Työkalujen kulumisen valvonta CNC-jyrsinnässä

Työkalun kunnonvalvonnan (TCM) yleiskatsaus

Työkalun kunnonvalvonta (TCM) valvoo leikkaustyökalun suorituskykyä koneistuksen aikana (erityisesti CNC-jyrsinnässä) tarkistamalla järjestelmällisesti leikkaustyökalun suorituskykyä havaitakseen, milloin työkalu on saavuttanut käyttöikänsä lopun kulumisen, rikkoutumisen tai lohkeamisen vuoksi. Erilaisten antureiden, kuten leikkausvoima-antureiden, tärinäantureiden, akustisten emissioiden antureiden tai jopa optisten kuva-antureiden, integrointi TCM:ään mahdollistaa reaaliaikaisen päätöksenteon leikkaustyökalun vaihdon ajoituksesta tai sen säätämisestä osan laadun parantamiseksi ja koneen seisokkiajan lyhentämiseksi työkalukustannusten optimoimiseksi.

TCM eroaa koneen kunnonvalvonnasta (Machine Condition Monitoring), joka valvoo työstökoneen (eli laakereiden, karan, käyttömoottoreiden ja työstökoneen rakenteen) kuntoa seuraamalla parametreja, kuten karan värähtelyä, moottorin virtaa tai lämpötilaa, estääkseen koneeseen liittyvät viat ja ylläpitääkseen järjestelmän yleistä kuntoa. Työkalun valvonta keskittyy kuitenkin yksinomaan leikkaustyökalun tilaan ja sen vaikutukseen työstöprosessiin; kun taas koneen valvonnan tavoitteena on pitää "kone" terveenä, TCM pitää "työkalun" terveenä. Sekä TCM että koneen valvonta ovat tärkeitä osia älykkäässä valmistuksessa; molemmat on kuitenkin suunniteltu valvomaan ja diagnosoimaan erityyppisiä vikoja käyttämällä erilaisia ​​antureita ja diagnostiikkamenetelmiä.

Työkalujen kulumisen perusteet

Reunakuluminen on yleisin kulumistyyppi, jota esiintyy työkalun kylkipinnan ja työstetyn pinnan rajapinnassa ja joka aiheuttaa ajan myötä eroosiota. Kraaterikulumista esiintyy lastun ja työkalun rintapinnan rajapinnassa ja aiheuttaa painauman korkeiden lämpötilojen ja lastun ja työkalun välisten vuorovaikutusten vuoksi. Näiden kahden kulumistyypin lisäksi on olemassa useita muita kulumistyyppejä, kuten lohkeilu (pienten lastujen irtoaminen leikkuuterästä joko lämpöshokin tai mekaanisen iskun seurauksena); adheesio (työkappaleen materiaalin hitsautuminen työkaluun ja irtoaminen siitä vieden osan työkalun materiaalista mukanaan); diffuusio (työkappaleen atomit siirtyvät työkaluun erittäin korkeissa lämpötiloissa); ja plastinen muodonmuutos (työkalun terän pysyvä muodonmuutos liiallisen lämmön tai paineen vuoksi).

Kulumista voidaan kuvata neljällä eri vaiheella. Ensimmäistä vaihetta kutsutaan "sisäänajovaiheeksi", ja se on terän kulumisen alkuvaihe, jossa terän alkaessa painua alaspäin ilmenee pientä kulumista. Sisäänajovaiheen jälkeen alkaa toinen vaihe, jota kutsutaan "tasapainotilaksi". Tässä vaiheessa terän kuluminen on suhteellisen vakaata. Jos leikkausolosuhteet kuitenkin huononevat (esim. lämpötilan nousu, jäähdytyksen heikkeneminen jne.), terä siirtyy kolmanteen vaiheeseen, joka on "nopea kuluminen". Tälle vaiheelle on ominaista terän jatkuva ja kiihtyvä heikkeneminen, ja lopulta se siirtyy neljänteen vaiheeseen, joka on "vakava kuluminen". Vakavassa kulumisvaiheessa terä kärsii katastrofaalisesta rikkoutumisesta (reunan pettäminen) ja/tai vakavasta lohkeamisesta, mikä johtaa työkalun menetykseen.

