Pemantauan Kehausan Alat dalam Pengilangan CNC

Gambaran Keseluruhan Pemantauan Keadaan Alat (TCM)

Pemantauan Keadaan Alat (TCM) memantau prestasi alat pemotong semasa digunakan untuk pemesinan (terutamanya dalam pengilangan CNC) dengan memeriksa prestasi alat pemotong secara sistematik untuk mengesan bila alat tersebut telah mencapai akhir hayatnya akibat haus, pecah atau terkelupas. Penyepaduan pelbagai sensor, termasuk sensor daya pemotongan, sensor getaran, sensor pancaran akustik atau sensor imej optik ke dalam TCM, membolehkan pembuatan keputusan masa nyata mengenai masa penggantian alat pemotong atau melaraskannya untuk meningkatkan kualiti bahagian dan mengurangkan masa mesin tidak beroperasi untuk mengoptimumkan kos alat.

TCM berbeza daripada Pemantauan Keadaan Mesin, yang memantau kesihatan alat mesin (iaitu, galas, gelendong, motor pemacu dan struktur alat mesin) dengan memantau parameter seperti getaran gelendong, arus motor atau suhu untuk mencegah kegagalan berkaitan mesin dan mengekalkan kesihatan keseluruhan sistem. Walau bagaimanapun, pemantauan alat hanya tertumpu pada keadaan alat pemotong dan kesannya terhadap proses pemesinan; manakala pemantauan mesin bertujuan untuk memastikan "mesin" sihat, TCM memastikan "alat" sihat. Kedua-dua TCM dan pemantauan mesin adalah komponen penting dalam pembuatan pintar; walau bagaimanapun, setiap satu direka bentuk untuk memantau dan mendiagnosis pelbagai jenis kegagalan menggunakan pelbagai jenis sensor dan metodologi diagnostik.

Asas Kehausan Alat

Haus sisi adalah jenis haus yang paling lazim berlaku pada antara muka sisi alat dan permukaan mesin, mengakibatkan hakisan dari semasa ke semasa. Haus kawah berlaku pada antara muka antara cip dan muka penyapu alat, mengakibatkan lekukan akibat suhu tinggi dan interaksi antara cip dan alat. Selain dua jenis haus ini, terdapat beberapa jenis haus lain, seperti kerepek (kerepek kecil yang terputus dari mata pemotong sama ada akibat kejutan haba atau kejutan mekanikal); lekatan (bahan bahan kerja mengimpal pada alat dan terpisah daripadanya, membawa sebahagian daripada bahan alat bersamanya); resapan (atom dari bahan kerja berhijrah ke dalam alat pada suhu yang sangat tinggi); dan ubah bentuk plastik (ubah bentuk kekal tepi alat akibat haba atau tekanan yang berlebihan).

Haus boleh digambarkan dari segi empat peringkat yang berbeza. Peringkat pertama dikenali sebagai peringkat "running-in", dan ini adalah peringkat awal haus untuk mata pemotong, di mana haus kecil berlaku apabila mata pemotong mula mendap. Sebaik sahaja peringkat running-in berlaku, peringkat kedua, yang dirujuk sebagai "keadaan mantap," akan bermula. Ini adalah peringkat di mana perkembangan haus mata pemotong agak stabil. Walau bagaimanapun, jika keadaan pemotongan menjadi lebih teruk (cth., peningkatan suhu, penurunan penyejukan, dsb.), mata pemotong akan memasuki peringkat ketiga, iaitu peringkat "rapid-haus". Peringkat ini dicirikan oleh kemerosotan mata pemotong yang berterusan dan dipercepatkan, dan akhirnya akan memasuki peringkat keempat, iaitu peringkat "severe-haus". Semasa peringkat severe-haus, mata pemotong akan mengalami kegagalan bencana (kegagalan tepi) dan/atau keretakan teruk, mengakibatkan kehilangan alat.

