مراقبة تآكل الأدوات في الطحن باستخدام الحاسب الآلي

نظرة عامة على مراقبة حالة الأداة (TCM)

يراقب نظام مراقبة حالة الأداة (TCM) أداء أداة القطع أثناء استخدامها في التشغيل الآلي (خاصةً في عمليات الطحن باستخدام الحاسب الآلي) من خلال فحص أداء أداة القطع بانتظام للكشف عن انتهاء عمرها الافتراضي بسبب التآكل أو الكسر أو التشقق. يُمكّن دمج مجموعة متنوعة من المستشعرات، بما في ذلك مستشعرات قوة القطع، ومستشعرات الاهتزاز، ومستشعرات الانبعاثات الصوتية، وحتى مستشعرات الصور الضوئية، في نظام TCM، من اتخاذ قرارات فورية بشأن توقيت استبدال أداة القطع أو تعديلها لتحسين جودة القطع وتقليل وقت توقف الآلة عن العمل، مما يُحسّن تكاليف الأدوات.

يختلف نظام التحكم الصيني التقليدي (TCM) عن نظام مراقبة حالة الآلة، الذي يراقب حالة أداة الآلة (أي المحامل، والمغازل، ومحركات الدفع، وهيكل أداة الآلة) من خلال مراقبة معلمات مثل اهتزاز المغزل، وتيار المحرك، ودرجة الحرارة، وذلك لمنع الأعطال المتعلقة بالآلة والحفاظ على سلامة النظام بشكل عام. أما مراقبة الأداة، فتركز فقط على حالة أداة القطع وتأثيرها على عملية التصنيع؛ فبينما يهدف نظام مراقبة الآلة إلى الحفاظ على سلامة الآلة، يحافظ نظام التحكم الصيني التقليدي على سلامة الأداة. يُعد كلٌّ من نظام التحكم الصيني التقليدي ومراقبة الآلة عنصرين أساسيين في التصنيع الذكي؛ ومع ذلك، صُمم كلٌّ منهما لمراقبة وتشخيص أنواع مختلفة من الأعطال باستخدام أنواع مختلفة من أجهزة الاستشعار ومنهجيات التشخيص.

أساسيات تآكل الأدوات

تآكل الجوانب هو أكثر أنواع التآكل شيوعًا، ويحدث عند واجهة جانب الأداة والسطح المُشَكَّل، مما يُسبب تآكلًا بمرور الوقت. يحدث تآكل الفوهات عند الواجهة بين الرقاقة وسطح أشعل الأداة، مما يُسبب انخفاضًا بسبب ارتفاع درجات الحرارة والتفاعلات بين الرقاقة والأداة. بالإضافة إلى هذين النوعين من التآكل، هناك أنواع أخرى عديدة من التآكل، مثل التقطيع (تكسر الرقاقات الصغيرة من حافة القطع إما بسبب صدمة حرارية أو صدمة ميكانيكية)؛ والالتصاق (لحام مادة قطعة العمل بالأداة وانفصالها عنها، آخذةً معها بعضًا من مادة الأداة)؛ والانتشار (انتقال ذرات من قطعة العمل إلى الأداة عند درجات حرارة عالية جدًا)؛ والتشوه البلاستيكي (التشوه الدائم لحافة الأداة بسبب الحرارة أو الضغط الزائدين).

يمكن وصف التآكل بأربع مراحل مختلفة. تُعرف المرحلة الأولى بمرحلة "التشغيل"، وهي المرحلة الأولية لتآكل حافة القطع، حيث يتطور تآكل طفيف مع بدء استقرار حافة القطع. بعد انتهاء مرحلة التشغيل، تبدأ المرحلة الثانية، المعروفة بـ"الحالة المستقرة"، حيث يكون تآكل حافة القطع مستقرًا نسبيًا. ومع ذلك، إذا ساءت ظروف القطع (مثل ارتفاع درجة الحرارة، انخفاض التبريد، إلخ)، تدخل حافة القطع في مرحلة ثالثة، وهي مرحلة "التآكل السريع". تتميز هذه المرحلة بتدهور مستمر ومتسارع لحافة القطع، ثم تدخل في النهاية في مرحلة رابعة، وهي مرحلة "التآكل الشديد". خلال مرحلة التآكل الشديد، تتعرض حافة القطع لعطل كارثي (فشل الحافة) و/أو تشقق شديد، مما يؤدي إلى فقدان الأداة.

