چگونگی پیش بینی خرابی پیچ CNC با تجزیه و تحلیل لرزش و نظارت هوش مصنوعی

PFT، شنژن

تشخیص زودهنگام شکست قریب الوقوع پیچ CNC برای به حداقل رساندن زمان توقف برنامه ریزی نشده و تعمیرات گران قیمت بسیار مهم است.این مقاله یک روش ترکیبی از تجزیه و تحلیل سیگنال لرزش با هوش مصنوعی (AI) برای نگهداری پیش بینی را توضیح می دهدداده های ارتعاش از اسپندل های عملیاتی تحت بار های مختلف به طور مداوم با استفاده از شتاب سنجها جمع آوری می شود. ویژگی های کلیدی، از جمله آمار دامنه زمانی (RMS، kurtosis)اجزای دامنه فرکانس (قله های طیف FFT)، و ویژگی های فرکانس زمانی (انرژی موج) ، استخراج می شوند. These features serve as inputs to an ensemble machine learning model combining Long Short-Term Memory (LSTM) networks for temporal pattern recognition and Gradient Boosting Machines (GBM) for robust classification. Validation on datasets from high-speed milling centers demonstrates the model's ability to detect developing bearing faults and imbalance up to 72 hours before functional failure with an average precision of 92%این رویکرد به طور قابل توجهی نسبت به نظارت سنتی بر ارتعاش مبتنی بر آستانه بهبود می بخشد، برنامه ریزی پیشگیرانه تعمیرات و کاهش خطر عملیاتی را امکان پذیر می کند.

1 مقدمه

ابزار ماشینی CNC ستون فقرات تولید دقیق مدرن را تشکیل می دهد. اسپندل، مسلماً مهم ترین و گران ترین جزء، مستقیماً بر دقت ماشینکاری، پایان سطح،و بهره وری کلی. خرابی ناگهانی اسپینل منجر به وقایع فاجعه بار، قطعات خراب شده و تعمیرات اضطراری گران قیمت می شود، که هزینه های تولید کنندگان هزاران دلار در ساعت است. برنامه های نگهداری پیشگیرانه سنتی,بر اساس فواصل زمانی ثابت یا شمارنده های ساده زمان اجرا ، ناکارآمد هستند تعمیر و نگهداری بعد از خرابی بسیار گران استدر نتیجه، نظارت مبتنی بر شرایط (CBM) ، به ویژه تجزیه و تحلیل لرزش، برجسته شده است.شدیددر حالی که کنترل لرزش های معمولی اغلب با تشخیص زودهنگامدر حال آغازاین مقاله یک رویکرد یکپارچه با استفاده از پردازش پیشرفته سیگنال لرزش همراه با تجزیه و تحلیل مبتنی بر هوش مصنوعی را برای پیش بینی دقیق خرابی های فنل از پیش ارائه می دهد.

۲ روش های تحقیق

2.1 طراحی و جمع آوری داده ها

هدف اصلی این است که نشانه های ارتعاش ظریف را شناسایی کنیم که نشان دهنده تخریب در مراحل اولیه قبل از شکست فاجعه بار است.داده ها از 32 چرخ فرش CNC با دقت بالا که در تولید قطعات اتومبیل سه شیفت در طول 18 ماه کار می کردند جمع آوری شدشتاب سنجهای پیزو الکتریکی (حساسیت: 100 mV/g، محدوده فرکانس: 0.5 Hz تا 10 kHz) به صورت شعاعی و محوری بر روی هر محور نصب شده اند.واحدهای جمع آوری داده ها سیگنال های ارتعاش را در 25پارامترهای عملیاتی (سرعت پیچ، چرخش بار، سرعت تغذیه) به طور همزمان از طریق رابط OPC UA CNC ثبت شدند.

2.2 مهندسی ویژگی ها

سیگنال های ارتعاش خام به دوره های ۱ ثانیه ای تقسیم شدند. برای هر دوره مجموعه ای جامع از ویژگی ها استخراج شد:

• زمان دامنه:معادل مربع ریشه (RMS) ، فاکتور ارتفاع، کورتوز، انحراف.