Kadar haus yang terbentuk bergantung kepada kedua-dua parameter pemotongan serta sifat bahan alat tersebut. Peningkatan kelajuan pemotongan cenderung meningkatkan suhu alat, yang menyebabkan pecutan dalam resapan dan haus pelekat. Kadar suapan yang tinggi dan/atau kedalaman pemotongan cenderung meningkatkan beban mekanikal pada alat, yang mempercepatkan lelasan dan keretakan. Haus juga sangat dipengaruhi oleh kekerasan dan kekasaran bahan bahan kerja, kerana kedua-dua ciri tersebut cenderung meningkatkan sentuhan geseran, beban haba dan tekanan mekanikal.

Kaedah Pemantauan Kehausan Alat

Kaedah Langsung

Daripada menggunakan sensor sentuh untuk mengukur keadaan haus alat, kedua-dua teknologi pengukuran haus alat langsung yang disenaraikan di bawah menggunakan penglihatan mesin, atau teknologi pengukuran optik, untuk menentukan keadaan haus alat secara visual dengan melihat imej tepi atau hujung alat pemotong dan menentukan sama ada alat pemotong telah haus dengan menganalisis imej.

1. Teknik Berasaskan Optik/Penglihatan

Imej beresolusi tinggi alat pemotong dirakam oleh sistem penglihatan mesin di tepi, hujung atau sisi alat pemotong, sama ada sebelum atau sejurus selepas penggilingan, dan dianalisis untuk menentukan ciri haus alat pemotong, termasuk lebar haus sisi, keretakan atau pembulatan tepi. Memandangkan sistem pengukuran jenis ini tidak bersentuhan dengan alat pemotong, ia tidak akan menjejaskan proses pemesinan dan boleh dipasang di dalam gelendong CNC atau ditambah pada kamera yang dipasang terus pada mesin untuk pemantauan dalam proses. Kebanyakan sistem ini menggunakan teknik pemprosesan imej yang mudah dan asas, seperti pengesanan tepi atau segmentasi imej berasaskan ambang, untuk mengenal pasti kawasan haus pada alat pemotong. Hasil daripada kemajuan dalam kamera dan sistem pencahayaan, jenis sistem ini pada amnya lebih murah daripada sistem sensor lain dan boleh diubah suai ke dalam konfigurasi pembuatan pintar atau Industri 4.0 yang sedia ada.

1. Analisis Tekstur Permukaan dan Pengelasan Imej Berbutir Halus (ECADCL)

Satu lagi kaedah langsung pengukuran haus alat adalah dengan menganalisis permukaan mesin yang dihasilkan oleh alat pemotong. Apabila alat pemotong menjadi kusam, tekstur permukaan permukaan mesin berubah. Ini dilakukan dengan mengambil imej permukaan yang dihasilkan oleh alat pemotong dan kemudian menggunakan teknik pengelasan imej lanjutan pada imej untuk membuat kesimpulan keadaan alat pemotong. Contoh terkini teknik ini ialah ECADCL (Efficient Channel Attention Destruction and Construction Learning), teknik pembelajaran yang mengenal pasti perbezaan halus dalam tekstur permukaan untuk mengklasifikasikan keadaan haus.

seni bina ECADCL

kelebihan

• Hakikat bahawa ia tidak bersentuhan bermakna kaedah pengukuran haus alat berasaskan penglihatan tidak mengganggu operasi mekanikal proses pemesinan atau mengurangkan jangka hayat sensor.
• Kaedah pengukuran haus alat berasaskan penglihatan biasanya lebih rendah kosnya berbanding instrumentasi sensor berat tradisional; kebanyakannya hanya memerlukan kamera, pencahayaan dan perisian komputer standard yang sedia ada.
• Kaedah pengukuran haus alat berasaskan visi juga fleksibel dari segi keupayaan untuk disepadukan dengan mudah ke dalam peralatan CNC sedia ada; contohnya, kamera boleh ditambah pada kawasan penukar alat mesin atau dipasang di dalam kandang untuk memeriksa alat pemotong di tempatnya antara laluan.

Kaedah Tidak Langsung

Apabila dibandingkan dengan pemeriksaan visual langsung, TCM Tidak Langsung menggunakan data sensor untuk menentukan keadaan alat pemotong dan tidak akan menghentikan operasi pemesinan. Kaedah ini menganalisis data sensor, yang telah berubah apabila alat merosot, untuk membuat penentuan berterusan dan masa nyata tentang jumlah haus.