يعتمد معدل تطور التآكل على كلٍّ من معايير القطع وخصائص مادة الأداة. تؤدي زيادة سرعات القطع إلى رفع درجة حرارة الأداة، مما يُسبب تسارعًا في تآكل الانتشار والالتصاق. كما أن ارتفاع معدلات التغذية و/أو أعماق القطع يزيد من الأحمال الميكانيكية على الأداة، مما يُسرّع التآكل والتقطيع. ويتأثر التآكل أيضًا بشكل كبير بصلابة مادة قطعة العمل وقدرتها على التآكل، حيث تؤدي كلتا الخاصيتين إلى زيادة التلامس الاحتكاكي والأحمال الحرارية والإجهاد الميكانيكي.

طرق مراقبة تآكل الأدوات

الطرق المباشرة

بدلاً من استخدام أجهزة استشعار الاتصال لقياس ظروف تآكل الأداة، تستخدم كل من تقنيات قياس تآكل الأداة المباشرة المدرجة أدناه الرؤية الآلية، أو تقنية القياس البصري، لتحديد ظروف تآكل الأداة بصريًا من خلال عرض صورة لحافة أداة القطع أو طرف الأداة وتحديد ما إذا كانت أداة القطع قد أصبحت مهترئة من خلال تحليل الصورة.

1. التقنيات البصرية/البصرية

تلتقط أنظمة الرؤية الآلية صورًا عالية الدقة لأداة القطع عند حافة أداة القطع أو طرفها أو جانبها، إما قبل الطحن أو بعده مباشرةً، وتُحلل لتحديد خصائص التآكل في أداة القطع، بما في ذلك عرض تآكل الجانب، والتقطيع، أو تقريب الحافة. ​​ونظرًا لعدم اتصال هذا النوع من أنظمة القياس بأداة القطع، فلن يؤثر على عملية التصنيع، ويمكن تركيبه داخل محور CNC أو إضافته إلى كاميرا مثبتة مباشرةً على الآلة للمراقبة أثناء العملية. تستخدم العديد من هذه الأنظمة تقنيات معالجة صور بسيطة وأساسية، مثل كشف الحواف أو تجزئة الصور القائمة على العتبة، لتحديد مناطق التآكل في أداة القطع. ونتيجةً للتطورات في الكاميرات وأنظمة الإضاءة، فإن هذه الأنواع من الأنظمة أقل تكلفةً بشكل عام من أنظمة الاستشعار الأخرى، ويمكن دمجها في عمليات التصنيع الذكي الحالية، أو تكوينات الصناعة 4.0.

1. تحليل نسيج السطح وتصنيف الصور الدقيقة (ECADCL)

هناك طريقة مباشرة أخرى لقياس تآكل الأدوات، وهي تحليل السطح المُشَكَّل الناتج عن أداة القطع. كلما أصبحت أداة القطع باهتة، يتغير نسيج السطح المُشَكَّل. يتم ذلك بالتقاط صور للسطح الناتج عن أداة القطع، ثم تطبيق تقنيات تصنيف صور متقدمة عليها لاستنتاج حالة أداة القطع. ومن الأمثلة الحديثة على هذه التقنية تقنية ECADCL (التعلم الفعال لتدمير وبناء انتباه القناة)، وهي تقنية تعلم تحدد الاختلافات الدقيقة في نسيج السطح لتصنيف حالات التآكل.

هندسة ECADCL

المزايا

• إن حقيقة أنها غير تلامسية تعني أن طرق قياس تآكل الأدوات المعتمدة على الرؤية لا تتداخل مع التشغيل الميكانيكي لعملية التصنيع أو تقلل من عمر أجهزة الاستشعار.
• تتميز طرق قياس تآكل الأدوات المعتمدة على الرؤية بتكلفة أقل عند مقارنتها بأجهزة الاستشعار الثقيلة التقليدية؛ حيث يتطلب الكثير منها فقط كاميرات قياسية جاهزة للاستخدام، وإضاءة، وبرامج كمبيوتر.
• تتميز طرق قياس تآكل الأدوات المعتمدة على الرؤية أيضًا بالمرونة فيما يتعلق بالقدرة على دمجها بسهولة في معدات CNC الموجودة؛ على سبيل المثال، يمكن إضافة كاميرا إلى منطقة تغيير الأدوات في الماكينة أو تثبيتها داخل العلبة لفحص أداة القطع في مكانها بين التمريرات.

طرق غير مباشرة

بالمقارنة مع الفحص البصري المباشر، يستخدم الفحص غير المباشر للصلب الصيني بيانات المستشعر لتحديد حالة أداة القطع، دون إيقاف عملية التصنيع. تحلل هذه الطريقة بيانات المستشعر، التي تتغير مع تدهور الأداة، لتحديد مقدار التآكل بشكل مستمر وفي الوقت الفعلي.

