Моніторинг зносу інструменту на фрезерних верстатах з ЧПК

Огляд моніторингу стану інструменту (TCM)

Моніторинг стану інструменту (TCM) контролює роботу ріжучого інструменту під час обробки (особливо у фрезеруванні з ЧПК), систематично перевіряючи його роботу, щоб виявити, коли інструмент досяг кінця свого терміну служби через знос, поломку або відколи. Інтеграція різноманітних датчиків, включаючи датчики сили різання, датчики вібрації, датчики акустичної емісії або навіть оптичні датчики зображення, в TCM дозволяє приймати рішення в режимі реального часу щодо термінів заміни ріжучого інструменту або його коригування для покращення якості деталі та скорочення часу простою верстата для оптимізації витрат на інструмент.

TCM відрізняється від моніторингу стану машини (MCM), який контролює стан верстата (тобто підшипників, шпинделів, приводних двигунів та конструкції верстата) шляхом моніторингу таких параметрів, як вібрація шпинделя, струм двигуна або температура, щоб запобігти збоям, пов'язаним з машиною, та підтримувати загальний стан системи. Однак моніторинг інструменту зосереджується виключно на стані ріжучого інструменту та його впливі на процес обробки; тоді як моніторинг машини має на меті підтримувати справність «машини», TCM підтримує справність «інструмента». Як TCM, так і моніторинг машини є важливими компонентами інтелектуального виробництва; однак кожен з них призначений для моніторингу та діагностики різних типів збоїв за допомогою різних типів датчиків та діагностичних методів.

Основи зносу інструментів

Знос задньої поверхні – це найпоширеніший тип зносу, який виникає на межі між задньою поверхнею інструменту та оброблюваною поверхнею, створюючи ерозію з часом. Кратерне знос виникає на межі між стружкою та передньою поверхнею інструменту, створюючи заглиблення через високі температури та взаємодію між стружкою та інструментом. Окрім цих двох типів зносу, існує кілька інших типів зносу, таких як викришування (дрібна стружка відламується від ріжучої кромки внаслідок теплового або механічного удару); адгезія (матеріал заготовки приварюється до інструменту та відривається від нього, захоплюючи з собою частину матеріалу інструменту); дифузія (атоми з заготовки мігрують в інструмент за дуже високих температур); та пластична деформація (залишкова деформація крайки інструменту внаслідок надмірного нагрівання або тиску).

Знос можна описати чотирма різними стадіями. Перша стадія відома як стадія «припрацювання», і це початкова стадія зносу ріжучої кромки, на якій розвивається незначний знос, оскільки ріжуча кромка починає осідати. Після завершення стадії припрацювання починається друга стадія, яка називається «стаціонарним станом». Це стадія, на якій прогрес зносу ріжучої кромки є відносно стабільним. Однак, якщо умови різання погіршуються (наприклад, підвищення температури, зменшення охолодження тощо), ріжуча кромка переходить у третю стадію, яка є стадією «швидкого зносу». Ця стадія характеризується постійним і прискореним зносом ріжучої кромки, і зрештою переходить у четверту стадію, яка є стадією «сильного зносу». Під час стадії сильного зносу ріжуча кромка зазнає катастрофічного руйнування (руйнування кромки) та/або сильного викришування, що призводить до втрати інструменту.

Швидкість зношування залежить як від параметрів різання, так і від властивостей матеріалу інструмента. Підвищена швидкість різання, як правило, підвищує температуру інструменту, що призводить до прискорення дифузійного та адгезійного зношування. Високі швидкості подачі та/або глибина різання, як правило, збільшують механічні навантаження на інструмент, що прискорює стирання та викришування. На знос також значно впливають твердість та абразивність матеріалу заготовки, оскільки обидві характеристики, як правило, збільшують тертєвий контакт, теплові навантаження та механічні напруження.

Методи контролю зносу інструменту

Прямі методи

Замість використання контактних датчиків для вимірювання стану зносу інструменту, обидві технології прямого вимірювання зносу інструменту, перелічені нижче, використовують машинний зір або оптичну технологію вимірювання для візуального визначення стану зносу інструменту шляхом перегляду зображення кромки або кінчика ріжучого інструменту та визначення того, чи зносився ріжучий інструмент, шляхом аналізу зображення.

