệu thông qua trí tuệ quy trình dựa trên AI

Bản thân việc lựa chọn và xử lý vật liệu để cắt ống nhẹ NEV là một lĩnh vực mà phân tích dựa trên AI đang tạo ra lợi thế cạnh tranh. Bối cảnh vật liệu cho các ống kết cấu NEV đang nhanh chóng mở rộng, với các loại thép cường độ cao tiên tiến với các cấp cường độ năng suất ngày càng tăng, nhiệt độ hợp kim nhôm mới được tối ưu hóa cho việc cắt laser và các hoạt động tạo hình tiếp theo, cũng như các khái niệm ống đa vật liệu mới nổi kết hợp các vật liệu khác nhau trong một phần ép đùn hoặc tạo hình cuộn. Việc điều hướng bối cảnh vật liệu mở rộng này một cách hiệu quả đòi hỏi mức độ quản lý kiến ​​thức quy trình mà các công cụ AI phù hợp để hỗ trợ.

Các mô hình AI liên kết dữ liệu chứng nhận vật liệu với các yêu cầu tham số quy trình và chất lượng cắt đạt được tạo ra cơ sở kiến ​​thức được cập nhật liên tục giúp nắm bắt hành vi cắt của các biến thể vật liệu mới khi chúng được đưa vào sản xuất. Khi lần đầu tiên gặp phải loại thép hoặc nhôm mới, hệ thống AI có thể xác định vật liệu có đặc điểm giống nhất trước đó trong cơ sở dữ liệu của nó và tạo ra đề xuất tham số ban đầu mang lại điểm xuất phát gần hơn nhiều so với các tham số danh mục vật liệu chung, giảm thời gian đánh giá chất lượng và lãng phí vật liệu trong quá trình phát triển quy trình.

Quản lý vùng chịu ảnh hưởng nhiệt là thách thức tối ưu hóa vật liệu đặc biệt quan trọng đối với các ống thép cường độ cực cao được sử dụng trong các kết cấu an toàn NEV. Những vật liệu này, với cường độ năng suất từ ​​1.000 megapascal trở lên, đạt được các đặc tính của chúng thông qua các điều kiện cấu trúc vi mô được kiểm soát chính xác, nhạy cảm với chu trình nhiệt do cắt laser áp đặt. Các mô hình nhiệt dựa trên AI dự đoán độ sâu vùng bị ảnh hưởng bởi nhiệt và sự suy giảm đặc tính do chức năng của các thông số cắt cho phép tối ưu hóa quy trình nhằm giảm thiểu tác động nhiệt trong khi vẫn duy trì chất lượng cắt, duy trì hiệu suất cơ học phù hợp cho việc sử dụng các vật liệu cao cấp này.

Đối với việc cắt ống nhôm, thách thức tối ưu hóa vật liệu cơ bản là quản lý các tác động của lớp oxit đến chất lượng cắt và ngăn chặn các kiểu phun nóng chảy tạo ra vệt trên cạnh cắt. Các mô hình AI được đào tạo về dữ liệu cắt nhôm có thể xác định sự tương tác giữa thành phần hợp kim, nhiệt độ, độ dày thành và các thông số cắt xác định xu hướng hình thành lưỡi dao, cho phép lựa chọn thông số giúp giảm thiểu các hoạt động mài mòn thứ cấp cũng như chi phí và thời gian chu kỳ liên quan của chúng.

Tích hợp song song kỹ thuật số trong hệ thống cắt ống NEV

Công nghệ song sinh kỹ thuật số ngày càng được tích hợp với các hệ thống cắt ống được điều khiển bằng AI để tạo ra bản trình bày ảo được cập nhật liên tục về hệ thống cắt và trạng thái quy trình của nó, cho phép tối ưu hóa dự đoán và khả năng giám sát từ xa. Bản song sinh kỹ thuật số của hệ thống cắt ống bao gồm động học của máy, trạng thái nhiệt của nguồn cắt và quang học phân phối chùm tia, tình trạng của các bộ phận tiêu hao bao gồm vòi phun và kính bảo vệ cũng như lịch sử cắt tích lũy liên quan đến trạng thái mài mòn của bộ phận.