Kulumisnopeus riippuu sekä leikkausparametreista että työkalun materiaaliominaisuuksista. Suuremmat leikkausnopeudet nostavat työkalun lämpötilaa, mikä kiihdyttää diffuusio- ja adhesiivista kulumista. Suuret syöttönopeudet ja/tai leikkaussyvyydet lisäävät työkalun mekaanista kuormitusta, mikä kiihdyttää hankausta ja lohkeamista. Kulumiseen vaikuttavat merkittävästi myös työkappaleen materiaalin kovuus ja hankaavuus, koska molemmat ominaisuudet lisäävät kitkakosketusta, lämpökuormitusta ja mekaanista rasitusta.

Työkalujen kulumisen valvontamenetelmät

Suorat menetelmät

Työkalun kulumisolosuhteiden mittaamiseen ei käytetä kosketusantureita, vaan molemmat alla luetelluista suoran työkalun kulumisen mittaustekniikoista käyttävät konenäköä tai optista mittaustekniikkaa työkalun kulumisolosuhteiden visuaaliseen määrittämiseen tarkastelemalla kuvaa leikkaustyökalun reunasta tai kärjestä ja määrittämällä kuvan perusteella, onko leikkaustyökalu kulunut.

1. Optiset/näköön perustuvat tekniikat

Konenäköjärjestelmät ottavat teräväpiirtokuvia terävästä työkalusta teräväkärkisestä reunasta, kärjestä tai kyljestä joko ennen jyrsintää tai välittömästi sen jälkeen. Näitä kuvia analysoidaan teräväkärkisen työkalun kulumisominaisuuksien, kuten kyljen kulumisleveyden, lohkeamisen tai reunan pyöristymisen, määrittämiseksi. Koska tämäntyyppinen mittausjärjestelmä ei ole kosketuksissa teräväkärkiseen työkaluun, se ei vaikuta työstöprosessiin, ja se voidaan asentaa CNC-karan sisään tai lisätä suoraan koneeseen kiinnitettyyn kameraan prosessinaikaista valvontaa varten. Monet näistä järjestelmistä käyttävät yksinkertaisia, peruskuvankäsittelytekniikoita, kuten reunan tunnistus tai kynnysarvoihin perustuva kuvan segmentointi, teräväkärkisen työkalun kulumisalueiden tunnistamiseen. Kameroiden ja valaistusjärjestelmien kehityksen ansiosta tällaiset järjestelmät ovat yleensä halvempia kuin muut anturijärjestelmät, ja ne voidaan jälkiasentaa olemassa oleviin älykkään valmistuksen eli Industry 4.0 -kokoonpanoihin.

1. Pintarakenteen analyysi ja hienorakeinen kuvanluokittelu (ECADCL)

Toinen suora menetelmä työkalun kulumisen mittaamiseksi on analysoida leikkaustyökalun tuottamaa työstettyä pintaa. Kun leikkaustyökalu tylsyy, työstetyn pinnan pintarakenne muuttuu. Tämä tehdään ottamalla kuvia leikkaustyökalun tuottamasta pinnasta ja soveltamalla sitten kuviin edistyneitä kuvanluokittelutekniikoita leikkaustyökalun kunnon päättelemiseksi. Tuore esimerkki tästä tekniikasta on ECADCL (Efficient Channel Attention Destruction and Construction Learning), oppimistekniikka, joka tunnistaa pintarakenteen hienojakoisia eroja kulumisolosuhteiden luokittelemiseksi.

ECADCL:n arkkitehtuuri

edut

• Koska ne ovat kosketuksettomia, näköpohjaiset työkalun kulumisen mittausmenetelmät eivät häiritse työstöprosessin mekaanista toimintaa eivätkä lyhennä antureiden käyttöikää.
• Koneesipohjaiset työkalun kulumisen mittausmenetelmät ovat tyypillisesti kustannuksiltaan edullisempia verrattuna perinteisiin raskaisiin anturilaitteisiin; monet niistä vaativat vain vakiomallisia kameroita, valaistuksen ja tietokoneohjelmiston.
• Näköpohjaiset työkalun kulumisen mittausmenetelmät ovat myös joustavia, koska ne voidaan helposti integroida olemassa oleviin CNC-laitteisiin; esimerkiksi kamera voidaan lisätä koneen työkalunvaihtajan alueelle tai asentaa kotelon sisään leikkaustyökalun tarkastamiseksi paikan päällä ylimenojen välillä.

Epäsuorat menetelmät

Suoraan visuaaliseen tarkastukseen verrattuna epäsuorassa TCM:ssä käytetään anturitietoja leikkaustyökalun kunnon määrittämiseen eikä koneistusta pysäytetä. Menetelmässä analysoidaan anturitietoja, jotka ovat muuttuneet työkalun kulumisen myötä, jotta kulumisen määrä voidaan määrittää jatkuvasti ja reaaliajassa.