1. Оптичні/зорові методи

Зображення ріжучого інструменту з високою роздільною здатністю фіксуються системами машинного зору на кромці, кінчику або бічній поверхні ріжучого інструменту, до або одразу після фрезерування, та аналізуються для визначення характеристик зносу ріжучого інструменту, включаючи ширину зносу бічної поверхні, викришування або заокруглення кромки. Оскільки цей тип вимірювальної системи не контактує з ріжучим інструментом, він не впливатиме на процес обробки та може бути встановлений всередині шпинделя ЧПК або доданий до камери, встановленої безпосередньо на верстаті, для моніторингу в процесі обробки. Багато з цих систем використовують прості, базові методи обробки зображень, такі як виявлення кромок або сегментація зображень на основі порогових значень, для виявлення областей зносу ріжучого інструменту. Завдяки розвитку камер та систем освітлення, ці типи систем, як правило, дешевші, ніж інші сенсорні системи, і можуть бути модернізовані в існуючі конфігурації інтелектуального виробництва або Індустрії 4.0.

1. Аналіз текстури поверхні та класифікація дрібнозернистих зображень (ECADCL)

Ще один прямий метод вимірювання зносу інструменту полягає в аналізі обробленої поверхні, створеної ріжучим інструментом. Коли ріжучий інструмент затуплюється, текстура її поверхні змінюється. Це робиться шляхом зйомки зображень поверхні, створеної ріжучим інструментом, а потім застосування до зображень передових методів класифікації зображень для визначення стану ріжучого інструменту. Нещодавнім прикладом цієї методики є ECADCL (Ефективне навчання з урахуванням уваги до руйнування та будівництва) – метод навчання, який виявляє дрібнозернисті відмінності в текстурі поверхні для класифікації умов зносу.

архітектура ECADCL

Переваги

• Той факт, що вони є безконтактними, означає, що методи вимірювання зносу інструменту на основі зору не перешкоджають механічній роботі процесу обробки та не зменшують термін служби датчиків.
• Методи вимірювання зносу інструментів на основі візуального контролю зазвичай дешевші порівняно з традиційними важкими сенсорними приладами; багато з них потребують лише стандартних готових камер, освітлення та комп'ютерного програмного забезпечення.
• Методи вимірювання зносу інструменту на основі візуального контролю також є гнучкими, оскільки їх можна легко інтегрувати в існуюче обладнання з ЧПК; наприклад, камеру можна додати до зони зміни інструменту верстата або встановити всередині корпусу для перевірки ріжучого інструменту на місці між проходами.

Непрямі методи

Порівняно з прямим візуальним оглядом, непрямий традиційний конструкторський аналіз (TCM) використовує дані датчиків для визначення стану ріжучого інструменту та не зупиняє операцію обробки. Метод аналізує дані датчиків, які змінювалися в міру зносу інструменту, щоб безперервно та в режимі реального часу визначати ступінь зносу.

1. Моніторинг на основі датчиків

Для цієї мети можна використовувати багато типів даних фізичних датчиків. Наприклад, датчики вібрації вимірюють, як змінюється динамічна поведінка шпиндельної системи інструменту з часом. Сигнали сили та струму двигуна також можуть вимірювати збільшення енергії, необхідної для зносу інструменту та збільшення опору верстата через знос. Крім того, датчики акустичної емісії (АЕ) вимірюють високочастотні хвилі напруження, що виникають під час процесу різання, та мікротріщини, які мають високу чутливість до ранніх стадій зносу інструменту. Нарешті, звукові та температурні сигнали можуть надати додаткові дані щодо умов різання. Хоча кожен тип датчиків має свої переваги, використання лише одного типу датчика може бути ненадійним через шум та складний характер обробки.

Датчик вібрації

1. Багатосенсорне об'єднання для підвищеної надійності

Щоб мінімізувати обмеження односенсорних систем, багатосенсорне об'єднання даних використовує дані з кількох джерел, таких як АЕ, вібрація та звук, для розробки більш надійної та точної системи моніторингу. Це дозволяє різним джерелам даних перехресно перевіряти інформацію, щоб зменшити рівень хибних тривог, що виникають через шум або інші тимчасові події, які можуть впливати лише на один тип датчика. Зрештою, багатосенсорні системи об'єднання даних пропонують набагато повнішу картину процесу обробки і, отже, значно підвищують надійність діагностики.