1. Pemantauan Berasaskan Sensor

Terdapat banyak jenis data sensor fizikal yang boleh digunakan untuk tujuan ini. Contohnya, sensor getaran mengukur bagaimana tingkah laku dinamik sistem gelendong alat berubah dari semasa ke semasa. Isyarat daya dan arus motor juga boleh mengukur peningkatan tenaga yang diperlukan apabila alat haus dan mesin mengalami peningkatan rintangan akibat haus. Di samping itu, sensor pancaran akustik (AE) mengukur gelombang tegasan frekuensi tinggi yang dihasilkan semasa proses pemotongan dan mikrofraktur, yang mempunyai kepekaan tinggi terhadap peringkat awal haus alat. Akhir sekali, isyarat bunyi dan suhu boleh memberikan data tambahan mengenai keadaan pemotongan. Walaupun setiap jenis sensor mempunyai kelebihannya, menggunakan hanya satu jenis sensor mungkin tidak boleh dipercayai kerana bunyi bising dan sifat pemesinan yang kompleks.

sensor getaran

1. Gabungan Berbilang Sensor untuk Kebolehpercayaan yang Dipertingkatkan

Untuk meminimumkan batasan sistem sensor tunggal, gabungan data berbilang sensor menggunakan data daripada pelbagai sumber, seperti AE, getaran dan bunyi, untuk membangunkan sistem pemantauan yang lebih andal dan tepat. Ini membolehkan sumber data yang berbeza mengesahkan silang maklumat bagi mengurangkan kadar penggera palsu yang terhasil daripada hingar atau peristiwa sementara lain yang hanya boleh menjejaskan satu jenis sensor. Akhirnya, sistem gabungan data berbilang sensor menawarkan gambaran yang lebih lengkap tentang proses pemesinan dan oleh itu meningkatkan kebolehpercayaan diagnostik dengan ketara.

1. Pendekatan Gabungan Data

Penggabungan data boleh berlaku pada tiga peringkat utama:

1. Gabungan Aras Isyarat: Data mentah daripada setiap sensor digabungkan sebelum mengekstrak ciri daripada data. Satu contoh baharu gabungan aras isyarat ialah pengimejan matriks sudut, teknik yang mengubah data siri masa berbilang sensor (contohnya, data daripada sensor AE dan getaran) kepada imej skala kelabu dua dimensi. Pengimejan matriks sudut memelihara hubungan temporal antara data dan menyediakan cara yang ampuh untuk melatih model pembelajaran mendalam berasaskan imej bagi mengklasifikasikan data yang digabungkan.
2. Gabungan Tahap Ciri: Ciri individu (contohnya, sifat statistik atau komponen frekuensi) diekstrak daripada data mentah daripada setiap sensor. Vektor ciri kemudiannya digabungkan menjadi satu vektor yang dimasukkan ke dalam algoritma pengelasan.
3. Gabungan Tahap Keputusan: Setiap aliran data sensor diproses secara bebas oleh model berasingan untuk menjana ramalan haus yang berasingan. Keputusan muktamad dijana dengan menggabungkan ramalan individu bersama-sama. Penggabungan ramalan individu bersama-sama boleh dilakukan menggunakan pelbagai teknik, termasuk skema pengundian atau meta-pengelas.

 Pendekatan Dipacu Data

AI sedang merevolusikan pengilangan CNC dengan menggunakan pembelajaran mesin dan pembelajaran mendalam untuk mencipta kecerdasan ramalan yang menggantikan sifat reaktif tradisional penyelenggaraan. Penggunaan AI dalam pengilangan CNC mewujudkan automasi pengekstrakan ciri daripada data mesin dan membolehkan syarikat meramalkan kegagalan alat dengan ketepatan yang belum pernah terjadi sebelumnya.