1. Anturipohjainen valvonta

Tähän tarkoitukseen voidaan käyttää monenlaisia ​​fyysisiä anturitietoja. Esimerkiksi värähtelyanturit mittaavat, miten työkalun karajärjestelmän dynaaminen käyttäytyminen muuttuu ajan kuluessa. Voima- ja moottorin virtasignaalit voivat myös mitata tarvittavan energian kasvua, kun työkalu kuluu ja kone kokee kulumisen aiheuttaman lisääntyneen vastuksen. Lisäksi akustiset emissioanturit (AE) mittaavat leikkausprosessin aikana syntyviä korkeataajuisia jännitysaaltoja ja mikromurtumia, jotka ovat erittäin herkkiä työkalun kulumisen alkuvaiheille. Lopuksi, ääni- ja lämpötilasignaalit voivat antaa lisätietoja leikkausolosuhteista. Vaikka jokaisella anturityypillä on omat etunsa, vain yhden anturityypin käyttö voi olla epäluotettavaa kohinan ja koneistuksen monimutkaisen luonteen vuoksi.

värähtelyanturi

1. Monianturifuusio parannetun luotettavuuden takaamiseksi

Yhden anturin järjestelmien rajoitusten minimoimiseksi usean anturin datan fuusiossa käytetään useista lähteistä, kuten AE:stä, tärinästä ja äänestä, saatavaa dataa kehittääkseen luotettavamman ja tarkemman valvontajärjestelmän. Tämä mahdollistaa eri tietolähteiden välisen tiedon ristiinvalidoinnin, mikä vähentää väärien hälytysten määrää, jotka johtuvat kohinasta tai muista ohimenevistä tapahtumista, jotka voisivat vaikuttaa vain yhteen anturityyppiin. Viime kädessä usean anturin datan fuusiointijärjestelmät tarjoavat paljon kattavamman kuvan työstöprosessista ja parantavat siten huomattavasti diagnostiikan luotettavuutta.

1. Datan fuusiointimenetelmät

Datan fuusiointi voi tapahtua kolmella päätasolla:

1. Signaalitason fuusio: Kunkin anturin raakadata yhdistetään ennen ominaisuuksien erottamista datasta. Uusi esimerkki signaalitason fuusiosta on kulmamatriisikuvantaminen, tekniikka, joka muuntaa usean anturin aikasarjadataa (esimerkiksi AE- ja tärinäantureiden dataa) kaksiulotteisiksi harmaasävykuviksi. Kulmamatriisikuvantaminen säilyttää datan väliset ajalliset suhteet ja tarjoaa tehokkaan keinon kuvapohjaisten syväoppimismallien kouluttamiseen yhdistetyn datan luokittelemiseksi.
2. Ominaisuustason fuusio: Yksittäiset ominaisuudet (esimerkiksi tilastolliset ominaisuudet tai taajuuskomponentit) erotetaan kunkin anturin raakadatasta. Ominaisuusvektorit yhdistetään sitten yhdeksi vektoriksi, joka syötetään luokittelualgoritmille.
3. Päätöstason fuusio: Kutakin anturidataa käsitellään itsenäisesti erillisessä mallissa erillisen kulumisennusteen luomiseksi. Lopullinen päätös luodaan yhdistämällä yksittäiset ennusteet yhteen. Yksittäisten ennusteiden yhdistäminen voidaan tehdä useilla eri tekniikoilla, kuten äänestysjärjestelmällä tai metaluokittelijalla.

 Tietoihin perustuvat lähestymistavat

Tekoäly mullistaa CNC-jyrsintää hyödyntämällä koneoppimista ja syväoppimista luodakseen ennakoivaa älykkyyttä, joka korvaa perinteisen reaktiivisen kunnossapidon luonteen. Tekoälyn käyttö CNC-jyrsinnässä automatisoi ominaisuuksien poiminnan konedatasta ja antaa yrityksille mahdollisuuden ennustaa työkaluvikoja ennennäkemättömällä tarkkuudella.

