Įrankių susidėvėjimo stebėjimas CNC frezavimo staklėse

Įrankio būklės stebėjimo (TCM) apžvalga

Įrankių būklės stebėjimas (TCM) stebi pjovimo įrankio veikimą naudojant jį apdirbimui (ypač CNC frezavimo srityje), sistemingai tikrindamas pjovimo įrankio veikimą, kad nustatytų, kada įrankis pasiekia savo naudingo tarnavimo laiko pabaigą dėl susidėvėjimo, lūžio ar įskilimo. Įvairių jutiklių, įskaitant pjovimo jėgos jutiklius, vibracijos jutiklius, akustinės emisijos jutiklius ar net optinius vaizdo jutiklius, integravimas į TCM leidžia realiuoju laiku priimti sprendimus dėl pjovimo įrankio keitimo laiko arba jo reguliavimo, siekiant pagerinti detalės kokybę ir sumažinti laiką, kurį mašina neveikia, siekiant optimizuoti įrankių sąnaudas.

TCM skiriasi nuo mašinos būklės stebėjimo (angl. Machine Condition Monitoring), kuris stebi staklių (t. y. guolių, velenų, pavaros variklių ir staklių konstrukcijos) būklę stebėdamas tokius parametrus kaip veleno vibracija, variklio srovė arba temperatūra, kad būtų išvengta su staklėmis susijusių gedimų ir palaikoma bendra sistemos būklė. Tačiau įrankių stebėjimas sutelktas tik į pjovimo įrankio būseną ir jo poveikį apdirbimo procesui; nors mašinos stebėjimo tikslas – palaikyti „mašiną“ sveiką, TCM – „įrankį“ sveiką. Tiek TCM, tiek mašinos stebėjimas yra svarbūs išmaniosios gamybos komponentai; tačiau kiekvienas iš jų yra skirtas stebėti ir diagnozuoti skirtingų tipų gedimus naudojant skirtingų tipų jutiklius ir diagnostikos metodus.

Įrankių susidėvėjimo pagrindai

Briauninis dilimas yra labiausiai paplitęs dilimo tipas, atsirandantis įrankio briauninio paviršiaus ir apdirbto paviršiaus sąsajoje, laikui bėgant sukeldamas eroziją. Kraterio dilimas atsiranda drožlės ir įrankio grėblio paviršiaus sąsajoje, dėl aukštos temperatūros ir drožlės bei įrankio sąveikos sukuriant įdubą. Be šių dviejų dilimo tipų, yra ir keletas kitų dilimo tipų, tokių kaip skilimas (mažos drožlės, nulūžtančios nuo pjovimo briaunos dėl terminio arba mechaninio smūgio); sukibimas (ruošinio medžiaga privirinama prie įrankio ir nuo jo atšoka, kartu pasiimdama dalį įrankio medžiagos); difuzija (atomai iš ruošinio migruoja į įrankį esant labai aukštai temperatūrai); ir plastinė deformacija (įrankio briaunos nuolatinė deformacija dėl per didelio karščio arba slėgio).

Dėvėjimąsi galima apibūdinti keturiais skirtingais etapais. Pirmasis etapas vadinamas „įdirbimo“ etapu ir yra pradinis pjovimo briaunos dilimo etapas, kurio metu, jai pradėjus sėsti, atsiranda nedidelis dilimas. Pasibaigus įdirbimo etapui, prasideda antrasis etapas, vadinamas „stacionaria būsena“. Tai etapas, kai pjovimo briaunos dilimo progresavimas yra santykinai stabilus. Tačiau jei pjovimo sąlygos pablogėja (pvz., padidėja temperatūra, sumažėja aušinimas ir pan.), pjovimo briauna pereina į trečiąjį etapą – „greito dilimo“ etapą. Šiam etapui būdingas nuolatinis ir spartėjantis pjovimo briaunos nusidėvėjimas, kuris galiausiai pereina į ketvirtąjį etapą – „didelio dilimo“ etapą. Didelio dilimo etapo metu pjovimo briauna patirs katastrofišką gedimą (briaunos lūžis) ir (arba) didelį nuskilinėjimą, dėl kurio įrankis bus prarastas.