1. المراقبة القائمة على المستشعر

هناك أنواع عديدة من بيانات المستشعرات الفيزيائية التي يمكن استخدامها لهذا الغرض. على سبيل المثال، تقيس مستشعرات الاهتزاز كيفية تغير السلوك الديناميكي لنظام محور الأداة بمرور الوقت. كما يمكن لإشارات القوة وتيار المحرك قياس الزيادة في الطاقة المطلوبة عند تآكل الأداة وزيادة مقاومة الآلة بسبب التآكل. بالإضافة إلى ذلك، تقيس مستشعرات الانبعاث الصوتي (AE) موجات الإجهاد عالية التردد الناتجة أثناء عملية القطع والكسور الدقيقة، والتي تتميز بحساسية عالية للمراحل المبكرة من تآكل الأداة. وأخيرًا، يمكن لإشارات الصوت ودرجة الحرارة توفير بيانات إضافية حول ظروف القطع. على الرغم من أن لكل نوع من أنواع المستشعرات مزاياه، إلا أن استخدام نوع واحد فقط قد يكون غير موثوق به بسبب الضوضاء والطبيعة المعقدة للتشغيل الآلي.

استشعار الاهتزاز

1. دمج أجهزة الاستشعار المتعددة لتعزيز الموثوقية

لتقليل قيود أنظمة المستشعر الواحد، يستخدم دمج بيانات المستشعرات المتعددة بيانات من مصادر متعددة، مثل الضوضاء والاهتزاز والصوت، لتطوير نظام مراقبة أكثر موثوقية ودقة. يُمكّن هذا مصادر البيانات المختلفة من التحقق المتبادل من المعلومات لتقليل معدلات الإنذارات الكاذبة الناتجة عن الضوضاء أو الأحداث العابرة الأخرى التي قد تؤثر على نوع واحد فقط من المستشعرات. في النهاية، توفر أنظمة دمج بيانات المستشعرات المتعددة صورة أكثر شمولاً لعملية التصنيع، وبالتالي تُحسّن بشكل كبير من موثوقية التشخيص.

1. أساليب دمج البيانات

يمكن أن يتم دمج البيانات على ثلاثة مستويات أساسية:

1. دمج مستوى الإشارة: تُدمج البيانات الخام من كل مستشعر قبل استخراج خصائصها. ومن الأمثلة الحديثة على دمج مستوى الإشارة تقنية تصوير المصفوفة الزاوية، وهي تقنية تُحوّل بيانات السلاسل الزمنية متعددة المستشعرات (مثل بيانات مستشعرات الاهتزاز والاهتزاز) إلى صور ثنائية الأبعاد بتدرجات رمادية. تحافظ تقنية تصوير المصفوفة الزاوية على العلاقات الزمنية بين البيانات، وتوفر وسيلة فعّالة لتدريب نماذج التعلم العميق القائمة على الصور لتصنيف البيانات المُدمجة.
2. دمج مستوى الميزات: تُستخرج الميزات الفردية (مثل الخصائص الإحصائية أو مكونات التردد) من البيانات الخام لكل مستشعر. ثم تُدمج متجهات الميزات في متجه واحد يُدخل إلى خوارزمية تصنيف.
3. دمج مستوى القرار: يُعالَج كل تدفق بيانات مستشعر بشكل مستقل بواسطة نموذج منفصل لتوليد تنبؤ تآكل منفصل. ويُولَّد القرار النهائي بدمج التنبؤات الفردية معًا. ويمكن دمج التنبؤات الفردية معًا باستخدام تقنيات مختلفة، بما في ذلك نظام التصويت أو مُصنِّف الفوقية.

 النهج المبني على البيانات

يُحدث الذكاء الاصطناعي ثورةً في مجال الطحن باستخدام الحاسب الآلي (CNC) من خلال استخدام التعلم الآلي والتعلم العميق لإنشاء ذكاء تنبؤي يُغني عن الصيانة التفاعلية التقليدية. يُؤدي استخدام الذكاء الاصطناعي في الطحن باستخدام الحاسب الآلي إلى أتمتة استخراج الميزات من بيانات الآلة، ويُمكّن الشركات من التنبؤ بأعطال الأدوات بدقة غير مسبوقة.

