Praćenje trošenja alata u CNC glodanju

Pregled praćenja stanja alata (TCM)

Nadzor stanja alata (TCM) prati kako alat za rezanje radi tijekom upotrebe za strojnu obradu (posebno kod CNC glodanja) sustavnim provjeravanjem performansi alata za rezanje kako bi se otkrilo kada je alat dosegao kraj svog korisnog vijeka trajanja zbog habanja, loma ili struganja. Integracija raznih senzora, uključujući senzore sile rezanja, senzore vibracija, senzore akustične emisije ili čak optičke senzore slike u TCM, omogućuje donošenje odluka u stvarnom vremenu o vremenu zamjene alata za rezanje ili njegovom podešavanju radi poboljšanja kvalitete dijela i smanjenja vremena neaktivnosti stroja radi optimizacije troškova alata.

TCM se razlikuje od nadzora stanja stroja (TCM), koji prati stanje alatnog stroja (tj. ležajeva, vretena, pogonskih motora i strukture alatnog stroja) praćenjem parametara poput vibracija vretena, struje motora ili temperature kako bi se spriječili kvarovi povezani sa strojem i održalo cjelokupno stanje sustava. Međutim, nadzor alata koncentrira se isključivo na stanje alata za rezanje i njegov utjecaj na proces obrade; dok nadzor stroja ima za cilj održati "stroj" zdravim, TCM održava "alat" zdravim. I TCM i nadzor stroja važne su komponente pametne proizvodnje; međutim, svaki je dizajniran za praćenje i dijagnosticiranje različitih vrsta kvarova pomoću različitih vrsta senzora i dijagnostičkih metodologija.

Osnove trošenja alata

Trošenje bočne strane najraširenija je vrsta trošenja koja se javlja na spoju bočne strane alata i obrađene površine, stvarajući eroziju tijekom vremena. Trošenje u obliku kratera javlja se na spoju između strugotine i nagibne površine alata, stvarajući udubljenje zbog visokih temperatura i interakcija između strugotine i alata. Osim ove dvije vrste trošenja, postoji nekoliko drugih vrsta trošenja, kao što su krhotine (male strugotine koje se odlome s rezne oštrice uslijed toplinskog ili mehaničkog udara); adhezija (materijal obratka zavari se na alat i odlomi se s njega, odnoseći dio materijala alata sa sobom); difuzija (atomi iz obratka migriraju u alat na vrlo visokim temperaturama); i plastična deformacija (trajna deformacija ruba alata zbog prekomjerne topline ili tlaka).

Trošenje se može opisati u četiri različite faze. Prva faza poznata je kao faza "razradjivanja" i to je početna faza trošenja rezne oštrice, u kojoj se razvija manje trošenje kako se rezna oštrica počinje smirivati. Nakon što se dogodi faza razradjivanja, započinje druga faza, koja se naziva "stacionarno stanje". To je faza u kojoj je napredovanje trošenja rezne oštrice relativno stabilno. Međutim, ako se uvjeti rezanja pogoršaju (npr. porast temperature, smanjenje hlađenja itd.), rezna oštrica će ući u treću fazu, koja je faza "brzog trošenja". Ovu fazu karakterizira kontinuirano i ubrzano propadanje rezne oštrice i na kraju će ući u četvrtu fazu, koja je faza "teškog trošenja". Tijekom faze teškog trošenja, rezna oštrica će doživjeti katastrofalan otkaz (lom oštrice) i/ili ozbiljno krhotine, što će rezultirati gubitkom alata.

Brzina kojom se razvija trošenje ovisi i o parametrima rezanja i o svojstvima materijala alata. Povećane brzine rezanja imaju tendenciju povećanja temperature alata, što uzrokuje ubrzanje difuzijskog i adhezijskog trošenja. Visoke brzine pomaka i/ili dubine rezanja imaju tendenciju povećanja mehaničkih opterećenja na alat, što ubrzava abraziju i ljuštenje. Na trošenje također uvelike utječu tvrdoća i abrazivnost materijala obratka, jer obje karakteristike imaju tendenciju povećanja trenja, toplinskih opterećenja i mehaničkog naprezanja.

Metode praćenja trošenja alata

Izravne metode

Umjesto korištenja kontaktnih senzora za mjerenje stanja istrošenosti alata, obje od dolje navedenih tehnologija izravnog mjerenja istrošenosti alata koriste strojni vid ili optičku tehnologiju mjerenja za vizualno određivanje stanja istrošenosti alata gledanjem slike ruba ili vrha alata za rezanje i utvrđivanjem je li alat za rezanje istrošen analizom slike.