Các mô hình học máy hoạt động trên bản song sinh kỹ thuật số có thể dự đoán quỹ đạo hiệu suất trong tương lai của hệ thống cắt dựa trên trạng thái hiện tại và lịch sản xuất theo kế hoạch, cho phép các biện pháp can thiệp bảo trì chủ động nhằm ngăn chặn thời gian ngừng hoạt động ngoài dự kiến. Đối với các bộ phận cấu trúc thân xe NEV được đưa trực tiếp vào dây chuyền lắp ráp xe theo đúng lịch trình, thời gian ngừng hoạt động của máy cắt ống ngoài dự kiến ​​sẽ tạo ra hiệu ứng lan truyền trên toàn bộ hệ thống sản xuất. Giá trị kinh tế của việc ngăn chặn ngay cả một sự kiện ngừng hoạt động ngoài kế hoạch có thể làm dừng dây chuyền lắp ráp xe sẽ chứng tỏ sự đầu tư đáng kể vào khả năng bảo trì dự đoán dựa trên AI.

Các mô hình song sinh kỹ thuật số cũng hỗ trợ vận hành nhanh các chương trình bộ phận mới cho các chương trình mô hình NEV mới. Khi một hình dạng ống hoặc sự kết hợp vật liệu mới được giới thiệu, bản song sinh kỹ thuật số có thể mô phỏng quá trình cắt và dự đoán dung sai có thể đạt được, kết quả chất lượng cắt và thời gian chu kỳ trước khi tiến hành bất kỳ thử nghiệm vật lý nào. Khả năng xác thực ảo này nén dòng thời gian phát triển chương trình chi tiết và giảm lãng phí vật liệu liên quan đến thử nghiệm cắt vật lý, cả hai đều là lợi thế đáng kể trong một ngành nơi các chương trình mô hình mới được tung ra với tần suất ngày càng tăng.

Giám sát từ xa dữ liệu trạng thái kép kỹ thuật số cho phép các nhóm kỹ thuật quy trình tập trung hỗ trợ lắp đặt nhiều hệ thống cắt trên các cơ sở sản xuất khác nhau, tận dụng kiến ​​thức quy trình được chia sẻ mà không yêu cầu các kỹ sư chuyên gia phải có mặt thực tế tại mỗi cơ sở. Khả năng này đặc biệt có giá trị đối với các nhà sản xuất NEV đang nhanh chóng mở rộng cơ sở sản xuất của mình trên nhiều khu vực địa lý và cần chuyển giao kiến ​​thức về quy trình đã được chứng minh một cách hiệu quả đến các địa điểm sản xuất mới.

Cắt được tối ưu hóa bằng AI cho hình dạng kết cấu NEV phức tạp

Kiến trúc cấu trúc của các thiết kế thân màu trắng hiện đại của NEV kết hợp các hình dạng ống có độ phức tạp ngày càng tăng thách thức các phương pháp lập trình CAM thông thường. Các ống được tạo hình bằng thủy lực có tiết diện thay đổi, các phôi ống được hàn phù hợp kết hợp các độ dày thành hoặc vật liệu khác nhau và ép đùn đa ô với các cấu trúc gân bên trong phức tạp đều yêu cầu các chiến lược cắt vượt xa khả năng của các thuật toán cắt hình học truyền thống.

Hệ thống CAM dựa trên AI để cắt ống sử dụng các phương pháp tổng hợp để xác định chiến lược cắt tối ưu cho các hình dạng phức tạp, xem xét các yếu tố bao gồm tránh va chạm giữa đầu cắt và biên dạng ống, góc tiếp cận mỏ hàn tối ưu giúp giảm thiểu lớp đúc lại trên các bề mặt chức năng, sắp xếp trình tự các tính năng cắt bên trong và bên ngoài để tránh biến dạng do tách vật liệu sớm và tối ưu hóa đường dẫn vào và ra để ngăn ngừa hư hỏng xuyên qua các bề mặt lân cận.

Đối với các đường cắt đối phó phức tạp cần thiết khi một ống giao nhau với một ống khác trong cấu trúc khung không gian, thuật toán AI có thể tạo ra hình dạng yên chính xác để tạo ra mối nối vừa khít để hàn mà không yêu cầu tính toán hình học thủ công hoặc thử nghiệm lắp vật lý lặp đi lặp lại. Độ chính xác của hình học đối phó do AI tạo ra đã nâng cao đến mức tỷ lệ lắp ráp bài viết đầu tiên trong các thiết bị lắp ráp tự động đạt tới 100%, loại bỏ các chu trình làm lại trước đây được chấp nhận như một phần không thể tránh khỏi của quá trình lắp ráp khung không gian.