باستخدام نماذج فعّالة مثل الشبكات العصبية التلافيفية (CNNs) وشبكات الذاكرة طويلة المدى قصيرة المدى (LSTM)، تستطيع أنظمة اليوم استخلاص خصائص مفيدة من كميات هائلة من بيانات المستشعرات. يتيح استخدام الشبكات المتبقية العميقة مع آليات الانتباه (التي تعمل كوظيفة "تكبير ذكي") التحديد التلقائي للاتجاهات أو الأنماط الرئيسية في الاهتزازات والانبعاثات الصوتية وإشارات التيار، مع تحديد وإزالة ضوضاء الخلفية غير ذات الصلة في الوقت نفسه. وبالتالي، تتيح هذه الأنظمة تقييمًا دقيقًا للغاية لحالة الأدوات في الوقت الفعلي.

تجمع هذه المناهج القائمة على الذكاء الاصطناعي مصادر متعددة لبيانات الاستشعار، وهي إحدى أهم مزاياها. يسمح هذا بدمج جميع البيانات ذات الصلة في تقييم شامل واحد لحالة أداة القطع. كما يتيح التحسين المستمر من خلال التعلم (التعلم التكيفي). بمعنى آخر، سيواصل النظام تحسين قدراته التنبؤية بناءً على البيانات الجديدة التي جُمعت أثناء العمليات الفعلية. توفر هذه التقنية طريقة موثوقة لتقييم أداء أدوات القطع عند التشغيل في ظروف مختلفة (مواد ومعلمات تشغيل مختلفة).

سواءً كانت عملية خراطة أو حفر أو طحن أو تفريز، فإن النتائج واضحة: يمكن للشركات توقع تنبؤات دقيقة للغاية (أكثر من 90%) حول موعد تعطل الأداة، وتقليل فترات التوقف غير المخطط لها، وتوفير المال من خلال منع هدر القطع وأعطال الأدوات المكلفة. لذلك، لم يعد تطبيق استراتيجية الصيانة التنبؤية ترفًا، بل عنصرًا ضروريًا لزيادة الإنتاجية وعمر الأداة في بيئة التصنيع الحالية.

التعلم العميق وأنظمة المراقبة الذكية

لقد أحدث التعلم العميق تحسينات جذرية في مراقبة تآكل الأدوات في عمليات الطحن باستخدام الحاسب الآلي (CNC) من خلال جيل جديد كليًا من الأنظمة الذكية التي تتفوق بشكل ملحوظ على جميع الأجيال السابقة من مراقبة تآكل الأدوات. تعتمد الطريقة الأكثر شيوعًا على شبكات البقايا العميقة المُعززة بوحدات الانتباه؛ ومن الأمثلة على ذلك وحدة الانتباه الكتلي التلافيفي (CBAM)، التي تجمع بين قوة الطريقتين، مما يسمح للنظام الذكي باختيار أهم ميزات بيانات المستشعر تلقائيًا وتجاهل المعلومات غير ذات الصلة (الضوضاء)، مع تحسين دقة التشخيص بشكل كبير.

كان من التحسينات الرئيسية الأخرى تحويل بيانات المستشعرات المتسلسلة زمنيًا (مستشعرات الاهتزاز، والانبعاثات الصوتية، والتيار) إلى مصفوفة ثنائية الأبعاد تُمثل الإشارة كـ"صورة مرئية". وبما أن هذه الإشارات المصفوفة تُعالج بواسطة الشبكات العصبية التلافيفية (CNN)، فإن هذه الأخيرة تُعالج الإشارات كـ"أنماط"، مما يسمح بقدر هائل من استخراج الميزات تلقائيًا، وهو ما لم يكن من الممكن تحقيقه بالطرق اليدوية.

تتيح هذه العملية الآلية تصنيفًا دقيقًا لحالات تآكل الأدوات (الابتدائي، العادي، السريع، والشديد) من خلال تصنيف عالي الدقة، وتحقق متانة ودقة استثنائيتين من خلال معالجة بيانات أجهزة الاستشعار المتعددة مباشرةً، محققةً معدلات تعرّف تتجاوز 90%. هذا يمنحك أساسًا موثوقًا قائمًا على البيانات للصيانة التنبؤية، مما يقلل من فترات التوقف غير المخطط لها ويحمي آلاتك من التلف الشديد.

