Мониторинг износа инструмента при фрезеровании с ЧПУ

Обзор мониторинга состояния инструмента (TCM)

Система мониторинга состояния инструмента (TCM) отслеживает работу режущего инструмента при обработке на станках с ЧПУ (особенно при фрезеровании с ЧПУ) путём систематической проверки его характеристик для определения момента окончания срока службы инструмента из-за износа, поломки или выкрашивания. Интеграция в систему TCM различных датчиков, включая датчики силы резания, вибрации, акустической эмиссии и даже оптические датчики изображения, позволяет в режиме реального времени принимать решения о сроках замены режущего инструмента или его регулировке для повышения качества деталей и сокращения времени простоя станка, что позволяет оптимизировать затраты на инструмент.

TCM отличается от мониторинга состояния станка, который отслеживает состояние станка (т. е. подшипников, шпинделей, приводных двигателей и конструкции станка) посредством мониторинга таких параметров, как вибрация шпинделя, ток двигателя или температура, для предотвращения сбоев, связанных со станком, и поддержания общей работоспособности системы. Мониторинг инструмента, однако, сосредоточен исключительно на состоянии режущего инструмента и его влиянии на процесс обработки; в то время как мониторинг станка направлен на поддержание работоспособности «станка», TCM поддерживает работоспособность «инструмента». И TCM, и мониторинг станка являются важными компонентами интеллектуального производства; однако каждый из них предназначен для мониторинга и диагностики различных типов неисправностей с использованием различных типов датчиков и диагностических методик.

Основы износа инструмента

Износ по задней поверхности инструмента является наиболее распространённым типом износа, который возникает на границе раздела задней поверхности инструмента и обрабатываемой поверхности, вызывая со временем эрозию. Износ с образованием лунки происходит на границе раздела между стружкой и передней поверхностью инструмента, создавая углубление из-за высоких температур и взаимодействия между стружкой и инструментом. Помимо этих двух типов износа существует несколько других типов износа, таких как выкрашивание (мелкая стружка, отламывающаяся от режущей кромки под действием термического или механического удара); адгезия (приваривание материала заготовки к инструменту и откалывание от него, унося с собой часть материала инструмента); диффузия (атомы из заготовки перемещаются в инструмент при очень высоких температурах); и пластическая деформация (остаточная деформация кромки инструмента из-за чрезмерного нагрева или давления).

Износ можно описать четырьмя различными стадиями. Первая стадия известна как стадия «приработки» и является начальной стадией износа режущей кромки, на которой развивается незначительный износ по мере её усадки. После стадии приработки наступает вторая стадия, называемая «установившимся состоянием». На этой стадии износ режущей кромки относительно стабилен. Однако при ухудшении условий резания (например, повышении температуры, уменьшении охлаждения и т. д.) режущая кромка переходит в третью стадию – стадию «быстрого износа». Эта стадия характеризуется непрерывным и ускоренным износом режущей кромки и в конечном итоге переходит в четвёртую стадию – стадию «интенсивного износа». На стадии интенсивного износа режущая кромка подвергается катастрофическому разрушению (разрушению кромки) и/или сильному выкрашиванию, что приводит к потере инструмента.

Скорость развития износа зависит как от параметров резания, так и от свойств материала инструмента. Повышение скорости резания, как правило, приводит к повышению температуры инструмента, что приводит к ускорению диффузионного и адгезионного износа. Высокие скорости подачи и/или глубины резания, как правило, увеличивают механическую нагрузку на инструмент, что ускоряет абразивный износ и выкрашивание. На износ также существенно влияют твёрдость и абразивность материала заготовки, поскольку обе эти характеристики приводят к увеличению фрикционного контакта, термических нагрузок и механических напряжений.

Методы контроля износа инструмента

Прямые методы

Вместо использования контактных датчиков для измерения степени износа инструмента обе перечисленные ниже технологии прямого измерения износа инструмента используют машинное зрение или технологию оптических измерений для визуального определения степени износа инструмента путем просмотра изображения кромки или вершины режущего инструмента и определения степени износа режущего инструмента путем анализа изображения.