Tích hợp thiết kế sáng tạo với tối ưu hóa đường cắt AI đại diện cho một biên giới mới nổi trong đó hình dạng của các mối nối ống kết cấu được đồng tối ưu hóa với quy trình sản xuất sẽ tạo ra chúng. Thay vì thiết kế các mối nối chỉ dựa trên các yêu cầu về cấu trúc và sau đó thiết kế quy trình sản xuất để tạo ra chúng, các thuật toán thiết kế tổng quát kết hợp trực tiếp các ràng buộc của quy trình sản xuất vào vòng tối ưu hóa cấu trúc có thể xác định hình dạng của mối nối đồng thời tối ưu về mặt cấu trúc và hiệu quả sản xuất. Việc tối ưu hóa từ thiết kế đến sản xuất theo vòng kín này đang trở thành một khả năng quan trọng đối với các nhà sản xuất NEV muốn nén các chu trình phát triển sản phẩm trong khi vẫn đạt được hiệu suất kết cấu vượt trội trên mỗi đơn vị khối lượng.

Hiệu quả năng lượng và tính bền vững trong quá trình cắt bằng AI

Thông tin xác thực về tính bền vững của quy trình sản xuất NEV đang được cả cơ quan quản lý và người tiêu dùng giám sát chặt chẽ, những người nhận ra rằng tác động môi trường trong vòng đời của xe điện bao gồm lượng khí thải và mức tiêu thụ tài nguyên liên quan đến quá trình sản xuất. Cắt ống là một quy trình sản xuất tiêu tốn nhiều năng lượng và việc tối ưu hóa các thông số cắt và lập kế hoạch sản xuất dựa trên AI có thể giúp giảm đáng kể mức tiêu thụ năng lượng trên mỗi bộ phận được sản xuất.

Mức tiêu thụ năng lượng cắt laser được xác định bởi sự tương tác giữa công suất laser, tốc độ cắt và chu kỳ làm việc. Tối ưu hóa tham số dựa trên AI giúp đạt được công suất laser tối thiểu và tốc độ cắt tối đa phù hợp với chất lượng cắt yêu cầu giúp giảm thiểu mức tiêu thụ năng lượng trên mỗi mét cắt trong khi vẫn duy trì chất lượng sản xuất. Đối với một cơ sở sản xuất cấu trúc thân NEV khối lượng lớn xử lý hàng trăm tấn vật liệu ống mỗi năm, mức tiết kiệm năng lượng tích lũy từ các thông số cắt được tối ưu hóa bằng AI là rất đáng kể.

Tối ưu hóa lịch trình sản xuất bằng thuật toán AI giúp giảm lãng phí năng lượng do thời gian nhàn rỗi của máy và cải thiện việc sử dụng các hệ thống laser công suất cao nhất có hiệu suất năng lượng cao hơn đáng kể ở mức sử dụng cao so với mức sử dụng thấp. Bằng cách phân cụm sản xuất các vật liệu và hình dạng tương tự để giảm thiểu tần suất chuyển đổi và tối đa hóa tính liên tục của hoạt động cắt, hệ thống lập kế hoạch AI cải thiện đồng thời cả hiệu suất năng lượng và thông lượng.

Cải thiện năng suất nguyên liệu từ việc lồng ghép AI và tối ưu hóa quy trình sẽ trực tiếp giảm lượng nguyên liệu đầu vào cần thiết cho mỗi phương tiện, đồng thời giảm tương ứng về năng lượng và khí thải liên quan đến việc sản xuất nguyên liệu đó. Đối với nhôm ép đùn chiếm tỷ lệ ngày càng tăng trong các ống kết cấu NEV, nơi năng lượng tiêu tốn của quá trình sản xuất nhôm sơ cấp rất cao, việc cải thiện năng suất vật liệu có tác động lớn một cách không cân xứng đến dấu ấn môi trường trong vòng đời của phương tiện.

Hỗ trợ tối ưu hóa mức tiêu thụ khí đốt là một đòn bẩy bền vững khác trong đó AI mang lại giá trị. Cắt laser yêu cầu khí hỗ trợ có áp suất, oxy cho thép hoặc nitơ cho nhôm và thép không gỉ, để đẩy vật liệu nóng chảy ra khỏi vết cắt và bảo vệ bề mặt cắt. Các mô hình AI điều chỉnh chính xác áp suất khí hỗ trợ và tốc độ dòng chảy phù hợp với điều kiện cắt cho từng tính năng sẽ giảm thiểu mức tiêu thụ khí mà không ảnh hưởng đến chất lượng cắt, giảm cả chi phí vận hành và tác động đến môi trường liên quan đến sản xuất khí công nghiệp.