• دامنه فرکانس (FFT):دامنه و فرکانس های اوج غالب در بین باند های خطای خاص حامل (BPFO، BPFI، FTF، BSF) ، انرژی کلی در باند های خاص (0-1kHz، 1-5kHz، 5-10kHz) ، کورتوز طیف.

• دامنه فرکانس زمانی (تحول پکیج موج - Daubechies 4):آنتروپی انرژی، سطح انرژی نسبی در گره های تجزیه مرتبط با فرکانس های خطا.

• شرایط عملیاتی:سرعت اسپندل، درصد بار

2.3 توسعه مدل هوش مصنوعی

یک معماری مدل مجموعه مورد استفاده قرار گرفت:

1. شبکه LSTM:دنباله های پردازش شده از ۶۰ بردار ویژگی یک ثانیه ای متوالی (به عنوان مثال، ۱ دقیقه داده های عملیاتی) برای گرفتن الگوهای تخریب زمانی.لایه LSTM (64 واحد) وابستگی های آموخته شده در مراحل زمانی.

2. دستگاه ارتقای گرادینت (GBM):دریافت همان ویژگی های جمع آوری شده در سطح دقیقه (متوسط، std dev، max) و حالت خروجی از LSTM.حداکثر عمق 6) ارائه شده است محکم بودن طبقه بندی بالا و بینش اهمیت ویژگی.

3. محصول:یک نورون سیگموئید که احتمال شکست را در 72 ساعت آینده نشان می دهد (0 = سالم، 1 = احتمال شکست بالا).
   آموزش و تأیید:برای آموزش (۷۰٪) و تأیید (۳۰٪) از داده های ۲۴ اسپینل (از جمله ۱۸ رویداد شکست) استفاده شد.وزنه های مدل در صورت درخواست برای مطالعات تکثیر در دسترس هستند (بر اساس NDA).

3 نتایج و تحلیل

3.1 عملکرد پیش بینی

مدل مجموعه به طور قابل توجهی از آلارم های آستانه RMS سنتی و رویکردهای تک مدل (به عنوان مثال، SVM، CNN پایه) در مجموعه آزمایش برتر بود:

• دقت متوسط:92 درصد

• بازگشت (درصدی تشخیص خطا):88 درصد

• نرخ هشدار غلط:5 درصد

• متوسط زمان تحویل:68 ساعت
  جدول ۱: مقایسه عملکرد در مجموعه آزمایش
  مدل متوسط دقت به یاد آوردن نرخ هشدار نادرست متوسط زمان پیشرو ساعت
  و در نهایت، شما می توانید از آن استفاده کنید.
  ٬ ٬ ٬ ٬ ٬ ٬ ٬ ٬ ٬ ٬ ٬ ٬ ٬ ٬ ٬ ٬ ٬
  ۷۸٪ ۸۰٪ ۱۵٪ ۴۲٪
  1D CNN 85% 82% 8% 55
  |مجموعه پیشنهادی (LSTM+GBM)|92 درصد|88 درصد|5 درصد|68|

3.2 یافته های کلیدی و نوآوری

• تشخیص زودهنگام امضا:مدل به طور قابل اطمینان افزایش ظریف انرژی فرکانس بالا (فشار 5-10kHz) و افزایش ارزش کورتوز 50 ساعت قبل از شکست عملکردی را شناسایی کرد.ارتباط با شروع اسپال های میکروسکوپیاین تغییرات اغلب توسط سر و صداهای عملیاتی در طیف های استاندارد پنهان می شدند.

• حساسيت به سياق:تجزیه و تحلیل اهمیت ویژگی (از طریق GBM) نقش حیاتی زمینه عملیاتی را تایید کرد. امضای شکست در 8000 RPM در مقابل 15,000 RPM به طور متفاوت نشان داده شد، که LSTM به طور موثر یاد گرفت.