Dėvėjimosi greitis priklauso tiek nuo pjovimo parametrų, tiek nuo įrankio medžiagos savybių. Padidėjęs pjovimo greitis linkęs pakelti įrankio temperatūrą, o tai pagreitina difuziją ir sukibimą. Didelis pastūmos greitis ir (arba) pjovimo gylis linkęs padidinti mechanines įrankio apkrovas, o tai pagreitina dilimą ir atšokimą. Dėvėjimąsi taip pat labai veikia ruošinio medžiagos kietumas ir abrazyvumas, nes abi savybės linkusios padidinti trinties kontaktą, šilumines apkrovas ir mechaninį įtempį.

Įrankių nusidėvėjimo stebėjimo metodai

Tiesioginiai metodai

Užuot naudoję kontaktinius jutiklius įrankių susidėvėjimo sąlygoms matuoti, abi toliau išvardytos tiesioginio įrankių susidėvėjimo matavimo technologijos naudoja mašininį matymą arba optinę matavimo technologiją, kad vizualiai nustatytų įrankių susidėvėjimo sąlygas, peržiūrėdamos pjovimo įrankio krašto arba įrankio antgalio vaizdą ir analizuodamos vaizdą, ar pjovimo įrankis susidėvėjo.

1. Optiniai / regėjimu pagrįsti metodai

Didelės skiriamosios gebos pjovimo įrankio vaizdai fiksuojami mašininio matymo sistemomis pjovimo įrankio krašte, viršūnėje arba šone, prieš frezavimą arba iškart po jo, ir analizuojami siekiant nustatyti pjovimo įrankio nusidėvėjimo ypatybes, įskaitant šoninio nusidėvėjimo plotį, nuskilinėjimą arba krašto apvalinimą. Kadangi tokio tipo matavimo sistema nesiliečia su pjovimo įrankiu, ji neturi įtakos apdirbimo procesui ir gali būti montuojama CNC veleno viduje arba prijungta prie kameros, pritvirtintos tiesiai prie staklės, kad būtų galima stebėti procesą. Daugelyje šių sistemų naudojami paprasti, pagrindiniai vaizdo apdorojimo metodai, tokie kaip kraštų aptikimas arba slenksčių pagrindu veikiantis vaizdo segmentavimas, siekiant nustatyti pjovimo įrankio nusidėvėjimo vietas. Dėl kamerų ir apšvietimo sistemų pažangos tokio tipo sistemos paprastai yra pigesnės nei kitos jutiklių sistemos ir gali būti integruotos į esamas išmaniosios gamybos arba 4.0 pramonės konfigūracijas.

1. Paviršiaus tekstūros analizė ir smulkiagrūdžių vaizdų klasifikacija (ECADCL)

Kitas tiesioginis įrankio nusidėvėjimo matavimo metodas yra analizuoti pjovimo įrankio sukurtą apdirbtą paviršių. Pjovimo įrankiui atbukstant, keičiasi jo tekstūra. Tai atliekama vaizduojant pjovimo įrankio sukurtą paviršių ir taikant pažangius vaizdų klasifikavimo metodus, siekiant nustatyti pjovimo įrankio būklę. Naujausias šios technikos pavyzdys yra ECADCL (Efficient Channel Attention Destruction and Construction Learning) – mokymosi metodas, kuris nustato smulkiagrūdžius paviršiaus tekstūros skirtumus, kad būtų galima klasifikuoti nusidėvėjimo sąlygas.

ECADCL architektūra

Privalumai

• Tai, kad jie yra bekontakčiai, reiškia, kad regėjimo pagrįsti įrankių nusidėvėjimo matavimo metodai netrukdo mechaniniam apdirbimo proceso veikimui ir nesumažina jutiklių tarnavimo laiko.
• Regėjimu pagrįsti įrankių nusidėvėjimo matavimo metodai paprastai yra pigesni, palyginti su tradiciniais sunkiais jutikliais pagrįstais prietaisais; daugeliui jų tereikia standartinių kamerų, apšvietimo ir kompiuterinės programinės įrangos.
• Regėjimu pagrįsti įrankių nusidėvėjimo matavimo metodai taip pat yra lankstūs, nes juos galima lengvai integruoti į esamą CNC įrangą; pavyzdžiui, kamerą galima pridėti prie staklių įrankių keitiklio zonos arba įmontuoti korpuso viduje, kad būtų galima patikrinti pjovimo įrankį vietoje tarp praėjimų.

Netiesioginiai metodai

Lyginant su tiesiogine vizualine apžiūra, netiesioginė techninė apžiūra (TCM) naudoja jutiklių duomenis pjovimo įrankio būklei nustatyti ir nesustabdo apdirbimo operacijos. Šis metodas analizuoja jutiklių duomenis, kurie keitėsi įrankiui susidėvėjus, kad būtų galima nuolat ir realiuoju laiku nustatyti susidėvėjimo laipsnį.