1. Підходи до об'єднання даних

Об'єднання даних може відбуватися на трьох основних рівнях:

1. Злиття рівнів сигналів: Необроблені дані з кожного датчика об'єднуються перед вилученням ознак з даних. Новим прикладом злиття рівнів сигналів є кутова матрична візуалізація, метод, який перетворює дані часових рядів з кількох датчиків (наприклад, дані з датчиків АЕ та вібрації) на двовимірні зображення у градаціях сірого. Кутова матрична візуалізація зберігає часові зв'язки між даними та забезпечує потужний засіб для навчання моделей глибокого навчання на основі зображень для класифікації об'єднаних даних.
2. Злиття на рівні ознак: Окремі ознаки (наприклад, статистичні властивості або частотні компоненти) витягуються з необроблених даних від кожного з датчиків. Вектори ознак потім об'єднуються в один вектор, який подається на вхід алгоритму класифікації.
3. Об'єднання на рівні прийняття рішень: Кожен потік даних датчика обробляється незалежно окремою моделлю для створення окремого прогнозу зносу. Остаточне рішення генерується шляхом об'єднання окремих прогнозів. Об'єднання окремих прогнозів може бути здійснено за допомогою різних методів, включаючи схему голосування або метакласифікатор.

 Підходи, керовані даними

Штучний інтелект революціонізує фрезерування з ЧПК, використовуючи машинне навчання та глибоке навчання для створення прогнозного інтелекту, який замінює традиційний реактивний характер обслуговування. Використання штучного інтелекту у фрезеруванні з ЧПК створює автоматизацію вилучення ознак з даних машини та дозволяє компаніям прогнозувати відмови інструментів з безпрецедентною точністю.

Використовуючи потужні моделі, такі як згорткові нейронні мережі (ЗНМ) та мережі з довгостроковою пам'яттю (ЛСТМ), сучасні системи здатні витягувати значущі ознаки з великих обсягів даних датчиків. Використання глибоких залишкових мереж з механізмами уваги (які працюють як функція «розумного масштабування») дозволяє автоматично ідентифікувати ключові тенденції або закономірності вібрації, акустичної емісії та струмових сигналів, одночасно виявляючи та усуваючи нерелевантний фоновий шум. Таким чином, ці системи дозволяють проводити високоточну оцінку стану інструменту в режимі реального часу.

Ці підходи на основі штучного інтелекту поєднують кілька джерел даних датчиків, що є однією з їхніх головних переваг. Це дозволяє об'єднати всі відповідні дані в єдину загальну оцінку стану ріжучого інструменту. Крім того, це дозволяє постійно вдосконалюватися шляхом навчання (адаптивне навчання). Іншими словами, система продовжуватиме вдосконалювати свої можливості прогнозування на основі нових даних, зібраних під час реальних операцій. Цей метод забезпечує надійний метод оцінки продуктивності ріжучих інструментів під час роботи в різних умовах (різні матеріали та параметри обробки).

Чи то токарська, свердлильна, шліфувальна чи фрезерна обробка, результати очевидні: компанії можуть розраховувати на дуже точні (понад 90%) прогнози щодо того, коли інструмент вийде з ладу, мінімізувати кількість незапланованих простоїв та заощадити кошти, запобігаючи втратам деталей та дорогим поломкам інструментів. Тому впровадження стратегії прогнозного обслуговування більше не є розкішшю, а необхідним компонентом для максимізації як продуктивності, так і терміну служби інструменту в сучасному виробничому середовищі.

Системи глибокого навчання та інтелектуального моніторингу

Глибоке навчання призвело до суттєвих покращень у моніторингу зносу інструментів у фрезерних верстатах з ЧПК завдяки абсолютно новому поколінню інтелектуальних систем, які значно кращі за всі попередні покоління моніторингу зносу інструментів. Найбільш широко використовуваний метод використовує глибокі мережі залишків, вдосконалені модулями уваги; одним із прикладів є згортковий модуль уваги блоків (CBAM), який поєднує потужність двох методів, дозволяючи інтелектуальній системі автоматично вибирати найважливіші характеристики даних датчика та ігнорувати нерелевантну (шумову) інформацію, водночас значно підвищуючи точність діагностики.

Ще одним важливим удосконаленням стало перетворення даних датчиків часових рядів (датчиків вібрації, акустичної емісії та струму) у двовимірну матрицю, що представляє сигнал як «візуальне зображення». Оскільки ці матричні сигнали обробляються згортковими нейронними мережами (ЗНМ), ЗНМ обробляє сигнали як «шаблони», і це дозволяє здійснювати величезну кількість автоматичного вилучення ознак, яке ніколи не можна було б виконати за допомогою ручних методів.

