Automatizált szénszálcsoport-detektáló algoritmus fejlesztése digitális képfeldolgozás és mesterséges intelligencia eszközökkel
A szénszálerősítésű polimer (CFRP) kompozitok egyre szélesebb körben elterjedt alapanyagok a műszaki gyakorlatban, leginkább olyan iparágakban, ahol a konstrukciónak kiváló fajlagos mechanikai tulajdonságokkal kell rendelkeznie alacsony tömeg mellett (például autóipar, sporteszközgyártás, vagy űripar). Ezen kompozit alkatrészek azonban általában nem kész geometriai méretekkel rendelkeznek, hanem gyártásuk során bizonyos ráhagyásokkal rendelkeznek. Ezeket a ráhagyásokat leggyakrabban mechanikus forgácsolással távolítják el, így kialakítva a végleges alakot, méreteket. Ezen forgácsolási eljárások közül a legelterjedtebb a fúrás. A szálerősített kompozitok esetén azonban eltérő kihívások tapasztalhatóak a hagyományosan forgácsolt, kvázi homogén és izotróp szerkezetű anyagokhoz képest. A szálerősítés következtében gyakran irányfüggő és lokálisan változó körülmények tapasztalhatók a forgácsolás közben, amelyek sok esetben megmunkálás által okozott geometriai hibákat okozhatnak az alkatrészen. Ezek közül leginkább vizsgált terület a sorja, illetve a delamináció képződés. Mivel ezen kompozit alkatrészek általában valamilyen szerkezeti elemek, így ezek a hibák könnyen szerelhetetlenné teszik a konstrukciót. A hibák a kijavítása gyakran igényel utómunkát, ami jelentős nem tervezett költséggel járhat a gyártás során. A CFRP anyagok fúrása egy frekventáltan kutatott téma, így az anyag megfelelő tulajdonságainak ismeretében a sorja kialakulásának kvázi véletlenszerű természete ellenére is előre jelezhető, hogy az adott területen várhatóan fog-e kialakulni sorja. A témában rejlő lehetőségek, összetettségének és naprakész jellege miatt választottam kutatásom témájául a CFRP kompozitok szénszálcsoportjainak detektálására alkalmas algoritmusok fejlesztését, melyekkel ezen anyagok fúrása során keletkező sorja előrejelzése támogatható.
A módszer kifejlesztéséhez rövidre vágott szánszálerősítésű kompozitról készült digitális felvételeket használtam fel. A fényképek 12 különböző irányú megvilágításból készültek, amelyek esetében különböző orientációjú szénszálak verték vissza a fényt a kamera objektívére. A CFRP kompozit anyagról előtt készült képeket különböző algoritmusokkal vizsgáltam. Először a digitális képfeldolgozás (DIP) eszközeit alkalmaztam Python programozási környezetben. A képeket az fényintezitásuknak megfelelő mértékben binarizáltam, majd különböző egyedi szűrési módszereket alkalmaztam, hogy a képen található zavarokat megszüntessem, majd többféleképpen is megkíséreltem meghatározni a szálak pontos befoglaló területét. A DIP algoritmusok fejlesztése érdekében gépi tanuló módszereket is alkalmaztam. Egy előre tanított anomáliadetektálásra kifejlesztett gépi tanuló algoritmussal a meghatározott szálak kitöltésének összefüggőségét javítottam. A fejlesztett algoritmusok jóságát manuális száldetektálási eredményekkel validáltam. Az eredmények egyértelműen azt mutatják, hogy a szálcsoportok reprodukálhatóan és automatizáltan detektálhatók az általam fejlesztett, újszerű algoritmusokkal.
Irodalom:
1. N. Geier, G. Póka, Á. Jacsó, & C. Pereszlai, A method to predict drilling-induced burr occurrence in chopped carbon fibre reinforced polymer (CFRP) composites based on digital image processing, Compos. Part B Eng., vol. 242, p. 110054, 2022, https://doi.org/10.1016/j.compositesb.2022.110054
2. Poór, D. I., Geier, N., Pereszlai, C., & Xu, J. A critical review of the drilling of CFRP composites: Burr formation, characterisation and challenges. Composites Part B: Engineering, 223, 109155. https://doi.org/10.1016/j.compositesb.2021.109155