1. Optičke/vizualne tehnike

Slike alata za rezanje visoke rezolucije snimaju se sustavima strojnog vida na rubu, vrhu ili bočnoj strani alata za rezanje, prije ili neposredno nakon glodanja, te se analiziraju kako bi se utvrdile značajke trošenja alata za rezanje, uključujući širinu trošenja bočne strane, usitnjavanje ili zaobljavanje ruba. Budući da ova vrsta mjernog sustava ne dolazi u kontakt s alatom za rezanje, neće utjecati na proces obrade i može se montirati unutar CNC vretena ili dodati kameri montiranoj izravno na stroj za praćenje tijekom procesa. Mnogi od ovih sustava koriste jednostavne, osnovne tehnike obrade slike, kao što su detekcija rubova ili segmentacija slike na temelju praga, kako bi identificirali područja trošenja na alatu za rezanje. Kao rezultat napretka u kamerama i sustavima rasvjete, ove vrste sustava općenito su jeftinije od drugih senzorskih sustava i mogu se naknadno ugraditi u postojeće konfiguracije pametne proizvodnje ili Industrije 4.0.

1. Analiza površinske teksture i klasifikacija finozrnate slike (ECADCL)

Druga izravna metoda mjerenja trošenja alata je analiza obrađene površine koju proizvodi alat za rezanje. Kako alat za rezanje postaje tup, tekstura površine obrađene površine se mijenja. To se postiže snimanjem slika površine koju proizvodi alat za rezanje, a zatim primjenom naprednih tehnika klasifikacije slika na slike kako bi se zaključilo o stanju alata za rezanje. Nedavni primjer ove tehnike je ECADCL (Efficient Channel Attention Destruction and Construction Learning), tehnika učenja koja identificira sitnozrnate razlike u teksturi površine kako bi se klasificirala stanja trošenja.

arhitektura ECADCL-a

Prednosti

• Činjenica da su beskontaktne znači da metode mjerenja trošenja alata temeljene na vidnom signalu ne ometaju mehanički rad procesa obrade niti smanjuju vijek trajanja senzora.
• Metode mjerenja trošenja alata temeljene na vizualnom prikazu obično su jeftinije u usporedbi s tradicionalnom instrumentacijom s teškim senzorima; mnoge zahtijevaju samo standardne kamere, rasvjetu i računalni softver.
• Metode mjerenja istrošenosti alata temeljene na vizualnom prikazu također su fleksibilne s obzirom na to da se mogu lako integrirati u postojeću CNC opremu; na primjer, kamera se može dodati u područje izmjenjivača alata stroja ili instalirati unutar kućišta za pregled alata za rezanje na licu mjesta između prolaza.

Neizravne metode

U usporedbi s izravnim vizualnim pregledom, indirektni TCM koristi podatke senzora za određivanje stanja alata za rezanje i neće zaustaviti obradu. Metoda analizira podatke senzora, koji su se mijenjali kako se alat pogoršavao, kako bi se kontinuirano i u stvarnom vremenu određivala količina trošenja.

1. Praćenje temeljeno na senzorima

Postoje mnoge vrste podataka fizičkih senzora koji se mogu koristiti u tu svrhu. Na primjer, senzori vibracija mjere kako se dinamičko ponašanje sustava vretena alata mijenja tijekom vremena. Signali sile i struje motora također mogu mjeriti povećanje energije koja je potrebna kada se alat istroši i stroj doživljava povećani otpor zbog trošenja. Osim toga, senzori akustične emisije (AE) mjere visokofrekventne valove naprezanja nastale tijekom procesa rezanja i mikropukotine, koje imaju visoku osjetljivost na rane faze trošenja alata. Konačno, zvučni i temperaturni signali mogu pružiti dodatne podatke o uvjetima rezanja. Iako svaka od vrsta senzora ima svoje prednosti, korištenje samo jedne vrste senzora može biti nepouzdano zbog buke i složene prirode obrade.

Senzor vibracija

1. Fuzija više senzora za poboljšanu pouzdanost

Kako bi se minimizirala ograničenja sustava s jednim senzorom, fuzija podataka s više senzora koristi podatke iz više izvora, kao što su AE, vibracije i zvuk, za razvoj pouzdanijeg i točnijeg sustava praćenja. To omogućuje različitim izvorima podataka unakrsnu validaciju informacija kako bi se smanjile stope lažnih alarma koji proizlaze iz buke ili drugih prolaznih događaja koji mogu utjecati samo na jednu vrstu senzora. U konačnici, sustavi fuzije podataka s više senzora nude puno potpuniju sliku procesa obrade i stoga uvelike poboljšavaju pouzdanost dijagnostike.

