Værktøjsslitageovervågning i CNC-fræsning

Oversigt over værktøjstilstandsovervågning (TCM)

Værktøjstilstandsovervågning (TCM) overvåger, hvordan et skæreværktøj yder under brug til bearbejdning (især i CNC-fræsning) ved systematisk at kontrollere et skæreværktøjs ydeevne for at registrere, hvornår værktøjet har nået slutningen af ​​sin levetid på grund af slid, brud eller afskalning. Integrationen af ​​en række forskellige sensorer, herunder skærekraftsensorer, vibrationssensorer, akustiske emissionssensorer eller endda optiske billedsensorer i TCM, muliggør beslutningstagning i realtid om tidspunktet for udskiftning af et skæreværktøj eller justering af det for at forbedre delkvaliteten og reducere den tid, en maskine er ude af drift for at optimere værktøjsomkostningerne.

TCM adskiller sig fra Machine Condition Monitoring, som overvåger maskinens tilstand (dvs. lejer, spindler, drivmotorer og maskinens struktur) ved at overvåge parametre som spindelvibrationer, motorstrøm eller temperatur for at forhindre maskinrelaterede fejl og opretholde systemets generelle tilstand. Værktøjsovervågning fokuserer dog udelukkende på skæreværktøjets tilstand og dets indvirkning på bearbejdningsprocessen; hvorimod maskinovervågning har til formål at holde "maskinen" sund, holder TCM "værktøjet" sundt. Både TCM og maskinovervågning er vigtige komponenter i smart manufacturing; dog er de begge designet til at overvåge og diagnosticere forskellige typer fejl ved hjælp af forskellige typer sensorer og diagnostiske metoder.

Grundlæggende om værktøjsslid

Flankeslid er den mest udbredte type slid, der opstår ved grænsefladen mellem værktøjets flankeflade og den bearbejdede overflade, hvilket skaber erosion over tid. Kraterslid opstår ved grænsefladen mellem spånen og værktøjets spånflade, hvilket skaber en fordybning på grund af høje temperaturer og interaktioner mellem spånen og værktøjet. Ud over disse to typer slid er der flere andre typer slid, såsom afskalning (små spåner, der brækker af skærekanten på grund af enten termisk chok eller mekanisk chok); adhæsion (emnemateriale, der svejses på værktøjet og brækker af det, hvorved noget af værktøjsmaterialet tages med sig); diffusion (atomer fra emnet migrerer ind i værktøjet ved meget høje temperaturer); og plastisk deformation (permanent deformation af værktøjskanten på grund af for høj varme eller tryk).

Slid kan beskrives i fire forskellige stadier. Den første fase er kendt som "indkøringsfasen", og dette er den indledende fase af slid på skærkanten, hvor der opstår mindre slid, når skærkanten begynder at sætte sig. Når indkøringsfasen har fundet sted, begynder den anden fase, der kaldes "steady state". Dette er den fase, hvor slidprogressionen på skærkanten er relativt stabil. Men hvis skæreforholdene forværres (f.eks. en stigning i temperatur, et fald i afkøling osv.), vil skærkanten gå ind i en tredje fase, som er "hurtigt slid"-fasen. Denne fase er karakteriseret ved en fortsat og accelereret forringelse af skærkanten og vil til sidst gå ind i en fjerde fase, som er "alvorligt slid". Under den alvorlige slidfase vil skærkanten opleve katastrofalt svigt (kantfejl) og/eller alvorlig afskalning, hvilket resulterer i tab af værktøjet.

Hastigheden, hvormed slid udvikles, afhænger af både skæreparametrene og værktøjets materialeegenskaber. Øgede skærehastigheder har en tendens til at hæve værktøjets temperatur, hvilket forårsager en acceleration af diffusions- og klæbemiddelslitage. Høje tilspændingshastigheder og/eller spåndybder har en tendens til at øge de mekaniske belastninger på værktøjet, hvilket accelererer slid og afskalning. Slid påvirkes også i høj grad af emnematerialets hårdhed og slidstyrke, da begge egenskaber har en tendens til at øge friktionskontakt, termiske belastninger og mekanisk belastning.

Metoder til overvågning af værktøjsslid

Direkte metoder

I stedet for at bruge kontaktsensorer til at måle værktøjsslid, bruger begge de to direkte teknologier til måling af værktøjsslid, der er anført nedenfor, maskinsyn eller en optisk måleteknologi til visuelt at bestemme værktøjsslid ved at se et billede af skæreværktøjets kant eller værktøjsspids og afgøre, om skæreværktøjet er slidt, ved at analysere billedet.

