Monitoraggio dell'usura degli utensili nella fresatura CNC

Panoramica del monitoraggio delle condizioni degli utensili (TCM)

Il monitoraggio delle condizioni degli utensili (TCM) monitora le prestazioni di un utensile da taglio durante la lavorazione (in particolare nella fresatura CNC), verificandone sistematicamente le prestazioni per rilevare quando l'utensile ha raggiunto la fine della sua vita utile a causa di usura, rottura o scheggiatura. L'integrazione di una varietà di sensori, tra cui sensori di forza di taglio, sensori di vibrazione, sensori di emissioni acustiche o persino sensori ottici di immagine nel TCM, consente di prendere decisioni in tempo reale sui tempi di sostituzione di un utensile da taglio o di regolazione per migliorare la qualità del pezzo e ridurre i tempi di fermo macchina, ottimizzando così i costi degli utensili.

Il TCM si differenzia dal Machine Condition Monitoring, che monitora lo stato di salute della macchina utensile (ovvero cuscinetti, mandrini, motori di azionamento e struttura della macchina utensile) monitorando parametri come le vibrazioni del mandrino, la corrente del motore o la temperatura per prevenire guasti correlati alla macchina e preservare lo stato di salute generale del sistema. Il monitoraggio dell'utensile, tuttavia, si concentra esclusivamente sullo stato dell'utensile da taglio e sul suo impatto sul processo di lavorazione; mentre il monitoraggio della macchina mira a mantenere la "macchina" in buone condizioni, il TCM mantiene in buone condizioni l'"utensile". Sia il TCM che il monitoraggio della macchina sono componenti importanti della produzione intelligente; tuttavia, entrambi sono progettati per monitorare e diagnosticare diversi tipi di guasti utilizzando diverse tipologie di sensori e metodologie diagnostiche.

Fondamenti dell'usura degli utensili

L'usura sul fianco è il tipo di usura più diffuso e si verifica all'interfaccia tra la superficie del fianco dell'utensile e la superficie lavorata, creando erosione nel tempo. L'usura a cratere si verifica all'interfaccia tra il truciolo e la superficie di spoglia dell'utensile, creando una depressione dovuta alle alte temperature e alle interazioni tra il truciolo e l'utensile. Oltre a questi due tipi di usura, ne esistono diversi altri, come la scheggiatura (piccoli trucioli che si staccano dal tagliente a causa di shock termico o meccanico); l'adesione (il materiale del pezzo si salda all'utensile e si stacca, portando con sé parte del materiale dell'utensile); la diffusione (atomi del pezzo che migrano nell'utensile a temperature molto elevate); e la deformazione plastica (la deformazione permanente del tagliente dell'utensile dovuta a calore o pressione eccessivi).

L'usura può essere descritta in quattro fasi diverse. La prima fase è nota come fase di "rodaggio" ed è la fase iniziale di usura del tagliente, in cui si sviluppa una lieve usura man mano che il tagliente inizia ad assestarsi. Una volta completata la fase di rodaggio, inizia la seconda fase, definita "stato stazionario". Questa è la fase in cui la progressione dell'usura del tagliente è relativamente stabile. Tuttavia, se le condizioni di taglio peggiorano (ad esempio, un aumento della temperatura, una diminuzione del raffreddamento, ecc.), il tagliente entra in una terza fase, la fase di "usura rapida". Questa fase è caratterizzata da un deterioramento continuo e accelerato del tagliente e infine entra in una quarta fase, la fase di "usura grave". Durante la fase di usura grave, il tagliente subirà un cedimento catastrofico (rottura del tagliente) e/o una grave scheggiatura, con conseguente perdita dell'utensile.