Menggunakan model berkuasa seperti Rangkaian Neural Konvolusi (CNN) dan rangkaian Memori Jangka Pendek Panjang (LSTM), sistem hari ini mampu mengekstrak ciri-ciri bermakna daripada sejumlah besar data sensor. Menggunakan Rangkaian Sisa Dalam dengan Mekanisme Perhatian (yang berfungsi seperti fungsi "zum pintar") membolehkan pengenalpastian automatik trend atau corak utama dalam getaran, pelepasan akustik dan isyarat semasa sambil mengenal pasti dan menghapuskan hingar latar belakang yang tidak relevan secara serentak. Oleh itu, sistem ini membolehkan penilaian keadaan alat masa nyata yang sangat tepat.

Pendekatan berasaskan AI ini menggabungkan pelbagai sumber data sensor, yang merupakan salah satu kelebihan utamanya. Ini membolehkan semua data yang berkaitan digabungkan menjadi satu penilaian keseluruhan kesihatan alat pemotong. Selain itu, ini membolehkan penambahbaikan berterusan melalui pembelajaran (pembelajaran adaptif). Dalam erti kata lain, sistem akan terus meningkatkan keupayaan ramalannya berdasarkan data baharu yang dikumpul semasa operasi sebenar. Teknik ini menyediakan kaedah yang boleh dipercayai untuk menilai prestasi alat pemotong apabila beroperasi dalam keadaan yang berbeza-beza (bahan dan parameter pemesinan yang berbeza).

Sama ada operasi memusing, menggerudi, mengisar atau mengisar, hasilnya jelas: Syarikat boleh menjangkakan untuk membuat ramalan yang sangat tepat (lebih 90%) tentang bila sesuatu alat akan gagal, meminimumkan jumlah masa henti yang tidak dirancang dan menjimatkan wang dengan mencegah pembaziran bahagian dan kegagalan alat yang mahal. Oleh itu, melaksanakan strategi penyelenggaraan ramalan bukan lagi satu kemewahan tetapi komponen yang diperlukan untuk memaksimumkan produktiviti dan jangka hayat alat dalam persekitaran pembuatan hari ini.

Pembelajaran Mendalam dan Sistem Pemantauan Pintar

Pembelajaran mendalam telah membawa penambahbaikan mendalam kepada pemantauan haus alat dalam pengilangan CNC melalui generasi sistem pintar yang serba baharu yang jauh lebih baik daripada semua generasi pemantauan haus alat sebelumnya. Kaedah yang paling banyak digunakan menggunakan Rangkaian Sisa Dalam yang dipertingkatkan dengan Modul Perhatian; satu contohnya ialah Modul Perhatian Blok Konvolusi (CBAM), yang menggabungkan kuasa kedua-dua kaedah, membolehkan sistem pintar memilih ciri paling penting data sensor secara automatik dan mengabaikan maklumat (bunyi bising) yang tidak relevan sambil meningkatkan ketepatan diagnostik dengan ketara.

Satu lagi penambahbaikan utama ialah menukar data sensor siri masa (getaran, pancaran akustik dan sensor arus) kepada matriks 2-D yang mewakili isyarat sebagai "imej visual." Oleh kerana isyarat matriks ini diproses oleh Rangkaian Neural Konvolusi (CNN), CNN memproses isyarat sebagai "corak", dan ini membolehkan sejumlah besar pengekstrakan ciri automatik yang tidak dapat dicapai menggunakan kaedah manual.

Proses automatik ini membolehkan pengelasan keadaan haus alat (haus awal, normal, cepat dan teruk) yang tepat melalui pengelasan yang sangat tepat dan mencapai keteguhan dan ketepatan yang luar biasa dengan memproses data berbilang sensor secara langsung, mencapai kadar pengecaman lebih 90%. Ini memberikan anda asas yang andal dan didorong oleh data untuk penyelenggaraan ramalan yang akan meminimumkan masa henti yang tidak dirancang dan melindungi jentera anda daripada kerosakan teruk.

