Gereedschapsslijtagebewaking bij CNC-frezen

Overzicht van Tool Condition Monitoring (TCM)

Tool Condition Monitoring (TCM) bewaakt de prestaties van een snijgereedschap tijdens het bewerken (met name bij CNC-frezen) door systematisch de prestaties van een snijgereedschap te controleren om te detecteren wanneer het gereedschap het einde van zijn levensduur heeft bereikt door slijtage, breuk of afbrokkeling. De integratie van diverse sensoren, waaronder snijkrachtsensoren, trillingssensoren, akoestische emissiesensoren of zelfs optische beeldsensoren in TCM, maakt realtime besluitvorming mogelijk over het tijdstip waarop een snijgereedschap moet worden vervangen of aangepast om de kwaliteit van het onderdeel te verbeteren en de stilstandtijd van een machine te verkorten om de gereedschapskosten te optimaliseren.

TCM verschilt van Machine Condition Monitoring, dat de gezondheid van de werktuigmachine (d.w.z. de lagers, spindels, aandrijfmotoren en de structuur van de werktuigmachine) bewaakt door parameters zoals spindeltrillingen, motorstroom of temperatuur te bewaken om machinegerelateerde storingen te voorkomen en de algehele gezondheid van het systeem te behouden. Gereedschapsbewaking richt zich echter uitsluitend op de toestand van het snijgereedschap en de impact ervan op het bewerkingsproces; terwijl machinebewaking gericht is op het gezond houden van de "machine", houdt TCM het "gereedschap" gezond. Zowel TCM als machinebewaking zijn belangrijke componenten van slimme productie; beide zijn echter ontworpen om verschillende soorten storingen te bewaken en te diagnosticeren met behulp van verschillende soorten sensoren en diagnostische methoden.

Basisprincipes van gereedschapsslijtage

Flankslijtage is de meest voorkomende vorm van slijtage die optreedt op het raakvlak van de flank van het gereedschap en het bewerkte oppervlak, waardoor erosie na verloop van tijd ontstaat. Kraterslijtage treedt op op het raakvlak tussen de spaan en het spaanvlak van het gereedschap, waardoor een holte ontstaat door hoge temperaturen en interacties tussen de spaan en het gereedschap. Naast deze twee soorten slijtage zijn er verschillende andere soorten slijtage, zoals chipping (kleine spaanders die van de snijkant afbreken door thermische of mechanische schokken); adhesie (werkstukmateriaal dat aan het gereedschap vastlast en ervan afbreekt, waarbij een deel van het gereedschapsmateriaal wordt meegenomen); diffusie (atomen van het werkstuk die bij zeer hoge temperaturen in het gereedschap migreren); en plastische vervorming (de permanente vervorming van de snijkant door overmatige hitte of druk).

Slijtage kan worden beschreven in vier verschillende fasen. De eerste fase staat bekend als de "inloopfase". Dit is de eerste fase van slijtage van de snijkant, waarin lichte slijtage ontstaat naarmate de snijkant begint te stabiliseren. Zodra de inloopfase is bereikt, begint de tweede fase, de "steady state". Dit is de fase waarin de slijtage van de snijkant relatief stabiel is. Als de snijomstandigheden echter verslechteren (bijv. een temperatuurstijging, een afname van de koeling, enz.), komt de snijkant in een derde fase terecht, de "snelle slijtagefase". Deze fase wordt gekenmerkt door een aanhoudende en versnelde slijtage van de snijkant en komt uiteindelijk in een vierde fase terecht, de "zware slijtagefase". Tijdens de zware slijtagefase zal de snijkant een catastrofale breuk (snijkantbreuk) en/of ernstige afbrokkeling ervaren, wat resulteert in het verlies van het gereedschap.