La velocità con cui si sviluppa l'usura dipende sia dai parametri di taglio sia dalle proprietà del materiale dell'utensile. L'aumento della velocità di taglio tende ad aumentare la temperatura dell'utensile, causando un'accelerazione dell'usura per diffusione e per adesione. Avanzamenti e/o profondità di taglio elevate tendono ad aumentare i carichi meccanici sull'utensile, accelerando l'abrasione e la scheggiatura. L'usura è inoltre fortemente influenzata dalla durezza e dall'abrasività del materiale del pezzo, poiché entrambe le caratteristiche tendono ad aumentare l'attrito, i carichi termici e le sollecitazioni meccaniche.

Metodi di monitoraggio dell'usura degli utensili

Metodi diretti

Invece di utilizzare sensori di contatto per misurare le condizioni di usura degli utensili, entrambe le due tecnologie di misurazione diretta dell'usura degli utensili elencate di seguito utilizzano la visione artificiale, ovvero una tecnologia di misurazione ottica, per determinare visivamente le condizioni di usura degli utensili visualizzando un'immagine del bordo o della punta dell'utensile da taglio e determinando se l'utensile da taglio è usurato analizzando l'immagine.

1. Tecniche ottiche/visive

Immagini ad alta risoluzione dell'utensile da taglio vengono acquisite da sistemi di visione artificiale sul bordo, sulla punta o sul fianco dell'utensile, prima o immediatamente dopo la fresatura, e vengono analizzate per determinare le caratteristiche di usura dell'utensile, tra cui l'ampiezza dell'usura sul fianco, la scheggiatura o l'arrotondamento del bordo. Poiché questo tipo di sistema di misurazione non entra in contatto con l'utensile da taglio, non influisce sul processo di lavorazione e può essere montato all'interno del mandrino CNC o aggiunto a una telecamera montata direttamente sulla macchina per il monitoraggio in corso d'opera. Molti di questi sistemi utilizzano tecniche di elaborazione delle immagini semplici e basilari, come il rilevamento dei bordi o la segmentazione delle immagini basata su soglie, per identificare le aree di usura sull'utensile da taglio. Grazie ai progressi nelle telecamere e nei sistemi di illuminazione, questi tipi di sistemi sono generalmente meno costosi di altri sistemi di sensori e possono essere integrati in configurazioni di produzione intelligente esistenti, o Industria 4.0.

1. Analisi della struttura superficiale e classificazione delle immagini a grana fine (ECADCL)

Un altro metodo diretto per misurare l'usura degli utensili consiste nell'analizzare la superficie lavorata dall'utensile da taglio. Man mano che l'utensile da taglio perde la sua affilatura, la sua struttura superficiale cambia. Questo si ottiene acquisendo immagini della superficie prodotta dall'utensile da taglio e applicando poi tecniche avanzate di classificazione delle immagini per dedurre le condizioni dell'utensile da taglio. Un esempio recente di questa tecnica è ECADCL (Efficient Channel Attention Destruction and Construction Learning), una tecnica di apprendimento che identifica differenze a grana fine nella struttura superficiale per classificare le condizioni di usura.

architettura di ECADCL

Vantaggi

• Il fatto che siano senza contatto significa che i metodi di misurazione dell'usura degli utensili basati sulla visione non interferiscono con il funzionamento meccanico del processo di lavorazione né riducono la durata dei sensori.
• I metodi di misurazione dell'usura degli utensili basati sulla visione sono in genere più economici rispetto alla tradizionale strumentazione con sensori pesanti; molti richiedono solo telecamere standard, illuminazione e software per computer.
• I metodi di misurazione dell'usura degli utensili basati sulla visione sono flessibili anche per quanto riguarda la possibilità di essere facilmente integrati nelle apparecchiature CNC esistenti; ad esempio, è possibile aggiungere una telecamera all'area del cambio utensile della macchina o installarla all'interno dell'involucro per ispezionare l'utensile da taglio in situ tra una passata e l'altra.