1. Jutiklių pagrindu veikiantis stebėjimas

Šiuo tikslu galima naudoti daug fizinių jutiklių duomenų tipų. Pavyzdžiui, vibracijos jutikliai matuoja, kaip laikui bėgant keičiasi įrankio veleno sistemos dinaminis elgesys. Jėgos ir variklio srovės signalai taip pat gali matuoti energijos poreikį, kai įrankis susidėvi ir staklės patiria padidėjusį pasipriešinimą dėl susidėvėjimo. Be to, akustinės emisijos (AE) jutikliai matuoja pjovimo proceso metu susidarančias aukšto dažnio įtempio bangas ir mikroįtrūkimus, kurie yra labai jautrūs ankstyviesiems įrankio susidėvėjimo etapams. Galiausiai, garso ir temperatūros signalai gali suteikti papildomų duomenų apie pjovimo sąlygas. Nors kiekvienas jutiklių tipas turi savo privalumų, naudoti tik vieno tipo jutiklį gali būti nepatikima dėl triukšmo ir sudėtingo apdirbimo pobūdžio.

vibracijos jutiklis

1. Kelių jutiklių sintezė didesniam patikimumui

Siekiant sumažinti vieno jutiklio sistemų apribojimus, kelių jutiklių duomenų sintezė naudoja duomenis iš kelių šaltinių, tokių kaip dirbtinis intelektas, vibracija ir garsas, kad sukurtų patikimesnę ir tikslesnę stebėjimo sistemą. Tai leidžia skirtingiems duomenų šaltiniams kryžmiškai patvirtinti informaciją, siekiant sumažinti klaidingų aliarmų, atsirandančių dėl triukšmo ar kitų trumpalaikių įvykių, kurie gali paveikti tik vieno tipo jutiklius, skaičių. Galiausiai, kelių jutiklių duomenų sintezės sistemos suteikia daug išsamesnį apdirbimo proceso vaizdą ir todėl labai pagerina diagnostikos patikimumą.

1. Duomenų sintezės metodai

Duomenų suliejimas gali vykti trimis pagrindiniais lygmenimis:

1. Signalo lygio suliejimas: Neapdoroti duomenys iš kiekvieno jutiklio yra sujungiami prieš išskiriant iš duomenų ypatybes. Naujas signalo lygio suliejimo pavyzdys yra kampinės matricos vaizdavimas – technika, kuri transformuoja kelių jutiklių laiko eilučių duomenis (pavyzdžiui, duomenis iš AE ir vibracijos jutiklių) į dvimačius, pilkos spalvos vaizdus. Kampinės matricos vaizdavimas išsaugo laiko ryšius tarp duomenų ir suteikia galingą priemonę mokyti vaizdus pagrįstus gilaus mokymosi modelius klasifikuoti sujungtus duomenis.
2. Elementų lygmens suliejimas: iš kiekvieno jutiklio neapdorotų duomenų išskiriamos atskiros savybės (pavyzdžiui, statistinės savybės arba dažnio komponentai). Tada požymių vektoriai sujungiami į vieną vektorių, kuris įvedamas į klasifikavimo algoritmą.
3. Sprendimų lygmens suliejimas: kiekvienas jutiklio duomenų srautas yra atskirai apdorojamas atskiro modelio, kad būtų sugeneruota atskira nusidėvėjimo prognozė. Galutinis sprendimas priimamas sujungiant atskiras prognozes. Individualių prognozių suliejimas gali būti atliekamas naudojant įvairius metodus, įskaitant balsavimo schemą arba metaklasifikatorių.

 Duomenimis pagrįsti metodai

Dirbtinis intelektas keičia CNC frezavimą, pasitelkdamas mašininį mokymąsi ir gilųjį mokymąsi, kad sukurtų nuspėjamąjį intelektą, kuris pakeičia tradicinį reaktyvųjį priežiūros pobūdį. Dirbtinio intelekto naudojimas CNC frezavime automatizuoja funkcijų išskyrimą iš mašinos duomenų ir leidžia įmonėms numatyti įrankių gedimus precedento neturinčiu tikslumu.