1. Optiske/Visionsbaserede teknikker

Højopløsningsbilleder af skæreværktøjet optages af maskinsynssystemer på skæreværktøjets kant, spids eller flanke, enten før eller umiddelbart efter fræsning, og analyseres for at bestemme skæreværktøjets slidegenskaber, herunder flankeslidbredde, afskalning eller kantafrivning. Da denne type målesystem ikke er i kontakt med skæreværktøjet, vil det ikke påvirke bearbejdningsprocessen og kan monteres inde i CNC-spindelen eller tilføjes til et kamera, der er monteret direkte på maskinen, til overvågning under processen. Mange af disse systemer anvender enkle, grundlæggende billedbehandlingsteknikker, såsom kantdetektion eller tærskelbaseret billedsegmentering, til at identificere slidområder på skæreværktøjet. Som følge af fremskridt inden for kameraer og belysningssystemer er disse typer systemer generelt billigere end andre sensorsystemer og kan eftermonteres i eksisterende smart manufacturing- eller Industri 4.0-konfigurationer.

1. Analyse af overfladetekstur og finkornet billedklassificering (ECADCL)

En anden direkte metode til måling af værktøjsslid er at analysere den bearbejdede overflade produceret af skæreværktøjet. Når skæreværktøjet bliver sløvt, ændres overfladeteksturen på den bearbejdede overflade. Dette gøres ved at tage billeder af overfladen produceret af skæreværktøjet og derefter anvende avancerede billedklassificeringsteknikker på billederne for at udlede skæreværktøjets tilstand. Et nyere eksempel på denne teknik er ECADCL (Efficient Channel Attention Destruction and Construction Learning), en læringsteknik, der identificerer finkornede forskelle i overfladetekstur for at klassificere slidforhold.

ECADCL's arkitektur

Fordele

• Det faktum, at de er berøringsfri, betyder, at visionsbaserede metoder til måling af værktøjsslid ikke forstyrrer den mekaniske drift af bearbejdningsprocessen eller reducerer sensorernes levetid.
• Visionbaserede metoder til måling af værktøjsslid er typisk billigere sammenlignet med traditionelle tunge sensorinstrumenter; mange kræver kun standardkameraer, belysning og computersoftware.
• Visionbaserede metoder til måling af værktøjsslid er også fleksible med hensyn til nem integration i eksisterende CNC-udstyr. For eksempel kan et kamera tilføjes til maskinens værktøjsvekslerområde eller installeres inde i kabinettet for at inspicere skæreværktøjet in situ mellem gennemløbene.

Indirekte metoder

Sammenlignet med direkte visuel inspektion bruger indirekte TCM sensordata til at bestemme et skæreværktøjs tilstand og stopper ikke bearbejdningsoperationen. Metoden analyserer sensordata, som har ændret sig i takt med at værktøjet er blevet forringet, for at foretage en kontinuerlig og realtidsbestemmelse af sliddets omfang.

1. Sensorbaseret overvågning

Der findes mange typer fysiske sensordata, der kan bruges til dette formål. For eksempel måler vibrationssensorer, hvordan værktøjsspindelsystemets dynamiske adfærd ændrer sig over tid. Kraft- og motorstrømsignaler kan også måle stigningen i den energi, der kræves, når et værktøj er slidt, og maskinen oplever øget modstand på grund af sliddet. Derudover måler akustiske emissionssensorer (AE) de højfrekvente spændingsbølger, der produceres under skæreprocessen, og mikrofrakturer, som har en høj følsomhed over for de tidlige stadier af værktøjsslid. Endelig kan lyd- og temperatursignaler give yderligere data om skæreforholdene. Selvom hver af sensortyperne har sine fordele, kan det være upålidelig at bruge kun én type sensor på grund af støj og bearbejdningens komplekse natur.

vibrationsføler

1. Multisensorfusion for forbedret pålidelighed

For at minimere begrænsningerne ved enkeltsensorsystemer bruger multisensor-datafusion data fra flere kilder, såsom AE, vibrationer og lyd, til at udvikle et mere pålideligt og præcist overvågningssystem. Dette gør det muligt for forskellige datakilder at krydsvalidere information for at reducere antallet af falske alarmer, der skyldes støj eller andre forbigående hændelser, der kun kan påvirke én type sensor. I sidste ende tilbyder multisensor-datafusionssystemer et langt mere komplet billede af bearbejdningsprocessen og forbedrer derfor den diagnostiske pålidelighed betydeligt.