1. Оптические/визуальные методы

Изображения режущего инструмента высокого разрешения захватываются системами машинного зрения на кромке, вершине или боковой поверхности режущего инструмента до или сразу после фрезерования и анализируются для определения характеристик износа режущего инструмента, включая ширину износа боковой поверхности, выкрашивание или скругление кромки. Поскольку этот тип измерительной системы не контактирует с режущим инструментом, он не повлияет на процесс обработки и может быть установлен внутри шпинделя ЧПУ или добавлен к камере, установленной непосредственно на станке, для контроля в процессе обработки. Многие из этих систем используют простые, базовые методы обработки изображений, такие как обнаружение кромок или сегментация изображения на основе пороговых значений, для выявления областей износа на режущем инструменте. В результате достижений в области камер и систем освещения эти типы систем, как правило, менее дороги, чем другие сенсорные системы и могут быть модернизированы в существующие конфигурации интеллектуального производства или Индустрии 4.0.

1. Анализ текстуры поверхности и мелкозернистая классификация изображений (ECADCL)

Другой прямой метод измерения износа инструмента — анализ обработанной поверхности, создаваемой режущим инструментом. По мере затупления режущего инструмента изменяется текстура обработанной поверхности. Это достигается путём получения изображений поверхности, создаваемой режущим инструментом, и применения к ним передовых методов классификации изображений для определения состояния режущего инструмента. Одним из последних примеров этого метода является метод обучения ECADCL (Efficient Channel Attention Destruction and Construction Learning), который выявляет мелкие различия в текстуре поверхности для классификации состояний износа.

архитектура ECADCL

Преимущества

• Бесконтактность означает, что методы измерения износа инструмента на основе визуального измерения не мешают механическому процессу обработки и не сокращают срок службы датчиков.
• Методы измерения износа инструмента на основе машинного зрения обычно обходятся дешевле по сравнению с традиционными тяжелыми датчиками; для многих из них требуются только стандартные готовые камеры, освещение и компьютерное программное обеспечение.
• Методы измерения износа инструмента на основе визуального контроля также являются гибкими с точки зрения возможности простой интеграции в существующее оборудование с ЧПУ; например, камеру можно добавить в зону смены инструмента станка или установить внутри кожуха для контроля режущего инструмента на месте между проходами.

Косвенные методы

В отличие от прямого визуального осмотра, косвенная ТКМ использует данные датчиков для определения состояния режущего инструмента, не останавливая процесс обработки. Метод анализирует данные датчиков, которые изменяются по мере износа инструмента, для непрерывного определения степени износа в режиме реального времени.

1. Мониторинг на основе датчиков

Для этой цели можно использовать множество типов данных физических датчиков. Например, датчики вибрации измеряют, как меняется динамическое поведение системы шпинделя инструмента с течением времени. Сигналы силы и тока двигателя также могут измерять увеличение энергии, необходимой при износе инструмента и повышенном сопротивлении станка, вызванном износом. Кроме того, датчики акустической эмиссии (АЭ) измеряют высокочастотные волны напряжения, возникающие в процессе резания, и микротрещины, которые обладают высокой чувствительностью к ранним стадиям износа инструмента. Наконец, звуковые и температурные сигналы могут предоставить дополнительные данные об условиях резания. Хотя каждый из типов датчиков имеет свои преимущества, использование только одного типа датчика может быть ненадёжным из-за шума и сложного характера обработки.

датчик вибрации

1. Объединение нескольких датчиков для повышения надежности

Чтобы минимизировать ограничения односенсорных систем, многосенсорная система слияния данных использует данные из нескольких источников, таких как акустическую эхо-сигнализацию, вибрацию и звук, для разработки более надежной и точной системы мониторинга. Это позволяет проводить перекрестную проверку информации из разных источников, снижая количество ложных срабатываний, вызванных шумом или другими переходными процессами, которые могут повлиять только на один тип датчика. В конечном итоге, многосенсорные системы слияния данных обеспечивают гораздо более полную картину процесса обработки и, следовательно, значительно повышают надежность диагностики.