Naudodamos galingus modelius, tokius kaip konvoliuciniai neuroniniai tinklai (CNN) ir ilgos trumpalaikės atminties (LSTM) tinklai, šiuolaikinės sistemos gali išskirti reikšmingas savybes iš didelių jutiklių duomenų kiekių. Naudojant giliuosius liekamuosius tinklus su dėmesio mechanizmais (kurie veikia kaip „išmaniojo priartinimo“ funkcija), galima automatiškai identifikuoti pagrindines vibracijos, akustinės emisijos ir srovės signalų tendencijas ar modelius, tuo pačiu metu identifikuojant ir pašalinant nereikalingą foninį triukšmą. Taigi, šios sistemos leidžia atlikti labai tikslius įrankių būklės vertinimus realiuoju laiku.

Šie dirbtiniu intelektu pagrįsti metodai sujungia kelis jutiklių duomenų šaltinius, o tai yra vienas iš pagrindinių jų privalumų. Tai leidžia visus svarbius duomenis sujungti į vieną bendrą pjovimo įrankio būklės įvertinimą. Be to, tai leidžia nuolat tobulėti mokantis (adaptyvus mokymasis). Kitaip tariant, sistema ir toliau gerins savo prognozavimo galimybes, remdamasi naujais duomenimis, surinktais atliekant realias operacijas. Ši technika suteikia patikimą metodą pjovimo įrankių našumui įvertinti, kai jie veikia įvairiomis sąlygomis (skirtingomis medžiagomis ir apdirbimo parametrais).

Nesvarbu, ar tai tekinimo, gręžimo, šlifavimo, ar frezavimo operacijos, rezultatai aiškūs: įmonės gali tikėtis labai tiksliai (daugiau nei 90 %) prognozuoti, kada įrankis suges, sumažinti neplanuotų prastovų skaičių ir sutaupyti pinigų, užkertant kelią dalių švaistymui ir brangiems įrankių gedimams. Todėl nuspėjamosios priežiūros strategijos įdiegimas nebėra prabanga, o būtinas komponentas, siekiant maksimaliai padidinti našumą ir įrankių tarnavimo laiką šiuolaikinėje gamybos aplinkoje.

Gilusis mokymasis ir išmaniosios stebėjimo sistemos

Gilusis mokymasis iš esmės patobulino CNC frezavimo įrankių nusidėvėjimo stebėjimą, nes buvo sukurtos visiškai naujos kartos išmaniosios sistemos, kurios yra žymiai geresnės nei visos ankstesnės įrankių nusidėvėjimo stebėjimo kartos. Plačiausiai naudojamas metodas naudoja giliuosius liekamųjų tinklų (Deep Residual Networks) elementus, patobulintus dėmesio moduliais; vienas iš pavyzdžių yra konvoliucinis blokų dėmesio modulis (CBAM), kuris sujungia dviejų metodų galią, leisdamas išmaniajai sistemai automatiškai pasirinkti svarbiausias jutiklio duomenų savybes ir ignoruoti nereikšmingą (triukšmo) informaciją, tuo pačiu žymiai padidinant diagnostikos tikslumą.

Kitas svarbus patobulinimas buvo laiko eilučių jutiklių duomenų (vibracijos, akustinės emisijos ir srovės jutiklių) konvertavimas į 2D matricą, vaizduojančią signalą kaip „vizualinį vaizdą“. Kadangi šiuos matricinius signalus apdoroja konvoliuciniai neuroniniai tinklai (CNN), CNN apdoroja signalus kaip „modelius“, ir tai leidžia atlikti didžiulį automatinį požymių išskyrimą, kurio niekada nebūtų galima atlikti naudojant rankinius metodus.

Automatizuotas procesas leidžia tiksliai klasifikuoti įrankių susidėvėjimo būsenas (pradinį, normalų, greitą ir stiprų susidėvėjimą) taikant itin tikslų klasifikavimą ir pasiekia išskirtinį patikimumą bei tikslumą tiesiogiai apdorojant kelių jutiklių duomenis, pasiekiant daugiau nei 90 % atpažinimo rodiklį. Tai suteikia patikimą, duomenimis pagrįstą pagrindą nuspėjamajai priežiūrai, kuri sumažins neplanuotas prastovas ir apsaugos jūsų įrangą nuo didelių pažeidimų.