Käyttämällä tehokkaita malleja, kuten konvoluutiohermoverkkoja (CNN) ja pitkän lyhytaikaisen muistin verkkoja (LSTM), nykypäivän järjestelmät pystyvät poimimaan merkityksellisiä ominaisuuksia suurista anturidatamääristä. Syvien jäännösverkkojen ja tarkkaavaisuusmekanismien käyttö (jotka toimivat kuten "älykäs zoomaus" -toiminto) mahdollistaa tärinän, akustisten emissioiden ja virtasignaalien keskeisten trendien tai mallien automaattisen tunnistamisen ja samanaikaisesti epäolennaisen taustamelun tunnistamisen ja poistamisen. Näin ollen nämä järjestelmät mahdollistavat erittäin tarkat, reaaliaikaiset työkalujen kunnon arvioinnit.

Nämä tekoälypohjaiset lähestymistavat yhdistävät useita anturidatan lähteitä, mikä on yksi niiden merkittävimmistä eduista. Tämä mahdollistaa kaikkien olennaisten tietojen yhdistämisen yhdeksi kokonaisvaltaiseksi leikkaustyökalun kunnon arvioimiseksi. Lisäksi tämä mahdollistaa jatkuvan parantamisen oppimisen kautta (adaptiivinen oppiminen). Toisin sanoen järjestelmä parantaa jatkuvasti ennustuskykyään todellisten toimintojen aikana kerätyn uuden tiedon perusteella. Tämä tekniikka tarjoaa luotettavan menetelmän leikkaustyökalujen suorituskyvyn arvioimiseen vaihtelevissa olosuhteissa (eri materiaalit ja työstöparametrit).

Olipa kyseessä sitten sorvaus, poraus, hionta tai jyrsintä, tulokset ovat selvät: Yritykset voivat odottaa tekevänsä erittäin tarkkoja (yli 90 %) ennusteita työkalun vikaantumisesta, minimoida suunnittelemattomien seisokkiaikojen määrän ja säästää rahaa estämällä osien hukkaan heittämistä ja kalliita työkaluvikoja. Siksi ennakoivan kunnossapitostrategian käyttöönotto ei ole enää ylellisyyttä, vaan välttämätön osa sekä tuottavuuden että työkalun käyttöiän maksimoimiseksi nykypäivän valmistusympäristössä.

Syväoppiminen ja älykkäät valvontajärjestelmät

Syväoppiminen on tuonut merkittäviä parannuksia CNC-jyrsintätyökalujen kulumisen valvontaan täysin uuden sukupolven älykkäiden järjestelmien ansiosta, jotka ovat huomattavasti parempia kuin kaikki aiemmat työkalujen kulumisen valvonnan sukupolvet. Yleisimmin käytetty menetelmä hyödyntää tarkkailumoduuleilla tehostettuja syväjäännösverkkoja (Deep Residual Networks). Yksi esimerkki tästä on konvolutionaalinen lohkotarkennusmoduuli (CBAM), joka yhdistää näiden kahden menetelmän tehon, jolloin älykäs järjestelmä voi automaattisesti valita anturidatan tärkeimmät ominaisuudet ja jättää huomiotta epäolennaisen (kohina) tiedon samalla parantaen merkittävästi diagnostista tarkkuutta.

Toinen merkittävä parannus oli aikasarja-anturitietojen (värähtely-, akustinen emissio- ja virta-anturit) muuntaminen 2D-matriisiksi, joka esittää signaalia "visuaalisena kuvana". Kun konvoluutiohermoverkot (CNN) käsittelevät näitä matriisoituja signaaleja, CNN käsittelee signaalit "kuvioina", mikä mahdollistaa valtavan määrän automaattista ominaisuuksien erottamista, jota ei koskaan voitaisi tehdä manuaalisilla menetelmillä.

Automatisoitu prosessi mahdollistaa työkalun kulumistilojen (alkuperäinen, normaali, nopea ja vakava kuluminen) tarkan luokittelun erittäin tarkan luokittelun avulla ja saavuttaa poikkeuksellisen luotettavuuden ja tarkkuuden käsittelemällä monianturidataa suoraan, jolloin saavutetaan yli 90 %:n tunnistusaste. Tämä antaa luotettavan, datapohjaisen perustan ennakoivalle kunnossapidolle, joka minimoi suunnittelemattomat seisokkiajat ja suojaa koneesi vakavilta vaurioilta.