1. Подходы к слиянию данных

Объединение данных может происходить на трех основных уровнях:

1. Слияние на уровне сигнала: необработанные данные с каждого датчика объединяются перед извлечением признаков. Новым примером слияния на уровне сигнала является угловая матричная визуализация – метод, преобразующий временные ряды данных с нескольких датчиков (например, данные с датчиков АЭ и вибрации) в двумерные изображения в оттенках серого. Угловая матричная визуализация сохраняет временные соотношения между данными и предоставляет эффективный инструмент для обучения моделей глубокого обучения на основе изображений для классификации объединённых данных.
2. Слияние на уровне признаков: отдельные признаки (например, статистические свойства или частотные компоненты) извлекаются из необработанных данных с каждого датчика. Векторы признаков затем объединяются в единый вектор, который поступает на вход алгоритма классификации.
3. Объединение данных на уровне принятия решений: каждый поток данных датчика обрабатывается независимо отдельной моделью для формирования отдельного прогноза износа. Окончательное решение формируется путём объединения отдельных прогнозов. Объединение отдельных прогнозов может быть выполнено различными методами, включая схему голосования или метаклассификатор.

 Подходы, основанные на данных

Искусственный интеллект (ИИ) производит революцию в фрезеровании с ЧПУ, используя машинное обучение и глубокое обучение для создания предиктивного интеллекта, который заменяет традиционный реактивный характер обслуживания. Применение ИИ во фрезеровании с ЧПУ автоматизирует извлечение характеристик из данных станка и позволяет компаниям прогнозировать отказы инструмента с беспрецедентной точностью.

Используя мощные модели, такие как сверточные нейронные сети (CNN) и сети с долговременной кратковременной памятью (LSTM), современные системы способны извлекать значимые признаки из больших объёмов данных датчиков. Использование глубоких остаточных сетей с механизмами внимания (функциями, работающими по принципу «умного масштабирования») позволяет автоматически выявлять ключевые тенденции или закономерности в вибрации, акустической эмиссии и сигналах тока, одновременно выявляя и устраняя нерелевантный фоновый шум. Таким образом, эти системы позволяют проводить высокоточную оценку состояния инструмента в режиме реального времени.

Эти подходы на основе искусственного интеллекта объединяют данные с нескольких источников, что является одним из их основных преимуществ. Это позволяет объединить все необходимые данные в единую общую оценку состояния режущего инструмента. Кроме того, это обеспечивает возможность непрерывного совершенствования посредством обучения (адаптивного обучения). Другими словами, система будет продолжать совершенствовать свои возможности прогнозирования на основе новых данных, собранных в ходе реальных операций. Этот метод обеспечивает надежный метод оценки производительности режущих инструментов при работе в изменяющихся условиях (различные материалы и параметры обработки).

Будь то точение, сверление, шлифование или фрезерование, результаты очевидны: компании могут рассчитывать на очень точные (более 90%) прогнозы выхода инструмента из строя, минимизировать количество незапланированных простоев и экономить деньги, предотвращая брак деталей и дорогостоящие поломки инструментов. Таким образом, внедрение стратегии предиктивного обслуживания — это уже не роскошь, а необходимый компонент для максимального повышения производительности и срока службы инструмента в современных производственных условиях.

Системы глубокого обучения и интеллектуального мониторинга

Глубокое обучение привело к значительному улучшению мониторинга износа инструмента на фрезерных станках с ЧПУ благодаря совершенно новому поколению интеллектуальных систем, которые значительно превосходят все предыдущие поколения систем мониторинга износа инструмента. Наиболее распространённый метод использует глубокие остаточные сети, улучшенные модулями внимания; одним из примеров является свёрточный блочный модуль внимания (CBAM), который сочетает в себе возможности двух методов, позволяя интеллектуальной системе автоматически выбирать наиболее важные характеристики данных датчиков и игнорировать нерелевантную (шумовую) информацию, значительно повышая точность диагностики.

Другим важным усовершенствованием стало преобразование временных рядов данных датчиков (вибрации, акустической эмиссии и датчиков тока) в двумерную матрицу, представляющую сигнал как «визуальное изображение». Поскольку эти матричные сигналы обрабатываются свёрточными нейронными сетями (СНС), СНС обрабатывает их как «шаблоны», что позволяет автоматически извлекать огромное количество признаков, чего невозможно было бы достичь ручными методами.