Metodi indiretti

Rispetto all'ispezione visiva diretta, la TCM indiretta utilizza i dati dei sensori per determinare le condizioni di un utensile da taglio e non interrompe la lavorazione. Il metodo analizza i dati dei sensori, che sono cambiati con il deterioramento dell'utensile, al fine di determinare in modo continuo e in tempo reale il livello di usura.

1. Monitoraggio basato sui sensori

Esistono molti tipi di dati provenienti da sensori fisici che possono essere utilizzati a questo scopo. Ad esempio, i sensori di vibrazione misurano come il comportamento dinamico del sistema mandrino utensile cambia nel tempo. I segnali di forza e di corrente del motore possono anche misurare l'aumento dell'energia richiesta quando un utensile è usurato e la macchina subisce una maggiore resistenza a causa dell'usura. Inoltre, i sensori di emissione acustica (AE) misurano le onde di stress ad alta frequenza prodotte durante il processo di taglio e le microfratture, che hanno un'elevata sensibilità alle fasi iniziali dell'usura dell'utensile. Infine, i segnali acustici e di temperatura possono fornire dati aggiuntivi sulle condizioni di taglio. Sebbene ogni tipo di sensore abbia i suoi vantaggi, l'utilizzo di un solo tipo di sensore potrebbe risultare inaffidabile a causa del rumore e della complessità della lavorazione.

sensore di vibrazione

1. Fusione multisensore per una maggiore affidabilità

Per ridurre al minimo i limiti dei sistemi a sensore singolo, la fusione di dati multisensore utilizza dati provenienti da più fonti, come AE, vibrazioni e suono, per sviluppare un sistema di monitoraggio più affidabile e accurato. Ciò consente alle diverse fonti di dati di convalidare le informazioni in modo incrociato, riducendo i tassi di falsi allarmi derivanti da rumore o altri eventi transitori che potrebbero interessare un solo tipo di sensore. In definitiva, i sistemi di fusione di dati multisensore offrono un quadro molto più completo del processo di lavorazione e quindi migliorano notevolmente l'affidabilità diagnostica.

1. Approcci di fusione dei dati

La fusione dei dati può avvenire a tre livelli principali:

1. Fusione del livello di segnale: i dati grezzi provenienti da ciascun sensore vengono combinati prima di estrarne le caratteristiche. Un nuovo esempio di fusione del livello di segnale è l'imaging a matrice angolare, una tecnica che trasforma i dati di serie temporali multisensore (ad esempio, dati provenienti da sensori AE e di vibrazione) in immagini bidimensionali in scala di grigi. L'imaging a matrice angolare preserva le relazioni temporali tra i dati e fornisce un potente strumento per addestrare modelli di deep learning basati su immagini per classificare i dati fusi.
2. Fusione a livello di feature: le singole feature (ad esempio, proprietà statistiche o componenti di frequenza) vengono estratte dai dati grezzi di ciascun sensore. I vettori di feature vengono quindi combinati in un unico vettore che viene inserito in un algoritmo di classificazione.
3. Fusione a livello decisionale: ogni flusso di dati dei sensori viene elaborato in modo indipendente da un modello separato per generare una previsione di usura distinta. La decisione finale viene generata fondendo insieme le singole previsioni. La fusione delle singole previsioni può essere effettuata utilizzando diverse tecniche, tra cui uno schema di voto o un meta-classificatore.

 Approcci basati sui dati

L'intelligenza artificiale sta rivoluzionando la fresatura CNC utilizzando l'apprendimento automatico e il deep learning per creare un'intelligenza predittiva che sostituisce la tradizionale natura reattiva della manutenzione. L'uso dell'intelligenza artificiale nella fresatura CNC sta automatizzando l'estrazione di feature dai dati macchina e consentendo alle aziende di prevedere i guasti degli utensili con una precisione senza precedenti.

