Övervakning av verktygsslitage vid CNC-fräsning

Översikt över verktygskonditionsövervakning (TCM)

Verktygskonditionsövervakning (TCM) övervakar hur ett skärverktyg presterar när det används för bearbetning (särskilt vid CNC-fräsning) genom att systematiskt kontrollera ett skärverktygs prestanda för att upptäcka när verktyget har nått slutet av sin livslängd på grund av slitage, brott eller flisning. Integreringen av en mängd olika sensorer, inklusive skärkraftssensorer, vibrationssensorer, akustiska emissionssensorer eller till och med optiska bildsensorer i TCM, möjliggör beslutsfattande i realtid om tidpunkten för byte av ett skärverktyg eller justering av det för att förbättra detaljkvaliteten och minska den tid som en maskin är ur drift för att optimera verktygskostnaderna.

TCM skiljer sig från maskintillståndsövervakning, som övervakar maskinverktygets hälsa (dvs. lager, spindlar, drivmotorer och maskinverktygets struktur) genom att övervaka parametrar som spindelvibration, motorström eller temperatur för att förhindra maskinrelaterade fel och bibehålla systemets övergripande hälsa. Verktygsövervakning koncentrerar sig dock enbart på skärverktygets tillstånd och dess inverkan på bearbetningsprocessen; medan maskinövervakning syftar till att hålla "maskinen" frisk, håller TCM "verktyget" friskt. Både TCM och maskinövervakning är viktiga komponenter i smart tillverkning; dock är båda utformade för att övervaka och diagnostisera olika typer av fel med hjälp av olika typer av sensorer och diagnostiska metoder.

Grunderna i verktygsslitage

Flankslitage är den vanligaste typen av slitage som uppstår vid gränssnittet mellan verktygets släppningsyta och den bearbetade ytan, vilket skapar erosion över tid. Kraterslitage uppstår vid gränssnittet mellan spånan och verktygets spånyta, vilket skapar en fördjupning på grund av höga temperaturer och interaktioner mellan spånan och verktyget. Förutom dessa två typer av slitage finns det flera andra typer av slitage, såsom flisning (små flisor som bryts av skäreggen på grund av antingen termisk chock eller mekanisk chock); vidhäftning (arbetsstyckets material svetsas fast på verktyget och bryts loss från det, vilket tar med sig en del av verktygsmaterialet); diffusion (atomer från arbetsstycket migrerar in i verktyget vid mycket höga temperaturer); och plastisk deformation (permanent deformation av verktygseggen på grund av för hög värme eller tryck).

Slitage kan beskrivas i fyra olika steg. Det första steget kallas "inkörningsstadiet", och detta är det inledande slitagestadiet för skäreggen, där mindre slitage utvecklas när skäreggen börjar stabilisera sig. När inkörningsstadiet har inträffat börjar det andra steget, som kallas "stationärt tillstånd". Detta är det steg där slitageutvecklingen för skäreggen är relativt stabil. Men om skärförhållandena försämras (t.ex. en ökning av temperaturen, en minskning av kylningen etc.) kommer skäreggen att gå in i ett tredje steg, vilket är "snabbt slitage". Detta steg kännetecknas av en fortsatt och accelererad försämring av skäreggen och går så småningom in i ett fjärde steg, vilket är "hårt slitage". Under det hårda slitagestadiet kommer skäreggen att uppleva katastrofalt fel (eggbrott) och/eller kraftig flisning, vilket resulterar i verktygsförlust.

Hastigheten med vilken slitage utvecklas beror på både skärparametrarna och verktygets materialegenskaper. Ökade skärhastigheter tenderar att höja verktygets temperatur, vilket orsakar en acceleration av diffusions- och adhesivslitage. Höga matningshastigheter och/eller skärdjup tenderar att öka de mekaniska belastningarna på verktyget, vilket accelererar nötning och flisning. Slitaget påverkas också i hög grad av arbetsstyckets hårdhet och slipförmåga, eftersom båda egenskaperna tenderar att öka friktionskontakt, termiska belastningar och mekanisk stress.

Metoder för övervakning av verktygsslitage

Direkta metoder

Istället för att använda kontaktsensorer för att mäta verktygsslitage, använder båda de två direkta teknikerna för mätning av verktygsslitage som listas nedan maskinseende, eller en optisk mätteknik, för att visuellt bestämma verktygsslitage genom att titta på en bild av skärverktygets egg eller verktygsspets och avgöra om skärverktyget har slitits ut genom att analysera bilden.