Tích hợp với Hệ thống Sản xuất Thân trắng NEV

Cắt ống điều khiển bằng AI không hoạt động riêng lẻ; toàn bộ giá trị của nó được hiện thực hóa thông qua sự tích hợp chặt chẽ với các hệ thống quản lý vật liệu và thiết kế thượng nguồn cũng như các hệ thống lắp ráp, hàn và xác minh chất lượng hạ nguồn cùng nhau tạo thành hệ thống sản xuất thân xe màu trắng NEV. Giao diện dữ liệu giữa quá trình cắt ống và các hệ thống liền kề này là nơi AI tạo ra những lợi ích hệ thống đáng kể nhất.

Tích hợp ngược dòng với các hệ thống thiết kế kỹ thuật cho phép nhập trực tiếp hình học ống CAD gốc vào môi trường CAM được tăng cường AI, loại bỏ các lỗi dịch thuật và các phép tính gần đúng hình học gây khó khăn cho quy trình trao đổi dữ liệu thông thường. Các thuật toán nhận dạng tính năng dựa trên AI xác định tất cả các tính năng cắt được xác định trong mô hình CAD và tự động tạo các chương trình cắt với các thông số phù hợp, giảm thời gian tạo chương trình từ hàng giờ xuống còn vài phút cho các thành phần ống đa tính năng phức tạp.

Việc tích hợp với hệ thống chuỗi cung ứng và quản lý vật liệu cho phép các thuật toán lập kế hoạch sản xuất AI tính toán dữ liệu chất lượng vật liệu đến, bao gồm xác minh kích thước của ống, kết quả kiểm tra tình trạng bề mặt và phân tích chứng nhận vật liệu, trực tiếp đưa ra quyết định lập kế hoạch sản xuất. Vật liệu ống có độ lệch kích thước có thể ảnh hưởng đến chất lượng cắt đối với các ứng dụng có dung sai chặt chẽ có thể được tự động chuyển hướng sang các ứng dụng đòi hỏi ít hơn, nơi độ lệch của nó có thể chấp nhận được, tối đa hóa việc sử dụng vật liệu đồng thời bảo vệ chất lượng trong các ứng dụng quan trọng.

Việc tích hợp xuôi dòng với hệ thống hàn robot cho phép sử dụng dữ liệu kích thước thu được trong quá trình kiểm tra chất lượng cắt ống để định vị vật cố định thích ứng và hiệu chỉnh đường hàn trong các hoạt động lắp ráp tiếp theo. Khi hệ thống chất lượng AI phát hiện sự thay đổi kích thước có hệ thống trong hình dạng ống cắt nằm trong thông số kỹ thuật nhưng có xu hướng giới hạn, robot hàn xuôi dòng có thể nhận được dữ liệu vị trí cập nhật để bù đắp cho sự thay đổi này trước khi phát sinh bất kỳ vấn đề lắp ráp nào. Việc tích hợp AI xuyên suốt quá trình này tạo ra mức độ nhất quán về chất lượng lắp ráp mà việc tối ưu hóa quy trình riêng biệt không thể đạt được.

Chuyển đổi lực lượng lao động và hợp tác con người-AI

Việc đưa các khả năng do AI điều khiển vào hoạt động cắt ống NEV sẽ làm thay đổi hồ sơ kỹ năng cần có của lực lượng lao động sản xuất thay vì chỉ đơn giản là loại bỏ các vai trò. Kiến thức thủ công mà những người vận hành cắt có kinh nghiệm trước đây mang trong đầu, bao gồm các mẫu hành vi vật liệu, phương pháp chẩn đoán sự cố và kỹ năng phán đoán chất lượng, được ghi lại và hệ thống hóa trong các mô hình AI giúp kiến ​​thức này có sẵn một cách nhất quán cho tất cả những người vận hành và tất cả các ca. Việc dân chủ hóa kiến ​​thức chuyên môn về quy trình này nâng cao hiệu suất của toàn bộ hoạt động đồng thời giải phóng các kỹ thuật viên giàu kinh nghiệm khỏi các nhiệm vụ giám sát và điều chỉnh thường xuyên để tập trung vào các hoạt động cải tiến quy trình và giải quyết vấn đề có giá trị cao hơn.

Các kỹ sư quy trình làm việc với hệ thống cắt ống điều khiển bằng AI đòi hỏi những năng lực mới về phân tích dữ liệu, giải thích mô hình học máy và quản lý hệ thống AI, khác biệt với bộ kỹ năng kỹ thuật quy trình cắt truyền thống. Các nhà sản xuất NEV hàng đầu đang đầu tư vào các chương trình đào tạo có mục tiêu nhằm phát triển những năng lực này trong lực lượng lao động kỹ thuật hiện có của họ, bổ sung bằng cách tuyển dụng có chọn lọc các tài năng về khoa học dữ liệu và kỹ thuật AI, những người thuộc các nhóm sản xuất thay vì tách biệt trong các tổ chức công nghệ riêng biệt.