Автоматизированный процесс позволяет точно классифицировать степени износа инструмента (начальный, нормальный, быстрый и сильный износ) благодаря высокоточной классификации и обеспечивает исключительную надежность и точность за счет непосредственной обработки данных с нескольких датчиков, достигая уровня распознавания более 90%. Это обеспечивает надежную, основанную на данных основу для предиктивного обслуживания, которое сведет к минимуму незапланированные простои и защитит ваше оборудование от серьезных повреждений.

Промышленное внедрение и преимущества

• Прогностическое техническое обслуживание с использованием данных в реальном времени: многосенсорная система обнаружения на базе искусственного интеллекта определяет производительность инструмента в реальном времени и, выявляя признаки износа или надвигающегося отказа (до их возникновения), позволяет немедленно принять меры.
• Сокращение отходов и оптимизация использования инструментов: прогнозирование момента выхода инструмента из строя максимально увеличивает потенциал его использования, сводя к минимуму количество раз, когда инструмент необходимо заменить, и, следовательно, сокращая отходы, образующиеся из-за неисправных или иным образом неработающих инструментов.
• Повышение стабильности производства: поддержание постоянных условий на инструментах, используемых в производственных процессах, обеспечивает стабильность выпускаемой продукции, повышает общее качество продукции и сводит к минимуму отклонения.
• Основополагающие технологии для интеллектуальных производственных систем: Вышеуказанные технологии являются ключевыми компонентами Индустрии 4.0 (интеллектуальные производственные системы), обеспечивая возможность выполнения предиктивного обслуживания на основе данных и позволяя автоматизировать планирование планового обслуживания.

Проблемы и ограничения

• Качество и объём данных: Качество используемых данных крайне важно для эффективного мониторинга. Однако «шум» датчика (случайные колебания выходных данных) может снизить качество данных. Кроме того, объём данных, доступных на ранних или экстремальных стадиях износа, значительно меньше объёма данных, доступных на стадиях нормального износа инструмента, что может затруднить определение всех состояний инструмента с помощью модели.
• Высокие вычислительные требования: Хотя такие модели, как глубокие остаточные сети, обеспечивают высокую точность определения состояния инструмента, они предъявляют высокие требования к вычислительной мощности. Для достижения приемлемой производительности с помощью этих моделей компаниям обычно приходится инвестировать в современные графические процессоры (GPU), что может быть невозможно на существующем оборудовании.
• Ограниченная обобщаемость: модели, обученные для конкретного применения, как правило, не могут быть обобщены для использования в других областях. Поэтому использование той же модели, которая использовалась для мониторинга износа инструмента концевой фрезы, для мониторинга износа инструмента сверла или для мониторинга износа инструмента нового типа материала или даже для нового типа станка с ЧПУ, может привести к снижению точности результатов, если только модель не будет переобучена, что потребует затрат и усилий.
• Установка/интеграция систем: Интеграция систем модернизации современных систем мониторинга в различные типы оборудования с ЧПУ может быть сложной задачей из-за сложности, сложности и дороговизны установки датчиков и оборудования для сбора данных на различных станках с ЧПУ. В результате широкое внедрение этой технологии затруднено во многих отраслях.

Заключение

Обнаружение износа инструмента стало основным компонентом интеллектуального производства, обеспечивая более интеллектуальный и ориентированный на данные подход к обработке на станках с ЧПУ (фрезерование с ЧПУ). Использование передовых сенсорных технологий (акустическая эмиссия, вибрации, поток рассеяния, ток) в сочетании с возможностями искусственного интеллекта (ИИ) и глубокого обучения современных средств мониторинга позволяет осуществлять предиктивную обработку и адаптивность. Современные системы контроля износа инструмента теперь могут определять, когда инструмент находится в состоянии износа, и прогнозировать, когда он выйдет из строя, тем самым позволяя принимать упреждающие превентивные меры. Интеллектуальное производство достигает своей конечной цели благодаря этим возможностям предиктивной и адаптивной обработки. Оно позволяет повысить точность, значительно сократить незапланированные простои и затраты на инструмент, а также повысить общую производительность. Эти достижения обеспечивают интеллектуальную эволюцию работы с ЧПУ и знаменуют собой новый уровень эффективности и надежности операций с ЧПУ.