1. Datafusionsmetoder

Fusion af data kan finde sted på tre primære niveauer:

1. Signalniveaufusion: De rådata fra hver af sensorerne kombineres, inden funktioner udtrækkes fra dataene. Et nyt eksempel på signalniveaufusion er vinkelmatrixbilleddannelse, en teknik, der transformerer tidsseriedata fra flere sensorer (f.eks. data fra AE- og vibrationssensorer) til todimensionelle gråtonebilleder. Vinkelmatrixbilleddannelsen bevarer de tidsmæssige forhold mellem dataene og giver et effektivt middel til at træne billedbaserede deep learning-modeller til at klassificere de fusionerede data.
2. Funktionsniveaufusion: Individuelle funktioner (f.eks. statistiske egenskaber eller frekvenskomponenter) udtrækkes fra rådataene fra hver af sensorerne. Funktionsvektorerne kombineres derefter til en enkelt vektor, der bruges som input til en klassifikationsalgoritme.
3. Fusion på beslutningsniveau: Hver sensordatastrøm behandles uafhængigt af en separat model for at generere en separat slidforudsigelse. En endelig beslutning genereres ved at fusionere de individuelle forudsigelser. Fusionering af de individuelle forudsigelser kan gøres ved hjælp af forskellige teknikker, herunder et afstemningsskema eller en metaklassifikator.

 Datadrevne tilgange

AI revolutionerer CNC-fræsning ved at bruge maskinlæring og deep learning til at skabe prædiktiv intelligens, der erstatter den traditionelle reaktive natur af vedligeholdelse. Brugen af ​​AI i CNC-fræsning skaber en automatisering af funktionsudtrækning fra maskindata og giver virksomheder mulighed for at forudsige værktøjsfejl med hidtil uset nøjagtighed.

Ved hjælp af kraftfulde modeller som Convolutional Neural Networks (CNN'er) og Long Short-Term Memory (LSTM)-netværk er dagens systemer i stand til at udtrække meningsfulde funktioner fra store mængder sensordata. Brug af dybe residualnetværk med opmærksomhedsmekanismer (som fungerer som en "smart zoom"-funktion) muliggør automatisk identifikation af nøgletendenser eller mønstre i vibrationer, akustiske emissioner og strømsignaler, samtidig med at irrelevant baggrundsstøj identificeres og elimineres. Således muliggør disse systemer meget nøjagtige vurderinger af værktøjers tilstand i realtid.

Disse AI-baserede tilgange kombinerer flere kilder til sensordata, hvilket er en af ​​deres største fordele. Dette gør det muligt at kombinere alle relevante data til en enkelt, samlet vurdering af skæreværktøjets tilstand. Derudover muliggør dette løbende forbedringer gennem læring (adaptiv læring). Med andre ord vil systemet fortsætte med at forbedre sine forudsigelsesfunktioner baseret på nye data indsamlet under faktiske operationer. Denne teknik giver en pålidelig metode til at vurdere skæreværktøjers ydeevne under drift under varierende forhold (forskellige materialer og bearbejdningsparametre).

Uanset om det drejer sig om dreje-, bore-, slibnings- eller fræseoperationer, er resultaterne klare: Virksomheder kan forvente at kunne lave meget præcise (over 90%) forudsigelser om, hvornår et værktøj vil svigte, minimere mængden af ​​uplanlagt nedetid og spare penge ved at forhindre spildte dele og dyre værktøjsfejl. Derfor er implementering af en prædiktiv vedligeholdelsesstrategi ikke længere en luksus, men en nødvendig komponent for at maksimere både produktivitet og værktøjslevetid i dagens produktionsmiljø.

Dyb læring og intelligente overvågningssystemer

Deep learning har medført dybtgående forbedringer af værktøjsslidovervågning i CNC-fræsning gennem en helt ny generation af intelligente systemer, der er betydeligt bedre end alle tidligere generationer af værktøjsslidovervågning. Den mest anvendte metode anvender Deep Residual Networks forbedret med Attention Modules; et eksempel er Convolutional Block Attention Module (CBAM), som kombinerer kraften i de to metoder, hvilket gør det muligt for det intelligente system automatisk at vælge de vigtigste funktioner i sensordataene og ignorere irrelevant (støj) information, samtidig med at den diagnostiske præcision forbedres betydeligt.

En anden væsentlig forbedring var at konvertere tidsserie-sensordata (vibrations-, akustisk emissions- og strømsensorer) til en 2D-matrix, der repræsenterer signalet som et "visuelt billede". Da disse matrixsignaler behandles af konvolutionelle neurale netværk (CNN'er), behandler CNN'en signalerne som "mønstre", og dette muliggør en enorm mængde automatisk funktionsudtrækning, som aldrig ville kunne opnås ved hjælp af manuelle metoder.