1. Optiska/Visionsbaserade tekniker

Högupplösta bilder av skärverktyget tas av maskinseendesystem vid skärverktygets egg, spets eller flank, antingen före eller omedelbart efter fräsning, och analyseras för att bestämma slitageegenskaper hos skärverktyget, inklusive flankslitagebredd, flisning eller eggrundning. Eftersom denna typ av mätsystem inte kommer i kontakt med skärverktyget kommer det inte att påverka bearbetningsprocessen och kan monteras inuti CNC-spindeln eller läggas till en kamera monterad direkt på maskinen för övervakning under processen. Många av dessa system använder enkla, grundläggande bildbehandlingstekniker, såsom kantdetektering eller tröskelbaserad bildsegmentering, för att identifiera slitageområden på skärverktyget. Som ett resultat av framsteg inom kameror och belysningssystem är dessa typer av system i allmänhet billigare än andra sensorsystem och kan eftermonteras i befintliga smart tillverknings-, eller Industri 4.0-, konfigurationer.

1. Ytstrukturanalys och finkornig bildklassificering (ECADCL)

En annan direkt metod för mätning av verktygsslitage är att analysera den bearbetade ytan som produceras av skärverktyget. När skärverktyget blir slöt förändras ytstrukturen på den bearbetade ytan. Detta görs genom att ta bilder av ytan som produceras av skärverktyget och sedan tillämpa avancerade bildklassificeringstekniker på bilderna för att utläsa skärverktygets tillstånd. Ett aktuellt exempel på denna teknik är ECADCL (Efficient Channel Attention Destruction and Construction Learning), en inlärningsteknik som identifierar finkorniga skillnader i ytstruktur för att klassificera slitageförhållanden.

ECADCL:s arkitektur

Fördelar

• Det faktum att de är beröringsfria innebär att visionsbaserade metoder för mätning av verktygsslitage inte stör den mekaniska driften av bearbetningsprocessen eller minskar sensorernas livslängd.
• Visionsbaserade metoder för mätning av verktygsslitage är vanligtvis billigare jämfört med traditionella tunga sensorinstrument; många kräver endast standardkameror, belysning och datorprogramvara.
• Visionsbaserade metoder för mätning av verktygsslitage är också flexibla när det gäller att enkelt kunna integreras i befintlig CNC-utrustning; till exempel kan en kamera läggas till i maskinens verktygsväxlarområde eller installeras inuti höljet för att inspektera skärverktyget på plats mellan passeringar.

Indirekta metoder

Jämfört med direkt visuell inspektion använder indirekt TCM sensordata för att fastställa skärverktygets skick och stoppar inte bearbetningen. Metoden analyserar sensordata, som har ändrats i takt med att verktyget försämrats, för att kontinuerligt och i realtid kunna fastställa mängden slitage.

1. Sensorbaserad övervakning

Det finns många typer av fysiska sensordata som kan användas för detta ändamål. Till exempel mäter vibrationssensorer hur verktygsspindelsystemets dynamiska beteende förändras över tid. Kraft- och motorströmsignaler kan också mäta ökningen av den energi som krävs när ett verktyg är slitet och maskinen upplever ökat motstånd på grund av slitaget. Dessutom mäter akustiska emissionssensorer (AE) de högfrekventa spänningsvågor som produceras under skärprocessen och mikrosprickor, vilka har hög känslighet för de tidiga stadierna av verktygsslitage. Slutligen kan ljud- och temperatursignaler ge ytterligare data om skärförhållandena. Även om var och en av sensortyperna har sina fördelar, kan det vara opålitligt att bara använda en typ av sensor på grund av buller och bearbetningens komplexa natur.

vibrationssensor

1. Multisensorfusion för ökad tillförlitlighet

För att minimera begränsningarna med system med en enda sensor använder multisensordatafusion data från flera källor, såsom AE, vibrationer och ljud, för att utveckla ett mer tillförlitligt och noggrant övervakningssystem. Detta gör det möjligt för olika datakällor att korsvalidera information för att minska antalet falsklarm som uppstår på grund av brus eller andra övergående händelser som bara kan påverka en typ av sensor. I slutändan erbjuder multisensordatafusionssystem en mycket mer komplett bild av bearbetningsprocessen och förbättrar därför avsevärt den diagnostiska tillförlitligheten.

