Les méthodes basées sur le “machine learning” facilitent le contrôle de la pression du liquide de refroidissement requise en utilisant un code CN optimisé. Source : Malek/IFW
Les méthodes basées sur le “machine learning” facilitent le contrôle de la pression du liquide de refroidissement requise en utilisant un code CN optimisé. Source : Malek/IFW

L’Institut d’ingénierie de production et de machines-outils de l’Université Leibniz de Hanovre (Allemagne) étudie les économies d’énergie lors des travaux d’usinage grâce à la modulation de la pression du liquide de refroidissement. Le projet est soutenu financièrement par Open Mind Technologies qui a fourni la géométrie de la pièce ainsi que la programmation de l’usinage et les analyses. Les chercheurs ont déterminé le niveau optimal de pression du liquide de refroidissement selon le degré d’usure de l’outil. Résultat : jusqu’à 33 % d’économie d’énergie. Une simulation basée sur le « machine learning » a été développée également à partir de ces travaux de recherche. « Le projet a abouti à deux méthodes qui vont nous permettre d’aller encore plus loin dans le développement de nos systèmes CFAO (Conception et Fabrication Assistées par Ordinateur) », se félicite Josef Koch, directeur technique d’Open Mind Technologies. « Le contrôle dynamique de la pression du liquide de refroidissement pourrait, à l’avenir, être intégré dans le générateur du code CN de notre logiciel de CFAO hyperMILL. Nous étudions également la possibilité d’utiliser des modèles prédictifs pour déterminer l’usure de l’outil. Cela permettrait aux utilisateurs de comparer les différences d’usure selon la stratégie de fraisage utilisée. »

www.ifw.uni-hannover.de/en/

Date de publication : mai 2023

Partager cet article

Sur le même sujet