Pramoninis įgyvendinimas ir nauda

• Nuspėjamoji priežiūra naudojant realaus laiko duomenis: dirbtiniu intelektu paremta kelių jutiklių aptikimo sistema realiuoju laiku nustato įrankio našumą ir, nustatydama susidėvėjimo ar gresiančio gedimo požymius (prieš jiems atsirandant), leidžia nedelsiant imtis veiksmų.
• Atliekų mažinimas ir įrankių naudojimo optimizavimas: įrankio gedimo numatymas maksimaliai padidina jo naudojimo potencialą, sumažina įrankio keitimo kartų skaičių ir taip sumažina dėl sugedusių ar kitaip neveikiančių įrankių susidarančias atliekas.
• Gamybos nuoseklumo didinimas: Nuolatinių gamybos procesuose naudojamų įrankių sąlygų palaikymas užtikrina pagamintų produktų nuoseklumą, pagerina bendrą produkto kokybę ir sumažina skirtumus.
• Pagrindinės išmaniųjų gamybos sistemų technologijos: minėtos technologijos yra pagrindiniai 4.0-osios pramonės revoliucijos (išmaniųjų gamybos sistemų) komponentai, suteikiantys galimybę atlikti duomenimis pagrįstą nuspėjamąją priežiūrą ir automatiškai planuoti planinę priežiūrą.

Iššūkiai ir apribojimai

• Duomenų kokybė ir duomenų kiekis: Naudojamų duomenų kokybė yra labai svarbi veiksmingam stebėjimui. Tačiau jutiklio „triukšmas“ (atsitiktiniai išvesties svyravimai) gali pabloginti duomenų kokybę. Be to, tai, kad ankstyvuosiuose arba ekstremaliuose įrankio nusidėvėjimo etapuose prieinamų duomenų kiekis yra gerokai mažesnis nei įrankio įprasto nusidėvėjimo etapuose esančių duomenų kiekis, gali apsunkinti modelio gebėjimą nustatyti visas įrankio būsenas.
• Dideli skaičiavimo reikalavimai: nors tokie modeliai kaip gilieji liekamųjų tinklų modeliai užtikrina didelį tikslumą nustatant įrankių sąlygas, jiems keliami dideli apdorojimo galios reikalavimai. Norėdamos pasiekti priimtiną šių modelių našumą, įmonės paprastai turi investuoti į pažangius grafikos procesorius (GPU), o su esama įranga to gali ir nepavykti padaryti.
• Apibendrinamumo ribojimas: Modeliai, kurie yra apmokyti konkrečiam pritaikymui, paprastai negali būti apibendrinti naudoti su skirtingais pritaikymais. Todėl naudojant tą patį modelį, kuris buvo naudojamas įrankių susidėvėjimui stebėti ant galinio frezavimo staklių, grąžto įrankių susidėvėjimui stebėti arba įrankių susidėvėjimui stebėti ant naujo tipo medžiagos ar net ant naujo tipo CNC staklių, gali sumažėti rezultatų tikslumas, nebent modelis būtų permokytas tam tikromis sąnaudomis ir pastangomis.
• Sistemų diegimas / integravimas: Dėl jutiklių ir duomenų rinkimo įrangos diegimo įvairiose CNC staklėse sudėtingumo, invazyvumo ir brangumo integruoti modernias stebėjimo sistemas į įvairių tipų CNC įrangą gali būti sudėtinga. Todėl daugelyje pramonės šakų sunku plačiai pritaikyti šią technologiją.

Išvada

Įrankių susidėvėjimo aptikimas tapo pagrindiniu išmaniosios gamybos komponentu, nes suteikia išmanesnį ir duomenimis pagrįstą CNC apdirbimo (CNC frezavimo) metodą. Pažangiausių jutiklių technologijų (akustinės emisijos, vibracijos, klaidžiojantis srautas, srovė) naudojimas kartu su dirbtinio intelekto (DI) ir gilaus mokymosi galimybėmis, esančiomis šiuolaikiniuose stebėjimo įrankiuose, leidžia numatyti apdirbimą ir prisitaikymą. Šiuolaikinės įrankių susidėvėjimo stebėjimo sistemos dabar gali aptikti, kada įrankis yra susidėvėjęs, ir numatyti, kada jis suges, todėl leidžia imtis aktyvių prevencinių priemonių. Išmanioji gamyba pasiekia savo pagrindinį tikslą naudodama šias nuspėjamąsias ir prisitaikomąsias apdirbimo galimybes. Tai leidžia padidinti tikslumą, gerokai sumažinti neplanuotas prastovas ir įrankių sąnaudas bei padidinti bendrą našumą. Šie patobulinimai užtikrina išmaniąją CNC veikimo evoliuciją ir žymi naują CNC operacijų efektyvumo ir patikimumo lygį.