1. Pristupi fuziji podataka

Fuzija podataka može se odvijati na tri primarne razine:

1. Fuzija razine signala: Sirovi podaci sa svakog senzora kombiniraju se prije izdvajanja značajki iz podataka. Novi primjer fuzije razine signala je snimanje kutne matrice, tehnika koja transformira podatke vremenskih serija s više senzora (na primjer, podatke s AE i vibracijskih senzora) u dvodimenzionalne slike u sivim tonovima. Snimanje kutne matrice čuva vremenske odnose između podataka i pruža snažno sredstvo za treniranje modela dubokog učenja temeljenih na slikama za klasifikaciju spojenih podataka.
2. Fuzija na razini značajki: Pojedinačne značajke (na primjer, statistička svojstva ili frekvencijske komponente) izvlače se iz sirovih podataka sa svakog od senzora. Vektori značajki zatim se kombiniraju u jedan vektor koji se unosi u algoritam klasifikacije.
3. Fuzija na razini odlučivanja: Svaki tok podataka senzora obrađuje se neovisno zasebnim modelom kako bi se generiralo zasebno predviđanje trošenja. Konačna odluka generira se spajanjem pojedinačnih predviđanja. Spajanje pojedinačnih predviđanja može se provesti korištenjem različitih tehnika, uključujući shemu glasanja ili meta-klasifikator.

 Pristupi vođeni podacima

Umjetna inteligencija revolucionira CNC glodanje korištenjem strojnog učenja i dubokog učenja za stvaranje prediktivne inteligencije koja zamjenjuje tradicionalnu reaktivnu prirodu održavanja. Korištenje umjetne inteligencije u CNC glodanju stvara automatizaciju izdvajanja značajki iz podataka stroja i omogućuje tvrtkama predviđanje kvarova alata s neviđenom točnošću.

Korištenjem moćnih modela kao što su konvolucijske neuronske mreže (CNN) i mreže s dugom kratkoročnom memorijom (LSTM), današnji sustavi mogu izdvojiti značajne značajke iz velikih količina podataka senzora. Korištenje dubokih rezidualnih mreža s mehanizmima pažnje (koji funkcioniraju poput funkcije "pametnog zumiranja") omogućuje automatsku identifikaciju ključnih trendova ili obrazaca u vibracijama, akustičnim emisijama i strujnim signalima, a istovremeno identificira i uklanja nebitnu pozadinsku buku. Dakle, ovi sustavi omogućuju vrlo točne procjene stanja alata u stvarnom vremenu.

Ovi pristupi temeljeni na umjetnoj inteligenciji kombiniraju više izvora podataka senzora, što je jedna od njihovih glavnih prednosti. To omogućuje kombiniranje svih relevantnih podataka u jednu, sveobuhvatnu procjenu stanja alata za rezanje. Osim toga, to omogućuje kontinuirano poboljšanje kroz učenje (adaptivno učenje). Drugim riječima, sustav će nastaviti poboljšavati svoje mogućnosti predviđanja na temelju novih podataka prikupljenih tijekom stvarnih operacija. Ova tehnika pruža pouzdanu metodu za procjenu performansi alata za rezanje pri radu u različitim uvjetima (različiti materijali i parametri obrade).

Bilo da se radi o tokarenju, bušenju, brušenju ili glodanju, rezultati su jasni: tvrtke mogu očekivati ​​vrlo točna (preko 90%) predviđanja o tome kada će alat zakazati, smanjiti količinu neplaniranih zastoja i uštedjeti novac sprječavanjem rasipanja dijelova i skupih kvarova alata. Stoga, provedba strategije prediktivnog održavanja više nije luksuz, već nužna komponenta za maksimiziranje produktivnosti i vijeka trajanja alata u današnjem proizvodnom okruženju.

Sustavi dubokog učenja i inteligentnog praćenja

Duboko učenje donijelo je značajna poboljšanja u praćenju trošenja alata u CNC glodanju kroz potpuno novu generaciju inteligentnih sustava koji su znatno bolji od svih prethodnih generacija praćenja trošenja alata. Najčešće korištena metoda koristi duboke rezidualne mreže poboljšane modulima pažnje; jedan primjer je konvolucijski blokovni modul pažnje (CBAM), koji kombinira snagu dviju metoda, omogućujući inteligentnom sustavu da automatski odabere najvažnije značajke podataka senzora i zanemari nebitne (šum) informacije, a istovremeno značajno poboljšava dijagnostičku preciznost.

Još jedno veliko poboljšanje bilo je pretvaranje podataka senzora vremenskih serija (senzori vibracija, akustične emisije i struje) u 2D matricu koja predstavlja signal kao "vizualnu sliku". Kako se ovi matrični signali obrađuju konvolucijskim neuronskim mrežama (CNN), CNN obrađuje signale kao "uzorke", a to omogućuje ogromnu količinu automatske ekstrakcije značajki koja se nikada ne bi mogla postići ručnim metodama.