Den automatiserede proces muliggør nøjagtig klassificering af værktøjets slidtilstande (initial, normal, hurtig og alvorlig slitage) gennem meget præcis klassificering og opnår enestående robusthed og nøjagtighed ved direkte at behandle multisensordata, hvilket opnår genkendelsesrater på over 90 %. Dette giver dig et pålideligt, datadrevet fundament for prædiktiv vedligeholdelse, der minimerer uplanlagt nedetid og beskytter dine maskiner mod alvorlige skader.

Industriel implementering og fordele

• Prædiktiv vedligeholdelse med realtidsdata: AI-drevet multisensordetektion identificerer værktøjets ydeevne i realtid og muliggør øjeblikkelig handling ved at identificere tegn på slid eller forestående fejl (før de opstår).
• Reduktion af spild og optimering af brugen af ​​værktøj: Forudsigelse af, hvornår et værktøj vil svigte, maksimerer dets anvendelsespotentiale, minimerer antallet af gange, et værktøj skal udskiftes, og reducerer dermed spild genereret af defekte eller på anden måde ikke-fungerende værktøjer.
• Øget ensartethed i produktionen: Ved at opretholde ensartede forhold for de værktøjer, der anvendes til produktionsprocesser, opretholdes ensartetheden i de producerede produkter, øges den samlede produktkvalitet og minimeres variation.
• Grundlæggende teknologi til smarte produktionssystemer: Ovenstående teknologier er nøglekomponenter i Industri 4.0 (smarte produktionssystemer), der giver mulighed for at udføre datadrevet prædiktiv vedligeholdelse og muliggøre automatiseret planlægning af planlagt vedligeholdelse.

Udfordringer og begrænsninger

• Datakvalitet og datamængde: Kvaliteten af ​​de anvendte data er meget vigtig for effektiv overvågning. Sensor-"støj" (tilfældige variationer i outputtet) kan dog forringe datakvaliteten. Derudover kan det faktum, at mængden af ​​data, der er tilgængelig i tidlige eller ekstreme slidstadier, er betydeligt mindre end mængden af ​​data, der er til stede under et værktøjs normale slidstadier, gøre det vanskeligt for modellen at identificere alle værktøjstilstande.
• Høje beregningskrav: Mens modeller som dybe residualnetværk giver høj nøjagtighed i identifikation af værktøjstilstande, har de store krav til processorkraft. For at opnå acceptabel ydeevne med disse modeller skal virksomheder typisk investere i avancerede grafikprocessorer (GPU'er), og det kan de muligvis ikke gøre på eksisterende hardware.
• Begrænset generaliserbarhed: Modeller, der er trænet til en specifik applikation, kan generelt ikke generaliseres til brug med forskellige applikationer. Derfor kan det resultere i reduceret nøjagtighed af resultaterne, hvis den samme model, der blev brugt til at overvåge værktøjsslid på en pindfræser, bruges til at overvåge værktøjsslid på en boremaskine eller til at overvåge værktøjsslid på en ny type materiale eller endda på en ny type CNC-maskine, medmindre modellen omtrænes, hvilket koster og er besværligt.
• Installation/integration af systemer: Integrering af eftermonteringssystemer til moderne overvågningssystemer i forskellige typer CNC-udstyr kan være udfordrende på grund af kompleksiteten, invasiviteten og omkostningerne ved at installere sensorer og dataopsamlingshardware på forskellige CNC-maskiner. Som følge heraf er udbredt anvendelse af teknologien vanskelig i mange brancher.

Konklusion

Værktøjsslitagedetektering er blevet en primær komponent i intelligent fremstilling ved at tilbyde en smartere og datadrevet tilgang til CNC-bearbejdning (CNC-fræsning). Brugen af ​​banebrydende sensorteknologi (akustiske emissioner, vibrationer, spredt flux, strøm) kombineret med kunstig intelligens (AI) og deep learning-funktioner i nutidens overvågningsværktøjer muliggør prædiktiv bearbejdning og tilpasningsevne. Moderne systemer til overvågning af værktøjsslid kan nu registrere, hvornår et værktøj er i en tilstand af slid, og forudsige, hvornår det vil svigte, hvilket muliggør proaktive forebyggende foranstaltninger. Intelligent fremstilling opnår sit ultimative mål gennem disse prædiktive og adaptive bearbejdningsfunktioner. Det giver mulighed for øget præcision, stærkt reduceret uplanlagt nedetid og værktøjsomkostninger samt øget samlet produktivitet. Disse fremskridt giver en intelligent udvikling af CNC-driften og markerer et nyt niveau af effektivitet og pålidelighed for CNC-drift.