التنفيذ الصناعي والفوائد

• الصيانة التنبؤية باستخدام البيانات في الوقت الفعلي: تعمل تقنية الكشف متعددة المستشعرات المدعومة بالذكاء الاصطناعي على تحديد أداء الأداة في الوقت الفعلي، ومن خلال تحديد علامات التآكل أو الفشل الوشيك (قبل حدوثها)، يسمح باتخاذ إجراءات فورية.
• تقليل النفايات وتحسين استخدام الأدوات: إن التنبؤ بموعد فشل الأداة يزيد من إمكانات استخدامها إلى أقصى حد، مما يقلل من عدد المرات التي تحتاج فيها الأداة إلى الاستبدال وبالتالي يقلل من النفايات الناتجة عن الأدوات الفاشلة أو غير العاملة.
• زيادة اتساق الإنتاج: إن الحفاظ على ظروف متسقة على الأدوات المستخدمة في عمليات الإنتاج يحافظ على الاتساق في المنتجات المنتجة ويزيد من جودة المنتج الإجمالية ويقلل من التباين.
• التكنولوجيا الأساسية لأنظمة التصنيع الذكية: تعتبر التقنيات المذكورة أعلاه مكونات أساسية للصناعة 4.0 (أنظمة التصنيع الذكية)، حيث توفر القدرة على إجراء الصيانة التنبؤية القائمة على البيانات وتمكين الجدولة الآلية للصيانة المخطط لها.

التحديات والقيود

• جودة البيانات وحجمها: تُعدّ جودة البيانات المستخدمة بالغة الأهمية لفعالية المراقبة. ومع ذلك، فإنّ "ضوضاء" المستشعر (التغيرات العشوائية في المخرجات) قد تُؤثّر سلبًا على جودة البيانات. إضافةً إلى ذلك، فإنّ قلة البيانات المتاحة في مراحل التآكل المبكرة أو الشديدة مقارنةً بحجم البيانات المتاحة خلال مراحل التآكل العادية للأداة قد تُصعّب على النموذج تحديد جميع ظروفها.
• متطلبات حسابية عالية: على الرغم من أن نماذج مثل شبكات البقايا العميقة توفر دقة عالية في تحديد ظروف الأدوات، إلا أنها تتطلب قوة معالجة كبيرة. وللحصول على أداء مقبول مع هذه النماذج، ستحتاج الشركات عادةً إلى الاستثمار في وحدات معالجة رسوميات متقدمة (GPUs)، وقد لا تتمكن من ذلك على الأجهزة الحالية.
• محدودية قابلية التعميم: عادةً ما تكون النماذج المُدرَّبة لتطبيق مُحدَّد غير قابلة للتعميم للاستخدام في تطبيقات مختلفة. لذلك، فإن استخدام نفس النموذج المُستخدَم لمراقبة تآكل الأدوات في قاطعة طرفية لمراقبة تآكل الأدوات في المثقاب، أو لمراقبة تآكل الأدوات في نوع جديد من المواد، أو حتى في نوع جديد من ماكينات التحكم الرقمي بالكمبيوتر (CNC)، قد يُؤدي إلى انخفاض دقة النتائج ما لم يُعاد تدريب النموذج بتكلفة وجهد.
• تركيب/دمج الأنظمة: قد يكون دمج أنظمة التحديث لأنظمة المراقبة الحديثة في أنواع مختلفة من معدات التحكم الرقمي بالكمبيوتر (CNC) أمرًا صعبًا نظرًا لتعقيد تركيب أجهزة الاستشعار وأجهزة جمع البيانات على مختلف آلات التحكم الرقمي بالكمبيوتر (CNC)، وتعقيدها، وتكاليفها الباهظة. ونتيجةً لذلك، يصعب اعتماد هذه التقنية على نطاق واسع في العديد من الصناعات.

خاتمة

أصبح كشف تآكل الأدوات مكونًا أساسيًا للتصنيع الذكي، إذ يوفر نهجًا أكثر ذكاءً واعتمادًا على البيانات في عمليات التصنيع باستخدام الحاسب الآلي (CNC milling). يتيح استخدام أحدث تقنيات الاستشعار (الانبعاثات الصوتية، والاهتزازات، والتدفقات الشاردة، والتيارات) إلى جانب قدرات الذكاء الاصطناعي والتعلم العميق في أدوات المراقبة الحالية، إمكانية التنبؤ بالتشغيل الآلي والتكيف. تستطيع أنظمة مراقبة تآكل الأدوات الحديثة الآن اكتشاف حالة التآكل في الأداة والتنبؤ بتعطلها، مما يتيح اتخاذ تدابير وقائية استباقية. يحقق التصنيع الذكي هدفه الأسمى من خلال هذه القدرات التنبؤية والتكيفية في التشغيل الآلي. فهو يسمح بزيادة الدقة، وتقليل فترات التوقف غير المخطط لها وتكاليف التشغيل بشكل كبير، وزيادة الإنتاجية الإجمالية. توفر هذه التطورات تطورًا ذكيًا في عمليات التصنيع باستخدام الحاسب الآلي، وتمثل مستوى جديدًا من الكفاءة والموثوقية لعمليات التصنيع باستخدام الحاسب الآلي.