De snelheid waarmee slijtage optreedt, is afhankelijk van zowel de snijparameters als de materiaaleigenschappen van het gereedschap. Hogere snijsnelheden verhogen doorgaans de temperatuur van het gereedschap, wat leidt tot een versnelling van de diffusie- en adhesieve slijtage. Hoge voedingssnelheden en/of snededieptes verhogen doorgaans de mechanische belasting van het gereedschap, wat de slijtage en afbrokkeling versnelt. Slijtage wordt ook sterk beïnvloed door de hardheid en abrasiviteit van het werkstukmateriaal, aangezien beide eigenschappen het wrijvingscontact, de thermische belasting en de mechanische spanning verhogen.

Methoden voor het bewaken van gereedschapsslijtage

Directe methoden

In plaats van contactsensoren te gebruiken om de slijtage van gereedschap te meten, maken beide van de twee hieronder genoemde directe meettechnieken voor gereedschapsslijtage gebruik van machinaal zicht, of een optische meettechniek, om visueel de slijtage van gereedschap te bepalen door een afbeelding van de snijkant of de gereedschapspunt van het snijgereedschap te bekijken en door analyse van de afbeelding te bepalen of het snijgereedschap versleten is.

1. Optische/visiegebaseerde technieken

Hoge-resolutiebeelden van het snijgereedschap worden vastgelegd door machine vision-systemen aan de rand, punt of flank van het snijgereedschap, vóór of direct na het frezen, en worden geanalyseerd om slijtagekenmerken van het snijgereedschap te bepalen, zoals flankslijtagebreedte, afbrokkeling of afronding van de rand. Omdat dit type meetsysteem geen contact maakt met het snijgereedschap, heeft het geen invloed op het bewerkingsproces en kan het in de CNC-spindel worden gemonteerd of worden toegevoegd aan een camera die direct op de machine is gemonteerd voor bewaking tijdens het proces. Veel van deze systemen maken gebruik van eenvoudige, basale beeldverwerkingstechnieken, zoals randdetectie of drempelgebaseerde beeldsegmentatie, om slijtageplekken op het snijgereedschap te identificeren. Dankzij ontwikkelingen in camera's en verlichtingssystemen zijn dit soort systemen over het algemeen goedkoper dan andere sensorsystemen en kunnen ze worden ingebouwd in bestaande configuraties voor slimme productie of Industrie 4.0.

1. Oppervlaktetextuuranalyse en fijnkorrelige beeldclassificatie (ECADCL)

Een andere directe methode voor het meten van gereedschapsslijtage is het analyseren van het bewerkte oppervlak dat door het snijgereedschap wordt geproduceerd. Naarmate het snijgereedschap bot wordt, verandert de oppervlaktetextuur van het bewerkte oppervlak. Dit wordt gedaan door beelden te maken van het door het snijgereedschap geproduceerde oppervlak en vervolgens geavanceerde beeldclassificatietechnieken toe te passen op de beelden om de conditie van het snijgereedschap af te leiden. Een recent voorbeeld van deze techniek is ECADCL (Efficient Channel Attention Destruction and Construction Learning), een leertechniek die fijnmazige verschillen in oppervlaktetextuur identificeert om slijtagecondities te classificeren.

architectuur van ECADCL

Voordelen

• Doordat ze contactloos zijn, verstoren visuele methoden voor het meten van gereedschapsslijtage de mechanische werking van het bewerkingsproces niet en wordt de levensduur van de sensoren niet verkort.
• Visuele methoden voor het meten van gereedschapsslijtage zijn doorgaans goedkoper dan traditionele instrumenten met zware sensoren. Veel methoden vereisen alleen standaard camera's, verlichting en computersoftware.
• Gereedschapsslijtagemeetmethoden op basis van visuele waarneming zijn bovendien flexibel en kunnen eenvoudig worden geïntegreerd in bestaande CNC-apparatuur. Zo kan er bijvoorbeeld een camera worden toegevoegd aan het gereedschapswisselaargedeelte van de machine of in de behuizing worden geïnstalleerd om het snijgereedschap tussen de bewerkingen door ter plekke te inspecteren.

indirecte methoden

Vergeleken met directe visuele inspectie gebruikt indirecte TCM sensorgegevens om de conditie van een snijgereedschap te bepalen en stopt de bewerking niet. De methode analyseert sensorgegevens, die zijn gewijzigd naarmate het gereedschap verslechterde, om continu en realtime de mate van slijtage te bepalen.