Automatizirani proces omogućuje točnu klasifikaciju stanja trošenja alata (početno, normalno, brzo i jako trošenje) putem vrlo precizne klasifikacije te postiže iznimnu robusnost i točnost izravnom obradom podataka s više senzora, postižući stopu prepoznavanja veću od 90%. To vam daje pouzdanu, podacima utemeljenu osnovu za prediktivno održavanje koja će smanjiti neplanirane zastoje i zaštititi vaše strojeve od ozbiljnih oštećenja.

Industrijska primjena i prednosti

• Prediktivno održavanje s podacima u stvarnom vremenu: Višesenzorska detekcija pokretana umjetnom inteligencijom identificira performanse alata u stvarnom vremenu i, identificiranjem znakova istrošenosti ili nadolazećeg kvara (prije nego što se dogode), omogućuje trenutno djelovanje.
• Smanjenje otpada i optimizacija korištenja alata: Predviđanje kada će alat otkazati maksimizira njegov potencijal za upotrebu, minimizirajući broj zamjena alata i time smanjujući otpad koji nastaje zbog neispravnih ili na neki drugi način nefunkcionalnih alata.
• Povećanje dosljednosti proizvodnje: Održavanje dosljednih uvjeta na alatima koji se koriste u proizvodnim procesima održava dosljednost proizvedenih proizvoda i povećava ukupnu kvalitetu proizvoda te minimizira varijacije.
• Temeljna tehnologija za pametne proizvodne sustave: Gore navedene tehnologije ključne su komponente Industrije 4.0 (pametni proizvodni sustavi), pružajući mogućnost izvođenja prediktivnog održavanja temeljenog na podacima i omogućujući automatizirano raspoređivanje planiranog održavanja.

Izazovi i ograničenja

• Kvaliteta i količina podataka: Kvaliteta korištenih podataka vrlo je važna za učinkovito praćenje. Međutim, "šum" senzora (slučajne varijacije u izlazu) može smanjiti kvalitetu podataka. Osim toga, činjenica da je količina podataka dostupnih u ranim ili ekstremnim fazama trošenja znatno manja od količine podataka prisutnih tijekom normalnih faza trošenja alata može modelu otežati prepoznavanje svih stanja alata.
• Visoki računalni zahtjevi: Iako modeli poput dubokih rezidualnih mreža pružaju visoku razinu točnosti u identificiranju stanja alata, imaju velike zahtjeve za procesorskom snagom. Kako bi postigle prihvatljive performanse s ovim modelima, tvrtke će obično morati ulagati u napredne grafičke procesorske jedinice (GPU) i možda neće moći to učiniti na postojećem hardveru.
• Ograničena generalizacija: Modeli koji su obučeni za određenu primjenu općenito se ne mogu generalizirati za upotrebu s različitim primjenama. Stoga, korištenje istog modela koji je korišten za praćenje trošenja alata na glodalici za praćenje trošenja alata na bušilici ili za praćenje trošenja alata na novoj vrsti materijala ili čak na novoj vrsti CNC stroja može rezultirati smanjenom točnošću rezultata osim ako se model ponovno ne obuči uz određeni trošak i trud.
• Instalacija/integracija sustava: Integracija sustava za naknadnu ugradnju modernih sustava nadzora u različite vrste CNC opreme može biti izazovna zbog složenosti, invazivnosti i troškova instaliranja senzora i hardvera za prikupljanje podataka na različite CNC strojeve. Kao rezultat toga, široko prihvaćanje tehnologije je teško u mnogim industrijama.

Zaključak

Detekcija istrošenosti alata postala je primarna komponenta inteligentne proizvodnje pružajući pametniji i podatkovno vođen pristup CNC obradi (CNC glodanju). Korištenje vrhunske tehnologije senzora (akustične emisije, vibracije, lutajući tok, struja) u kombinaciji s umjetnom inteligencijom (AI) i mogućnostima dubokog učenja današnjih alata za praćenje omogućuje prediktivnu obradu i prilagodljivost. Moderni sustavi za praćenje istrošenosti alata sada mogu otkriti kada je alat u stanju istrošenosti i predvidjeti kada će zakazati, omogućujući tako proaktivne preventivne mjere. Inteligentna proizvodnja postiže svoj krajnji cilj kroz ove prediktivne i adaptivne mogućnosti obrade. Omogućuje povećanu preciznost, znatno smanjeno neplanirano vrijeme zastoja i troškove alata te povećanu ukupnu produktivnost. Ovi napredci pružaju inteligentnu evoluciju CNC rada i označavaju novu razinu učinkovitosti i pouzdanosti CNC operacija.