Utilizzando modelli potenti come le reti neurali convoluzionali (CNN) e le reti a memoria a lungo termine (LSTM), i sistemi odierni sono in grado di estrarre caratteristiche significative da grandi quantità di dati provenienti dai sensori. L'utilizzo di reti residuali profonde con meccanismi di attenzione (che funzionano come una funzione di "zoom intelligente") consente l'identificazione automatica di tendenze o modelli chiave in vibrazioni, emissioni acustiche e segnali di corrente, identificando ed eliminando contemporaneamente il rumore di fondo irrilevante. Pertanto, questi sistemi consentono valutazioni delle condizioni degli utensili altamente accurate e in tempo reale.

Questi approcci basati sull'intelligenza artificiale combinano più fonti di dati provenienti dai sensori, il che rappresenta uno dei loro principali vantaggi. Ciò consente di combinare tutti i dati rilevanti in un'unica valutazione complessiva dello stato di salute dell'utensile da taglio. Inoltre, ciò consente un miglioramento continuo attraverso l'apprendimento (apprendimento adattivo). In altre parole, il sistema continuerà a migliorare le sue capacità predittive sulla base di nuovi dati raccolti durante le operazioni effettive. Questa tecnica fornisce un metodo affidabile per valutare le prestazioni degli utensili da taglio quando operano in condizioni variabili (diversi materiali e parametri di lavorazione).

Che si tratti di un'operazione di tornitura, foratura, rettifica o fresatura, i risultati sono chiari: le aziende possono aspettarsi di fare previsioni molto accurate (oltre il 90%) sui tempi di guasto di un utensile, ridurre al minimo i tempi di fermo macchina non pianificati e risparmiare denaro evitando sprechi di componenti e costosi guasti agli utensili. Pertanto, implementare una strategia di manutenzione predittiva non è più un lusso, ma una componente necessaria per massimizzare sia la produttività che la durata degli utensili nell'ambiente di produzione odierno.

Sistemi di apprendimento profondo e monitoraggio intelligente

Il deep learning ha apportato notevoli miglioramenti al monitoraggio dell'usura degli utensili nella fresatura CNC, grazie a una generazione completamente nuova di sistemi intelligenti, significativamente migliori rispetto a tutte le precedenti generazioni di monitoraggio dell'usura degli utensili. Il metodo più utilizzato utilizza reti residue profonde potenziate con moduli di attenzione; un esempio è il modulo di attenzione a blocchi convoluzionali (CBAM), che combina la potenza dei due metodi, consentendo al sistema intelligente di selezionare automaticamente le caratteristiche più importanti dei dati del sensore e ignorare le informazioni irrilevanti (rumore), migliorando significativamente la precisione diagnostica.

Un altro importante miglioramento è stata la conversione dei dati dei sensori in serie temporali (sensori di vibrazione, emissione acustica e corrente) in una matrice 2D che rappresenta il segnale come "immagine visiva". Quando questi segnali matriciali vengono elaborati da reti neurali convoluzionali (CNN), le CNN elaborano i segnali come "pattern", consentendo un'enorme quantità di estrazione automatica di caratteristiche che non sarebbe mai possibile ottenere con metodi manuali.

Il processo automatizzato consente una classificazione accurata degli stati di usura degli utensili (usura iniziale, normale, rapida e grave) attraverso una classificazione estremamente accurata e raggiunge una robustezza e un'accuratezza eccezionali elaborando direttamente i dati multisensore, raggiungendo tassi di riconoscimento superiori al 90%. Ciò fornisce una base affidabile e basata sui dati per una manutenzione predittiva che ridurrà al minimo i tempi di fermo non pianificati e proteggerà i macchinari da danni gravi.