• برتری بر آستانه ها:نظارت ساده RMS نتوانست زمان کافی را فراهم کند و آژیرهای غلط مکرر را در طول عملیات بار بالا ایجاد می کند.مدل هوش مصنوعی به طور پویا آستانه های سازگار بر اساس شرایط عملیاتی و الگوهای پیچیده آموخته شده را تنظیم می کند.

• اعتباربخشی:شکل 1 احتمال خروجی مدل و ویژگی های اصلی ارتعاش (کورتوز، انرژی فرکانس بالا) را برای یک اسپندل که یک نقص خارج از لوله را توسعه می دهد، نشان می دهد.مدل یک هشدار را به وجود آورد (احتمال > 0).85) 65 ساعت قبل از تشنج کامل

4 بحث

4.1 تفسیر

دقت پیش بینی بالا ناشی از توانایی مدل برای ادغام ویژگی های ارتعاش چند دامنه در زمینه عملیاتی آنها و یادگیری مسیرهای تخریب زمانی است.لایه های LSTM به طور موثر پیشرفت نشانه های نقص را در طول زمان ثبت کردند، یک ابعاد که اغلب در تجزیه و تحلیل های لحظه ای نادیده گرفته می شود. تسلط انرژی فرکانس بالا و کورتوز به عنوان شاخص های اولیه با نظریه تریبولوژی مطابقت دارد.جایی که نقایص سطحی در حال ظهور امواج فشاری گذرا را ایجاد می کنند که بر فرکانس های بالاتر تأثیر می گذارند.

4.2 محدودیت ها

• محدوده داده:اعتباربخشی فعلی عمدتاً بر روی نقص های حالی و عدم تعادل است. عملکرد در خرابی های کمتر رایج (به عنوان مثال، نقص های پیچ و تاب موتور، مشکلات روانکاری) نیاز به مطالعه بیشتر دارد.

• وابستگی سنسور:دقت به نصب و کالیبراسیون مناسب شتاب سنج بستگی دارد. حرکت یا آسیب سنسور می تواند بر نتایج تأثیر بگذارد.

• بار محاسباتی:تجزیه و تحلیل زمان واقعی نیاز به سخت افزار محاسباتی در نزدیکی ماشین دارد.

4.3 پیامدهای عملی

• زمان توقف کاهش یافته:هشدار های پیشگیرانه برنامه ریزی تعمیرات را در طول توقف های برنامه ریزی شده امکان پذیر می کند، به حداقل رساندن اختلال.

• هزینه های پایین تر:از آسیب های فاجعه بار جلوگیری می کند (به عنوان مثال، شکاف های چرخ دنده تخریب شده) ، نیاز به موجودی قطعات یدکی را کاهش می دهد (تغییر فقط در زمان) ، و کار نگهداری را بهینه می کند.

• اجرا:نیاز به سرمایه گذاری اولیه در سنسورها، دروازه های لبه ای و ادغام نرم افزار دارد. راه حل های مبتنی بر ابر در حال ظهور هستند و موانع را برای تولیدکنندگان کوچکتر کاهش می دهند.ROI به طور معمول در عرض 6-12 ماه برای پیچ های استفاده بالا به دست می آید.

۵ نتیجه گیری

این مطالعه اثربخشی یکپارچه سازی استخراج ویژگی لرزش با یک مدل AI LSTM-GBM را برای پیش بینی زود هنگام از شکست پیچ CNC نشان می دهد.این روش به دقت بالا (92٪) و زمان تحویل قابل توجهی (به طور متوسط. 68 ساعت) ، که به طور قابل توجهی از روش های سنتی نظارت بر ارتعاش برتر است. نوآوری های کلیدی شامل ادغام ویژگی های چند دامنه،مدل سازی صریح از الگوهای تخریب زمانی از طریق LSTM، و ثبات ارائه شده توسط یادگیری مجموعه GBM.