1. Sensorgebaseerde bewaking

Er zijn veel soorten fysieke sensorgegevens die voor dit doel kunnen worden gebruikt. Trillingssensoren meten bijvoorbeeld hoe het dynamische gedrag van het gereedschapsspindelsysteem in de loop van de tijd verandert. Kracht- en motorstroomsignalen kunnen ook de toename meten van de benodigde energie wanneer een gereedschap versleten is en de machine door de slijtage een verhoogde weerstand ondervindt. Daarnaast meten akoestische emissiesensoren (AE) de hoogfrequente spanningsgolven die tijdens het snijproces en microfracturen ontstaan, die zeer gevoelig zijn voor de vroege stadia van gereedschapsslijtage. Tot slot kunnen geluids- en temperatuursignalen aanvullende gegevens over de snijomstandigheden opleveren. Hoewel elk sensortype zijn voordelen heeft, kan het gebruik van slechts één type sensor onbetrouwbaar zijn vanwege ruis en de complexe aard van het bewerken.

trillingssensor

1. Multi-sensorfusie voor verbeterde betrouwbaarheid

Om de beperkingen van systemen met één sensor te minimaliseren, gebruikt multi-sensor datafusie data van meerdere bronnen, zoals AE, trillingen en geluid, om een ​​betrouwbaarder en nauwkeuriger monitoringsysteem te ontwikkelen. Dit stelt de verschillende databronnen in staat om informatie kruislings te valideren en zo het aantal valse alarmen te verminderen dat ontstaat door ruis of andere transiënte gebeurtenissen die slechts één type sensor kunnen beïnvloeden. Uiteindelijk bieden multi-sensor datafusiesystemen een veel completer beeld van het bewerkingsproces en verbeteren daardoor de diagnostische betrouwbaarheid aanzienlijk.

1. Data Fusion-benaderingen

Fusie van gegevens kan op drie primaire niveaus plaatsvinden:

1. Signaalniveaufusie: De ruwe data van elk van de sensoren wordt gecombineerd voordat kenmerken uit de data worden gehaald. Een nieuw voorbeeld van signaalniveaufusie is angular matrix imaging, een techniek die tijdreeksdata van meerdere sensoren (bijvoorbeeld data van AE- en trillingssensoren) omzet in tweedimensionale grijstintenbeelden. De angular matrix imaging behoudt de temporele relaties tussen de data en biedt een krachtige manier om op beelden gebaseerde deep learning-modellen te trainen om de samengevoegde data te classificeren.
2. Fusie op feature-niveau: Individuele kenmerken (bijvoorbeeld statistische eigenschappen of frequentiecomponenten) worden geëxtraheerd uit de ruwe data van elk van de sensoren. De kenmerkvectoren worden vervolgens gecombineerd tot één vector die als input dient voor een classificatiealgoritme.
3. Fusie op beslissingsniveau: Elke sensordatastroom wordt onafhankelijk verwerkt door een apart model om een ​​afzonderlijke slijtagevoorspelling te genereren. Een definitieve beslissing wordt gegenereerd door de individuele voorspellingen samen te voegen. Het samenvoegen van de individuele voorspellingen kan worden gedaan met behulp van verschillende technieken, waaronder een stemschema of een metaclassificatie.

 Datagedreven benaderingen

AI revolutioneert CNC-frezen door machine learning en deep learning te gebruiken om voorspellende intelligentie te creëren die de traditionele reactieve aard van onderhoud vervangt. De toepassing van AI in CNC-frezen automatiseert de extractie van kenmerken uit machinedata en stelt bedrijven in staat gereedschapsstoringen met ongekende nauwkeurigheid te voorspellen.

Met behulp van krachtige modellen zoals convolutionele neurale netwerken (CNN's) en Long Short-Term Memory (LSTM)-netwerken kunnen moderne systemen zinvolle kenmerken uit grote hoeveelheden sensordata halen. Deep Residual Networks met Attention Mechanisms (die werken als een "slimme zoom"-functie) maken automatische identificatie van belangrijke trends of patronen in trillingen, akoestische emissies en stroomsignalen mogelijk, terwijl tegelijkertijd irrelevante achtergrondruis wordt geïdentificeerd en geëlimineerd. Deze systemen maken zo zeer nauwkeurige, realtime beoordelingen van de gereedschapsconditie mogelijk.