Автоматизований процес дозволяє точно класифікувати стани зносу інструменту (початковий, нормальний, швидкий та сильний знос) завдяки високоточній класифікації та досягає виняткової надійності та точності завдяки безпосередній обробці даних з кількох датчиків, досягаючи коефіцієнта розпізнавання понад 90%. Це забезпечує вам надійну, засновану на даних основу для прогнозного обслуговування, яка мінімізує незаплановані простої та захистить ваше обладнання від серйозних пошкоджень.

Промислове впровадження та переваги

• Прогнозне обслуговування з даними в режимі реального часу: багатосенсорне виявлення на базі штучного інтелекту визначає продуктивність інструменту в режимі реального часу та, виявляючи ознаки зносу або неминучої поломки (до їх виникнення), дозволяє негайно вжити заходів.
• Зменшення відходів та оптимізація використання інструментів: прогнозування моменту виходу з ладу інструменту максимізує його потенціал використання, мінімізуючи кількість разів, коли інструмент потрібно замінити, і, отже, зменшуючи відходи, що утворюються через несправні або іншим чином нефункціональні інструменти.
• Підвищення стабільності виробництва: Підтримка стабільних умов на інструментах, що використовуються для виробничих процесів, забезпечує стабільність виробленої продукції, підвищує загальну якість продукції та мінімізує варіації.
• Фундаментальні технології для інтелектуальних виробничих систем: вищезазначені технології є ключовими компонентами Індустрії 4.0 (Інтелектуальних виробничих систем), що забезпечують можливість виконання прогнозного технічного обслуговування на основі даних та автоматизованого планування планового технічного обслуговування.

Виклики та обмеження

• Якість та обсяг даних: Якість використовуваних даних дуже важлива для ефективного моніторингу. Однак, «шум» датчика (випадкові коливання у вихідних даних) може погіршити якість даних. Крім того, той факт, що обсяг даних, доступних на ранніх або екстремальних стадіях зносу, значно менший, ніж обсяг даних, присутніх під час нормальних стадій зносу інструменту, може ускладнити для моделі визначення всіх станів інструменту.
• Високі обчислювальні вимоги: Хоча моделі, такі як глибокі мережі залишків, забезпечують високий рівень точності у визначенні стану інструменту, вони мають великі вимоги до обчислювальної потужності. Щоб отримати прийнятну продуктивність за допомогою цих моделей, компаніям зазвичай потрібно інвестувати в передові графічні процесори (GPU), і вони можуть бути не в змозі зробити це на існуючому обладнанні.
• Обмежена узагальнюваність: Моделі, навчені для конкретного застосування, зазвичай не підлягають узагальненню для використання з різними застосуваннями. Тому використання тієї ж моделі, яка використовувалася для моніторингу зносу інструменту на кінцевій фрезі, для моніторингу зносу інструменту на свердлі, або для моніторингу зносу інструменту на новому типі матеріалу, або навіть на новому типі верстата з ЧПК, може призвести до зниження точності результатів, якщо модель не буде перенавчена з певними витратами та зусиллями.
• Встановлення/інтеграція систем: Інтеграція систем модернізації для сучасних систем моніторингу в різні типи обладнання з ЧПК може бути складною через складність, інвазивність та вартість встановлення датчиків та обладнання для збору даних на різних верстатах з ЧПК. Як наслідок, широке впровадження цієї технології є складним у багатьох галузях промисловості.

Висновок

Виявлення зносу інструментів стало основним компонентом інтелектуального виробництва, забезпечуючи розумніший та керований даними підхід до обробки на верстатах з ЧПК (фрезерування на верстатах з ЧПК). Використання передових сенсорних технологій (акустичні емісії, вібрації, розсіяний потік, струм) у поєднанні зі штучним інтелектом (ШІ) та можливостями глибокого навчання сучасних інструментів моніторингу дозволяє проводити прогнозовану обробку та адаптацію. Сучасні системи моніторингу зносу інструментів тепер можуть виявляти, коли інструмент знаходиться в стані зносу, та прогнозувати, коли він вийде з ладу, що дозволяє вживати проактивних запобіжних заходів. Інтелектуальне виробництво досягає своєї кінцевої мети завдяки цим можливостям прогнозування та адаптації обробки. Воно дозволяє підвищити точність, значно зменшити незаплановані простої та витрати на інструменти, а також підвищити загальну продуктивність. Ці досягнення забезпечують інтелектуальну еволюцію роботи верстатів з ЧПК та знаменують новий рівень ефективності та надійності для операцій з ЧПК.