올해 나는 다음과 같은 주제에 주목했습니다.냉간 성형의 AI 및 디지털 트윈제조 논의에서 점점 더 많이 나타나고 있습니다. 언뜻 보면 이는 또 다른 일반적인 Industry 4.0 전문 용어 조합처럼 들립니다. 하지만 실제로 작업 현장에서 일어나는 일을 살펴보면 전혀 추상적이지 않습니다.{3}}이는 엔지니어들이 오랫동안 어려움을 겪어 온 문제, 즉 도구 마모, 불안정한 품질, 긴 설정 주기, 예상치 못한 기계 가동 중지 시간 등의 문제를 해결하는 것입니다.

냉간 성형 자체는 상당히 효율적인 공정입니다. 기계 가공처럼 금속을 절단하는 대신 고압, 실온에서 재료의 모양을 변경합니다. 자동차 부품, 패스너, 정밀 금속 부품 등 어디에서나 찾을 수 있습니다.

이 프로세스는 효율적이지만 놀라울 정도로 민감합니다. 재료 배치, 윤활 조건 또는 도구 마모의 작은 변화로 인해 결함이 빠르게 발생할 수 있습니다. 실망스러운 부분은 이러한 문제가 항상 즉시 나타나는 것은 아니라는 것입니다. 많은 공장에서 엔지니어는 여전히 경험, 시각적 점검, 반복적인 시험 가동에 크게 의존하고 있습니다. 어느 정도까지는 작동하지만 생산량이 증가할 때 항상 안정적이거나 확장 가능한 것은 아닙니다.

디지털 트윈이 실제로 상황을 변화시키는 곳

이것이 바로 디지털 트윈 기술이 이해되기 시작하는 지점입니다.

디지털 트윈은 기본적으로 실제 기계나 프로세스의 가상 대응물입니다. 냉간 성형에서는 프레스 기계, 툴링 설정, 재료 동작은 물론 성형 중 응력이나 온도 변화까지 나타낼 수 있습니다. 그러나 기존 시뮬레이션과의 주요 차이점은 정적 상태로 유지되지 않는다는 것입니다. 실제 생산 데이터를 기반으로 계속 업데이트되므로 가상 모델은 생산 라인에서 실제로 일어나는 일과 점차적으로 일치합니다.

실제로는 시뮬레이션 도구라기보다는 공장 프로세스의 "거울"처럼 느껴집니다.

AI가 추가되면 어떻게 될까요?

여기에 AI가 도입되면 시스템이 훨씬 더 적극적으로 변합니다.

내가 본 바에 따르면 머신러닝 모델은 과거 생산 데이터에 숨겨진 패턴을 찾는 데 특히 능숙합니다. 운영자가 전혀 알아차리지 못할 수도 있는 패턴입니다. 예를 들어, 프레스 사이클의 특정 단계에서 진동이 약간 증가하는 것은 처음에는 중요하지 않게 보일 수 있습니다. 그러나 시간이 지남에 따라 시스템은 이것이 일반적으로 며칠 후 가속화된 공구 마모와 상관관계가 있음을 학습할 수 있습니다.

도구가 실패할 때까지 기다리는 대신 시스템에서 조기에 플래그를 지정할 수 있습니다. 때로는 유지 관리를 제안하기도 합니다. 다른 경우에는 프로세스 매개변수 조정을 권장할 수도 있습니다. 어느 쪽이든, 변화는 반응에서 예측으로 이루어졌습니다.

프로세스 최적화가 시행착오와-및-오류를 줄여줍니다.

전통적으로 가압력, 속도, 윤활과 같은 매개변수는 경험을 바탕으로 설정됩니다. 엔지니어는 출력이 안정화될 때까지 반복적인 시도를 통해 점진적으로 조정합니다. 작동하지만 시간이 걸리고-튜닝 중에 많은 자료가 낭비될 수 있습니다.

AI{0}}기반 디지털 트윈의 경우 상황은 상당히 다릅니다. 실제 생산 배치를 실행하기 전에 가상으로 수천 개의 매개변수 조합을 테스트할 수 있습니다. 이것만으로도 많은 양의 -현장 시험-및-오류가 줄어듭니다.

어떤 경우에는 결함률을 높이지 않고도 기계가 최적의 성능 창에 더 가깝게 작동할 수 있게 해줍니다. 수동 조정만으로는 달성하기 어려운 작업입니다.

품질 관리가 업스트림으로 이동합니다.

품질 검사는 생산 후에 이루어졌습니다. 부품을 만든 다음 그것이 좋은지 아닌지 확인하십시오.

하지만 이제는 디지털 트윈 모델과 결합된 센서 데이터를 통해 성형 공정 자체에서 품질 예측이 실제로 발생할 수 있습니다. 힘 곡선, 음향 신호, 다이 온도-이러한 신호는 시스템에 지속적으로 입력됩니다.

무언가가 예상 패턴에서 벗어나기 시작하면 시스템은 이를 조기에 감지할 수 있습니다. 어떤 경우에는 부품이 완전히 성형되기 전에 결함 가능성을 예측할 수도 있습니다. 이는 스크랩 부품이 적고 재료 낭비가 적다는 것을 의미하며, 이는 대량 생산에 있어서 큰 문제입니다-.

현실: 플러그 앤 플레이-가-아님

물론 이것이 기술이 구현하기 쉽다는 것을 의미하지는 않습니다.

가장 큰 문제 중 하나는 데이터 품질입니다. 냉간 성형 환경은 문자 그대로나 디지털적으로나-시끄럽습니다. 센서가 항상 깨끗한 신호를 생성하는 것은 아니며, 오래된 기계에는 애초에 적절한 데이터 수집 시스템이 없는 경우가 많습니다.

통합 문제도 있습니다. 많은 레거시 머신은 최신 AI 플랫폼과 "대화"하도록 설계되지 않았습니다. 이를 통합 데이터 시스템에 연결하는 것은 AI 모델 자체를 구축하는 것보다 더 많은 노력이 필요할 수 있습니다.

따라서 컨셉은 우아해 보이지만 기초 작업이 가장 어려운 부분인 경우가 많습니다.

방향은 아직 명확해요

이러한 어려움에도 불구하고 발전의 방향을 놓치기 어렵습니다. 더 많은 공장이 인더스트리 4.0으로 전환함에 따라 AI와 결합된 디지털 트윈은 점차 실험적인 프로젝트에서 실용적인 도구로 전환되고 있습니다.

사고방식도 바뀌고 있다. 제조업체는 문제가 발생한 후에 이를 해결하는 대신 문제가 발생하기 전에 예측하고 예방하려고 노력하고 있습니다.

그리고 장기적으로 봤을 때 가장 큰 가치는 단순히 비용 절감이나 효율성 향상이 아닌 것 같아요. 훨씬 더 높은 해상도로 냉간 성형 공정 자체를 이해하는 것은-더 깊은 의미를 갖습니다.

시뮬레이션, 실시간 생산 데이터,{0}}AI 학습이 폐쇄 루프를 형성하면 설계와 제조 간의 격차가 줄어들기 시작합니다. 정밀도, 가동 시간 또는 폐기율의 작은 개선이라도 재정적으로 큰 영향을 미칠 수 있는 업계에서는 이러한 변화가 유용할 뿐만 아니라{2}}혁신적입니다.