1. Datafusionsmetoder

Sammanslagning av data kan ske på tre primära nivåer:

1. Signalnivåfusion: Rådata från var och en av sensorerna kombineras innan funktioner extraheras från data. Ett nytt exempel på signalnivåfusion är vinkelmatrisavbildning, en teknik som omvandlar tidsseriedata från flera sensorer (till exempel data från AE- och vibrationssensorer) till tvådimensionella gråskalebilder. Vinkelmatrisavbildningen bevarar de tidsmässiga relationerna mellan data och ger ett kraftfullt sätt att träna bildbaserade djupinlärningsmodeller för att klassificera den sammanslagna datan.
2. Funktionsnivåfusion: Enskilda funktioner (till exempel statistiska egenskaper eller frekvenskomponenter) extraheras från rådata från var och en av sensorerna. Funktionsvektorerna kombineras sedan till en enda vektor som matas in i en klassificeringsalgoritm.
3. Fusion på beslutsnivå: Varje sensordataström bearbetas oberoende av en separat modell för att generera en separat slitageprognos. Ett slutgiltigt beslut genereras genom att sammanfoga de individuella prognoserna. Sammanfogningen av de individuella prognoserna kan göras med hjälp av olika tekniker, inklusive ett röstningsschema eller en metaklassificerare.

 Datadrivna tillvägagångssätt

AI revolutionerar CNC-fräsning genom att använda maskininlärning och djupinlärning för att skapa prediktiv intelligens som ersätter den traditionella reaktiva karaktären av underhåll. Användningen av AI inom CNC-fräsning skapar en automatisering av funktionsutvinning från maskindata och gör det möjligt för företag att förutsäga verktygsfel med oöverträffad noggrannhet.

Med hjälp av kraftfulla modeller som faltningsneurala nätverk (CNN) och långtidsminnesnätverk (LSTM) kan dagens system extrahera meningsfulla funktioner från stora mängder sensordata. Genom att använda djupa residualnätverk med uppmärksamhetsmekanismer (som fungerar som en "smart zoom"-funktion) kan man automatiskt identifiera viktiga trender eller mönster i vibrationer, akustiska emissioner och strömsignaler samtidigt som irrelevant bakgrundsbrus identifieras och elimineras. Således möjliggör dessa system mycket noggranna bedömningar av verktygs skick i realtid.

Dessa AI-baserade metoder kombinerar flera källor av sensordata, vilket är en av deras största fördelar. Detta gör det möjligt att kombinera all relevant data till en enda, övergripande bedömning av skärverktygets tillstånd. Dessutom möjliggör detta kontinuerlig förbättring genom lärande (adaptivt lärande). Med andra ord kommer systemet att fortsätta förbättra sina prediktionsmöjligheter baserat på nya data som samlas in under faktiska operationer. Denna teknik ger en tillförlitlig metod för att bedöma skärverktygs prestanda vid drift under varierande förhållanden (olika material och bearbetningsparametrar).

Oavsett om det gäller svarvning, borrning, slipning eller fräsning är resultaten tydliga: Företag kan förvänta sig att göra mycket noggranna (över 90 %) förutsägelser om när ett verktyg kommer att gå sönder, minimera mängden oplanerad driftstopp och spara pengar genom att förhindra slöseri med delar och kostsamma verktygsfel. Därför är implementering av en prediktiv underhållsstrategi inte längre en lyx utan en nödvändig komponent för att maximera både produktivitet och verktygslivslängd i dagens tillverkningsmiljö.

Djupinlärning och intelligenta övervakningssystem

Djupinlärning har lett till djupa förbättringar av verktygsslitageövervakning vid CNC-fräsning genom en helt ny generation intelligenta system som är betydligt bättre än alla tidigare generationer av verktygsslitageövervakning. Den mest använda metoden använder Deep Residual Networks (DJN) förstärkta med Attention Modules (Attention Module); ett exempel är Convolutional Block Attention Module (CBAM), som kombinerar kraften hos de två metoderna, vilket gör att det intelligenta systemet automatiskt kan välja de viktigaste funktionerna i sensordata och ignorera irrelevant (brus) information samtidigt som den diagnostiska precisionen avsevärt förbättras.

En annan stor förbättring var att konvertera tidsseriesensordata (vibrations-, akustisk emissions- och strömsensorer) till en 2D-matris som representerar signalen som en "visuell bild". Eftersom dessa matrissignaler bearbetas av faltningsneurala nätverk (CNN), bearbetar CNN signalerna som "mönster", och detta möjliggör en enorm mängd automatisk funktionsutvinning som aldrig skulle kunna åstadkommas med manuella metoder.