Mô hình cộng tác giữa con người và AI trong các hoạt động cắt ống tiên tiến giao cho hệ thống AI chịu trách nhiệm chính trong việc giám sát quy trình thường xuyên, điều chỉnh thông số và đưa ra các quyết định sàng lọc chất lượng trong đó khối lượng và tốc độ của các quyết định cần thiết vượt quá khả năng nhận thức của con người. Người vận hành con người giữ trách nhiệm chính trong việc xử lý ngoại lệ, đánh giá tình huống mới, cấu hình hệ thống và đưa ra phán quyết đòi hỏi sự hiểu biết theo ngữ cảnh ngoài dữ liệu đào tạo của các mô hình AI hiện tại. Sự phân công lao động nhận thức này phát huy thế mạnh tương ứng của con người và trí tuệ nhân tạo, đạt được kết quả tốt hơn những gì mỗi bên có thể đạt được một cách độc lập.

Trường hợp kinh tế cho việc đầu tư cắt ống NEV dựa trên AI

Trường hợp kinh doanh đầu tư vào khả năng cắt ống điều khiển bằng AI trong sản xuất NEV được hỗ trợ bởi nhiều dòng giá trị độc lập, cùng nhau tạo ra lợi tức đầu tư hấp dẫn ngay cả với chi phí vốn cao hơn của các hệ thống cắt tích hợp AI tiên tiến so với các giải pháp thay thế thông thường.

Cải thiện năng suất nguyên liệu từ việc lồng ghép AI và giảm phế liệu thường mang lại lợi tức đầu tư nhanh nhất, với mức cải thiện từ 3 đến 8 điểm phần trăm trong việc sử dụng nguyên liệu chuyển trực tiếp sang giảm chi phí nguyên liệu thô theo khối lượng. Đối với một cơ sở sản xuất tiêu thụ vài nghìn tấn nhôm ép đùn hàng năm theo giá hàng hóa hiện tại, việc cải thiện năng suất 5% thể hiện mức giảm chi phí hàng triệu đô la hàng năm mà chỉ riêng điều này cũng có thể biện minh cho khoản đầu tư vốn đáng kể vào năng lực AI.

Việc giảm thời gian chu kỳ từ các tham số cắt được tối ưu hóa bằng AI và giảm thời gian không cắt thông qua tối ưu hóa đường chuyển động thông minh giúp tăng công suất của hệ thống cắt từ cơ sở vốn nhất định. Đối với các nhà sản xuất NEV hoạt động trong điều kiện hạn chế về năng lực khi khối lượng sản xuất tăng cao, việc cải thiện năng suất này có thể trì hoãn hoặc loại bỏ nhu cầu đầu tư vốn bổ sung vào thiết bị cắt, đồng thời giảm chi phí đơn vị tương ứng nhờ khả năng hấp thụ chi phí tốt hơn trên cơ sở tài sản hiện có.

Giảm chi phí chất lượng nhờ giám sát quy trình dựa trên AI và kiểm soát thích ứng giúp giảm tỷ lệ các bộ phận không phù hợp cần phải làm lại hoặc loại bỏ, giảm tần suất các vấn đề lắp ráp do hình dạng ống không có thông số kỹ thuật gây ra và giảm chi phí bảo hành và các sự kiện chất lượng hiện trường do sự biến đổi của quy trình cắt ống. Những khoản giảm chi phí chất lượng này được phân phối trên toàn hệ thống sản xuất và chuỗi cung ứng thay vì tập trung vào chính hoạt động cắt ống, khiến cho toàn bộ mức độ của chúng khó có thể nắm bắt được bằng cách biện minh về vốn đơn giản nhưng lại rất thực tế về tổng thể.

Giảm sự phụ thuộc vào kiến ​​thức khan hiếm của chuyên gia vận hành là một giá trị chiến lược khó định lượng về mặt tài chính thông thường nhưng lại cực kỳ quan trọng đối với các nhà sản xuất NEV đang mở rộng nhanh chóng sang các địa điểm sản xuất mới. Các hệ thống AI mã hóa kiến ​​thức chuyên môn về quy trình và cung cấp kiến ​​thức đó một cách nhất quán bất kể trình độ kinh nghiệm của người vận hành địa phương cho phép tăng tốc sản xuất nhanh hơn tại các cơ sở mới và giảm nguy cơ chênh lệch hiệu suất chất lượng giữa các nhà máy có thể tạo ra những biến chứng tốn kém trong chuỗi cung ứng.