Implementazione industriale e vantaggi

• Manutenzione predittiva con dati in tempo reale: il rilevamento multisensore basato sull'intelligenza artificiale identifica le prestazioni degli utensili in tempo reale e, individuando segni di usura o guasti imminenti (prima che si verifichino), consente di intervenire immediatamente.
• Riduzione degli sprechi e ottimizzazione dell'uso degli strumenti: prevedere quando uno strumento si guasterà ne massimizza il potenziale di utilizzo, riducendo al minimo il numero di volte in cui è necessario sostituirlo e quindi gli sprechi generati da strumenti guasti o non funzionanti.
• Aumento della coerenza della produzione: il mantenimento di condizioni coerenti sugli strumenti utilizzati per i processi di produzione mantiene la coerenza nei prodotti realizzati, aumenta la qualità totale del prodotto e riduce al minimo le variazioni.
• Tecnologia fondamentale per sistemi di produzione intelligenti: le tecnologie sopra menzionate sono componenti chiave dell'Industria 4.0 (sistemi di produzione intelligenti), in quanto offrono la possibilità di eseguire una manutenzione predittiva basata sui dati e di abilitare la pianificazione automatizzata della manutenzione pianificata.

Sfide e limiti

• Qualità e volume dei dati: la qualità dei dati utilizzati è fondamentale per un monitoraggio efficace. Tuttavia, il "rumore" dei sensori (variazioni casuali nell'output) può compromettere la qualità dei dati. Inoltre, il fatto che la quantità di dati disponibile nelle fasi iniziali o estreme di usura sia significativamente inferiore al volume di dati presente durante le normali fasi di usura di un utensile può rendere difficile per il modello identificare tutte le condizioni dell'utensile.
• Requisiti computazionali elevati: sebbene modelli come le reti residue profonde offrano elevati livelli di accuratezza nell'identificazione delle condizioni degli strumenti, richiedono elevate prestazioni di elaborazione. Per ottenere prestazioni accettabili con questi modelli, le aziende dovranno in genere investire in unità di elaborazione grafica (GPU) avanzate e potrebbero non essere in grado di farlo con l'hardware esistente.
• Generalizzabilità limitata: i modelli addestrati per un'applicazione specifica non sono generalmente generalizzabili per l'utilizzo con applicazioni diverse. Pertanto, utilizzare lo stesso modello utilizzato per monitorare l'usura di una fresa a candela per monitorare l'usura di una punta, o per monitorare l'usura di un utensile su un nuovo tipo di materiale, o persino su un nuovo tipo di macchina CNC, può comportare una riduzione dell'accuratezza dei risultati, a meno che il modello non venga riaddestrato con un costo e uno sforzo elevati.
• Installazione/Integrazione di Sistemi: L'integrazione di sistemi di retrofit per moderni sistemi di monitoraggio in diverse tipologie di apparecchiature CNC può essere complessa a causa della complessità, dell'invasività e dei costi di installazione di sensori e hardware di acquisizione dati su diverse macchine CNC. Di conseguenza, l'adozione diffusa di questa tecnologia risulta difficoltosa in molti settori.

Conclusione

Il rilevamento dell'usura degli utensili è diventato un componente primario della produzione intelligente, offrendo un approccio più intelligente e basato sui dati alla lavorazione CNC (fresatura CNC). L'utilizzo di tecnologie di sensori all'avanguardia (emissioni acustiche, vibrazioni, flussi dispersi, corrente), combinato con le capacità di Intelligenza Artificiale (IA) e Deep Learning degli strumenti di monitoraggio odierni, consente lavorazioni predittive e adattabilità. I ​​moderni sistemi di monitoraggio dell'usura degli utensili sono ora in grado di rilevare quando un utensile è usurato e prevederne il guasto, consentendo quindi misure preventive proattive. La produzione intelligente raggiunge il suo obiettivo finale attraverso queste capacità di lavorazione predittive e adattive. Consente una maggiore precisione, una notevole riduzione dei tempi di fermo macchina imprevisti e dei costi di attrezzaggio e un aumento della produttività complessiva. Questi progressi garantiscono un'evoluzione intelligente del funzionamento CNC e segnano un nuovo livello di efficienza e affidabilità per le operazioni CNC.