Pelaksanaan dan Faedah Perindustrian

• Penyelenggaraan Ramalan dengan Data Masa Nyata: Pengesanan berbilang sensor berkuasa AI mengenal pasti prestasi alat dalam masa nyata dan, dengan mengenal pasti tanda-tanda haus atau kegagalan yang akan berlaku (sebelum ia berlaku), membolehkan tindakan segera dilakukan.
• Mengurangkan Pembaziran & Mengoptimumkan Penggunaan Alat: Meramalkan bila alat akan gagal memaksimumkan potensi penggunaannya, meminimumkan bilangan kali alat perlu diganti dan oleh itu mengurangkan pembaziran yang dihasilkan oleh alat yang gagal atau tidak berfungsi.
• Meningkatkan Konsistensi Pengeluaran: Mengekalkan keadaan yang konsisten pada alat yang digunakan untuk proses pengeluaran mengekalkan konsistensi dalam produk yang dihasilkan dan meningkatkan jumlah kualiti produk, serta meminimumkan variasi.
• Teknologi Asas untuk Sistem Pembuatan Pintar: Teknologi di atas merupakan komponen utama Industri 4.0 (Sistem Pembuatan Pintar), yang menyediakan keupayaan untuk melaksanakan penyelenggaraan ramalan berasaskan data dan membolehkan penjadualan automatik penyelenggaraan terancang.

Cabaran dan Had

• Kualiti Data dan Isipadu Data: Kualiti data yang digunakan adalah sangat penting untuk pemantauan yang berkesan. Walau bagaimanapun, "bunyi bising" sensor (variasi rawak dalam output) boleh menurunkan kualiti data. Selain itu, hakikat bahawa jumlah data yang tersedia pada peringkat haus awal atau ekstrem adalah jauh lebih rendah daripada jumlah data yang terdapat semasa peringkat haus biasa alat boleh menyukarkan model untuk mengenal pasti semua keadaan alat.
• Keperluan Pengiraan Tinggi: Walaupun model seperti rangkaian baki yang dalam memberikan tahap ketepatan yang tinggi dalam mengenal pasti keadaan alat, ia mempunyai keperluan yang besar untuk kuasa pemprosesan. Untuk mendapatkan prestasi yang boleh diterima dengan model ini, syarikat biasanya perlu melabur dalam unit pemprosesan grafik (GPU) lanjutan dan mungkin tidak dapat berbuat demikian pada perkakasan sedia ada.
• Kebolehgeneralisasian Terhad: Model yang dilatih untuk aplikasi tertentu secara amnya tidak mampu digeneralisasikan untuk digunakan dengan aplikasi yang berbeza. Oleh itu, menggunakan model yang sama yang digunakan untuk memantau haus alat pada kilang akhir untuk memantau haus alat pada gerudi, atau untuk memantau haus alat pada jenis bahan baharu, atau pada jenis mesin CNC baharu, boleh mengakibatkan ketepatan keputusan yang berkurangan melainkan model dilatih semula dengan kos dan usaha yang tinggi.
• Pemasangan/Integrasi Sistem: Mengintegrasikan sistem pengubahsuaian untuk sistem pemantauan moden ke dalam pelbagai jenis peralatan CNC boleh menjadi mencabar disebabkan oleh kerumitan, pencerobohan, dan perbelanjaan memasang sensor dan perkakasan pemerolehan data pada pelbagai mesin CNC. Akibatnya, penggunaan teknologi secara meluas adalah sukar dalam banyak industri.

Kesimpulan

Pengesanan haus alat telah menjadi komponen utama pembuatan pintar dengan menyediakan pendekatan yang lebih pintar dan dipacu data untuk pemesinan CNC (pengilangan CNC). Penggunaan teknologi sensor canggih (pelepasan akustik, getaran, fluks sesat, arus) yang digabungkan dengan Kecerdasan Buatan (AI) dan keupayaan Pembelajaran Mendalam alat pemantauan hari ini membolehkan pemesinan ramalan dan kebolehsuaian. Sistem pemantauan haus alat moden kini boleh mengesan bila alat berada dalam keadaan haus dan meramalkan bila ia akan gagal, justeru membolehkan langkah pencegahan proaktif. Pembuatan pintar mencapai matlamat utamanya melalui keupayaan pemesinan ramalan dan adaptif ini. Ia membolehkan peningkatan ketepatan, mengurangkan masa henti dan kos perkakas yang tidak dirancang dengan ketara, dan meningkatkan produktiviti keseluruhan. Kemajuan ini memberikan evolusi pintar operasi CNC dan menandakan tahap kecekapan dan kebolehpercayaan baharu untuk operasi CNC.