Teollinen käyttöönotto ja hyödyt

• Ennakoiva huolto reaaliaikaisen datan avulla: Tekoälyyn perustuva monianturinen tunnistus tunnistaa työkalun suorituskyvyn reaaliajassa ja tunnistamalla kulumisen tai uhkaavan vian merkit (ennen kuin ne ilmenevät) mahdollistaa välittömät toimenpiteet.
• Jätteen vähentäminen ja työkalujen käytön optimointi: Työkalun vikaantumisen ennustaminen maksimoi sen käyttöpotentiaalin, minimoi työkalun vaihtotarpeiden määrän ja siten vähentää viallisten tai muuten toimimattomien työkalujen aiheuttamaa jätettä.
• Tuotannon yhdenmukaisuuden lisääminen: Tuotantoprosesseissa käytettyjen työkalujen yhdenmukaisten olosuhteiden ylläpitäminen ylläpitää tuotettujen tuotteiden yhdenmukaisuutta, parantaa tuotteiden kokonaislaatua ja minimoi vaihtelut.
• Älykkäiden valmistusjärjestelmien perusteknologia: Yllä mainitut teknologiat ovat Teollisuus 4.0:n (älykkäät valmistusjärjestelmät) keskeisiä komponentteja, ja ne mahdollistavat datalähtöisen ennakoivan kunnossapidon ja suunnitellun kunnossapidon automatisoidun aikataulutuksen.

Haasteet ja rajoitukset

• Tiedon laatu ja datamäärä: Käytetyn datan laatu on erittäin tärkeää tehokkaan valvonnan kannalta. Anturin "kohina" (satunnaiset vaihtelut tulosteessa) voi kuitenkin heikentää datan laatua. Lisäksi se, että työkalun varhaisissa tai äärimmäisissä kulumisvaiheissa käytettävissä olevan datan määrä on huomattavasti pienempi kuin normaalin kulumisen aikana käytettävissä olevan datan määrä, voi vaikeuttaa mallin kykyä tunnistaa kaikki työkalun kunto.
• Laskennalliset vaatimukset korkeat: Vaikka mallit, kuten syvät jäännösverkot, tarjoavat korkean tarkkuuden työkalujen olosuhteiden tunnistamisessa, niillä on suuret vaatimukset prosessointiteholle. Saadakseen hyväksyttävän suorituskyvyn näillä malleilla yritysten on tyypillisesti investoitava edistyneisiin näytönohjaimiin (GPU), eivätkä ne välttämättä pysty tekemään niin olemassa olevalla laitteistolla.
• Yleistettävyys rajoitettu: Tiettyä sovellusta varten opetetut mallit eivät yleensä ole yleistettävissä käytettäväksi eri sovelluksissa. Siksi saman mallin käyttäminen jyrsimen työkalun kulumisen valvontaan poran työkalun kulumisen valvonnassa tai uudentyyppisen materiaalin tai jopa uudentyyppisen CNC-koneen työkalun kulumisen valvonnassa voi heikentää tulosten tarkkuutta, ellei mallia opeteta uudelleen kustannusten ja vaivan vuoksi.
• Järjestelmien asennus/integrointi: Nykyaikaisten valvontajärjestelmien jälkiasennusjärjestelmien integrointi erilaisiin CNC-laitteisiin voi olla haastavaa antureiden ja tiedonkeruulaitteiston asentamisen monimutkaisuuden, invasiivisuuden ja kustannusten vuoksi erilaisiin CNC-koneisiin. Tämän seurauksena teknologian laajamittainen käyttöönotto on vaikeaa monilla toimialoilla.

Yhteenveto

Työkalujen kulumisen havaitsemisesta on tullut älykkään valmistuksen ensisijainen osa, sillä se tarjoaa älykkäämmän ja datalähtöisen lähestymistavan CNC-työstöön (CNC-jyrsintään). Huippuluokan anturiteknologian (akustiset päästöt, värähtelyt, hajavuo, virta) käyttö yhdistettynä nykyaikaisten valvontatyökalujen tekoälyyn (AI) ja syväoppimisominaisuuksiin mahdollistaa ennakoivan työstökyvyn ja sopeutumiskyvyn. Nykyaikaiset työkalujen kulumisen valvontajärjestelmät pystyvät nyt havaitsemaan, milloin työkalu on kulunut, ja ennustamaan, milloin se vikaantuu, mikä mahdollistaa ennakoivat ennaltaehkäisevät toimenpiteet. Älykäs valmistus saavuttaa perimmäisen tavoitteensa näiden ennakoivien ja mukautuvien työstöominaisuuksien avulla. Se mahdollistaa paremman tarkkuuden, vähentää huomattavasti suunnittelemattomia seisokkeja ja työkalukustannuksia sekä parantaa kokonaistuottavuutta. Nämä edistysaskeleet tarjoavat CNC-toiminnan älykkään kehityksen ja merkitsevät uutta tehokkuuden ja luotettavuuden tasoa CNC-toiminnoille.