Den automatiserade processen möjliggör noggrann klassificering av verktygens slitagetillstånd (initialt, normalt, snabbt och kraftigt slitage) genom mycket noggrann klassificering och uppnår exceptionell robusthet och noggrannhet genom att bearbeta multisensordata direkt, vilket uppnår igenkänningsgrader på över 90 %. Detta ger dig en pålitlig, datadriven grund för prediktivt underhåll som minimerar oplanerade driftstopp och skyddar dina maskiner från allvarliga skador.

Industriell implementering och fördelar

• Förutsägande underhåll med realtidsdata: AI-driven multisensordetektering identifierar verktygsprestanda i realtid och möjliggör omedelbara åtgärder genom att identifiera tecken på slitage eller förestående fel (innan de inträffar).
• Minska avfall och optimera användningen av verktyg: Att förutsäga när ett verktyg kommer att sluta fungera maximerar dess användningspotential, minimerar antalet gånger ett verktyg behöver bytas ut och minskar därmed avfall som genereras av trasiga eller på annat sätt icke-fungerande verktyg.
• Ökad produktionskonsekvens: Att upprätthålla konsekventa förhållanden på verktyg som används i produktionsprocesser upprätthåller konsekvens i producerade produkter och ökar den totala produktkvaliteten samt minimerar variationer.
• Grundläggande teknik för smarta tillverkningssystem: Ovanstående tekniker är viktiga komponenter i Industri 4.0 (smarta tillverkningssystem), vilket ger möjlighet att utföra datadrivet prediktivt underhåll och möjliggöra automatiserad schemaläggning av planerat underhåll.

Utmaningar och begränsningar

• Datakvalitet och datavolym: Kvaliteten på de data som används är mycket viktig för effektiv övervakning. Sensorbrus (slumpmässiga variationer i utdata) kan dock försämra datakvaliteten. Dessutom kan det faktum att mängden data som är tillgänglig i tidiga eller extrema slitagestadier är betydligt mindre än den datavolym som finns under ett verktygs normala slitagestadier göra det svårt för modellen att identifiera alla verktygsförhållanden.
• Höga beräkningskrav: Medan modeller som djupa residualnätverk ger hög noggrannhet vid identifiering av verktygsförhållanden, har de stora krav på processorkraft. För att uppnå acceptabel prestanda med dessa modeller behöver företag vanligtvis investera i avancerade grafikprocessorer (GPU:er) och kanske inte kan göra det på befintlig hårdvara.
• Begränsad generaliserbarhet: Modeller som är tränade för en specifik tillämpning kan i allmänhet inte generaliseras för användning med olika tillämpningar. Därför kan det resultera i minskad noggrannhet i resultaten om modellen inte tränas om, vilket kostar och är ansträngande. Att använda samma modell som användes för att övervaka verktygsslitage på en pinnfräs för att övervaka verktygsslitage på en borr, eller för att övervaka verktygsslitage på en ny typ av material, eller till och med på en ny typ av CNC-maskin, kan därför resultera i minskad noggrannhet i resultaten, såvida inte modellen omtränas, vilket kostar och kräver mer arbete.
• Installation/integration av system: Att integrera eftermonteringssystem för moderna övervakningssystem i olika typer av CNC-utrustning kan vara utmanande på grund av komplexiteten, invasiviteten och kostnaden för att installera sensorer och datainsamlingshårdvara på olika CNC-maskiner. Som ett resultat är det svårt att få tekniken att användas i stor utsträckning i många branscher.

Slutsats

Slitagedetektering av verktyg har blivit en viktig komponent i intelligent tillverkning genom att erbjuda en smartare och datadriven metod för CNC-bearbetning (CNC-fräsning). Användningen av banbrytande sensorteknik (akustiska emissioner, vibrationer, ströflöde, ström) i kombination med artificiell intelligens (AI) och djupinlärningsfunktioner hos dagens övervakningsverktyg möjliggör prediktiv bearbetning och anpassningsförmåga. Moderna system för övervakning av verktygsslitage kan nu upptäcka när ett verktyg är i ett tillstånd av slitage och förutsäga när det kommer att gå sönder, vilket möjliggör proaktiva förebyggande åtgärder. Intelligent tillverkning uppnår sitt slutmål genom dessa prediktiva och adaptiva bearbetningsfunktioner. Det möjliggör ökad precision, kraftigt minskade oplanerade driftstopp och verktygskostnader samt ökad total produktivitet. Dessa framsteg ger en intelligent utveckling av CNC-operationen och markerar en ny nivå av effektivitet och tillförlitlighet för CNC-operationer.