Deze AI-gebaseerde benaderingen combineren meerdere bronnen van sensordata, wat een van hun belangrijkste voordelen is. Dit maakt het mogelijk om alle relevante data te combineren tot één algemene beoordeling van de conditie van het snijgereedschap. Bovendien maakt dit continue verbetering mogelijk door middel van leren (adaptief leren). Met andere woorden, het systeem zal zijn voorspellingsmogelijkheden blijven verbeteren op basis van nieuwe data die tijdens de daadwerkelijke bewerkingen zijn verzameld. Deze techniek biedt een betrouwbare methode voor het beoordelen van de prestaties van snijgereedschappen onder wisselende omstandigheden (verschillende materialen en bewerkingsparameters).

Of het nu gaat om draaien, boren, slijpen of frezen, de resultaten zijn duidelijk: bedrijven kunnen zeer nauwkeurige (meer dan 90%) voorspellingen doen over wanneer een gereedschap zal falen, de hoeveelheid ongeplande stilstand minimaliseren en geld besparen door verspilling van onderdelen en kostbare gereedschapsstoringen te voorkomen. Daarom is de implementatie van een voorspellende onderhoudsstrategie niet langer een luxe, maar een noodzakelijk onderdeel om zowel de productiviteit als de levensduur van gereedschappen in de huidige productieomgeving te maximaliseren.

Deep Learning en intelligente monitoringsystemen

Deep learning heeft geleid tot aanzienlijke verbeteringen in gereedschapsslijtagebewaking in CNC-frezen dankzij een geheel nieuwe generatie intelligente systemen die aanzienlijk beter zijn dan alle voorgaande generaties gereedschapsslijtagebewaking. De meest gebruikte methode maakt gebruik van Deep Residual Networks, uitgebreid met Attention Modules; een voorbeeld hiervan is de Convolutional Block Attention Module (CBAM), die de kracht van beide methoden combineert. Hierdoor kan het intelligente systeem automatisch de belangrijkste kenmerken van de sensordata selecteren en irrelevante (ruis)informatie negeren, terwijl de diagnostische precisie aanzienlijk wordt verbeterd.

Een andere belangrijke verbetering was het omzetten van tijdreeksgegevens van sensoren (trillingen, akoestische emissie en stroomsensoren) naar een 2D-matrix die het signaal weergeeft als een 'visueel beeld'. Omdat deze matrixsignalen worden verwerkt door Convolutional Neural Networks (CNN's), verwerkt het CNN de signalen als 'patronen'. Dit maakt een enorme hoeveelheid automatische kenmerkextractie mogelijk die met handmatige methoden nooit mogelijk zou zijn.

Het geautomatiseerde proces maakt een nauwkeurige classificatie van de slijtagetoestand van gereedschappen (initiële, normale, snelle en ernstige slijtage) mogelijk door middel van zeer nauwkeurige classificatie en bereikt uitzonderlijke robuustheid en nauwkeurigheid door directe verwerking van multi-sensordata, met herkenningspercentages van meer dan 90%. Dit biedt u een betrouwbare, datagestuurde basis voor voorspellend onderhoud dat ongeplande stilstand minimaliseert en uw machines beschermt tegen ernstige schade.

Industriële implementatie en voordelen

• Predictief onderhoud met realtimegegevens: AI-gestuurde detectie met meerdere sensoren identificeert de prestaties van gereedschappen in realtime en identificeert tekenen van slijtage of dreigende storingen (voordat deze zich voordoen), zodat er onmiddellijk actie kan worden ondernomen.
• Vermindering van afval en optimalisatie van gereedschapsgebruik: Door te voorspellen wanneer een gereedschap kapotgaat, maximaliseert u het potentieel voor gebruik ervan. Hierdoor hoeft het gereedschap minder vaak vervangen te worden en wordt de verspilling die ontstaat door kapotte of op een andere manier niet-functionerende gereedschappen, verminderd.
• Consistentie in de productie vergroten: Door consistente omstandigheden te handhaven in gereedschappen die worden gebruikt voor productieprocessen, blijft de consistentie in de geproduceerde producten behouden en neemt de totale productkwaliteit toe. Bovendien wordt de variatie geminimaliseerd.
• Fundamentele technologie voor slimme productiesystemen: De bovenstaande technologieën zijn belangrijke onderdelen van Industrie 4.0 (slimme productiesystemen). Ze bieden de mogelijkheid om datagestuurd voorspellend onderhoud uit te voeren en geautomatiseerde planning van gepland onderhoud mogelijk te maken.

Uitdagingen en beperkingen

• Datakwaliteit en datavolume: De kwaliteit van de gebruikte data is erg belangrijk voor effectieve monitoring. Sensorruis (willekeurige variaties in de output) kan de datakwaliteit echter verslechteren. Bovendien kan het feit dat de hoeveelheid beschikbare data in vroege of extreme slijtagefasen aanzienlijk kleiner is dan de hoeveelheid data tijdens de normale slijtagefasen van een gereedschap, het voor het model moeilijk maken om alle gereedschapsomstandigheden te identificeren.
• Hoge rekenvereisten: Hoewel modellen zoals deep residual networks een hoge mate van nauwkeurigheid bieden bij het identificeren van gereedschapsomstandigheden, stellen ze hoge eisen aan de rekenkracht. Om acceptabele prestaties met deze modellen te behalen, moeten bedrijven doorgaans investeren in geavanceerde grafische verwerkingseenheden (GPU's) en is dit mogelijk niet mogelijk op bestaande hardware.
• Beperkte generaliseerbaarheid: Modellen die zijn getraind voor een specifieke toepassing, kunnen over het algemeen niet worden gegeneraliseerd voor gebruik met andere toepassingen. Daarom kan het gebruik van hetzelfde model dat is gebruikt om gereedschapsslijtage op een frees te monitoren, voor het monitoren van gereedschapsslijtage op een boor, of voor het monitoren van gereedschapsslijtage op een nieuw type materiaal, of zelfs op een nieuw type CNC-machine, leiden tot een lagere nauwkeurigheid van de resultaten, tenzij het model opnieuw wordt getraind, wat kosten en moeite met zich meebrengt.
• Installatie/integratie van systemen: Het integreren van retrofitsystemen voor moderne bewakingssystemen in diverse soorten CNC-apparatuur kan een uitdaging zijn vanwege de complexiteit, invasiviteit en kosten van de installatie van sensoren en data-acquisitiehardware op diverse CNC-machines. Hierdoor is brede acceptatie van de technologie in veel sectoren moeilijk.

Conclusie

Gereedschapsslijtagedetectie is een belangrijk onderdeel geworden van intelligente productie door een slimmere en datagestuurde aanpak van CNC-bewerking (CNC-frezen) te bieden. Het gebruik van geavanceerde sensortechnologie (akoestische emissies, trillingen, zwerfstromen, elektrische stroom) in combinatie met kunstmatige intelligentie (AI) en deep learning-mogelijkheden van moderne bewakingstools maakt voorspellende bewerking en aanpasbaarheid mogelijk. Moderne systemen voor gereedschapsslijtagebewaking kunnen nu detecteren wanneer een gereedschap versleten is en voorspellen wanneer het zal falen, waardoor proactieve preventieve maatregelen mogelijk zijn. Intelligente productie bereikt zijn uiteindelijke doel door deze voorspellende en adaptieve bewerkingsmogelijkheden. Het zorgt voor een hogere precisie, aanzienlijk minder ongeplande stilstand en gereedschapskosten, en een hogere algehele productiviteit. Deze ontwikkelingen zorgen voor een intelligente evolutie van de CNC-bewerking en markeren een nieuw niveau van efficiëntie en betrouwbaarheid voor CNC-bewerkingen.