Jak przewidzieć awarię spindla CNC za pomocą analizy drgań i monitorowania AI

PFT, Shenzhen

Wczesne wykrycie nieuchronnej awarii węzła CNC ma kluczowe znaczenie dla zminimalizowania nieplanowanych przestojów i kosztownych napraw.Niniejszy artykuł opisuje metodologię łączącą analizę sygnałów wibracyjnych z sztuczną inteligencją (AI) do przewidywalnej konserwacjiDane wibracyjne z węzłów eksploatacyjnych pod różnymi obciążeniami są ciągle gromadzone za pomocą akcelerometrów.składniki dziedziny częstotliwości (szczyty widma FFT), oraz charakterystyki częstotliwości czasowej (energia fal), są wyodrębniane. 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%Podejście to zapewnia znaczącą poprawę w stosunku do tradycyjnego monitorowania drgań opartego na progu, umożliwiając proaktywne planowanie konserwacji i zmniejszenie ryzyka operacyjnego.

1 Wprowadzenie

Narzędzia CNC tworzą kręgosłup nowoczesnej produkcji precyzyjnej.i ogólnej wydajnościNagłe uszkodzenie wrzecionka prowadzi do katastrofalnych przestojów, uszkodzenia części roboczych i kosztownych napraw awaryjnych, które kosztują producentom tysiące za godzinę.,w oparciu o ustalone przedziały czasu lub proste liczniki czasu pracy, są nieefektywne, potencjalnie zastępują zdrowe elementy lub brakują nieuchronne awarie.Utrzymanie urządzenia po awarii jest nie do przewidzenia kosztowneW związku z tym monitorowanie oparte na warunkach (CBM), w szczególności analiza drgań, zyskało na znaczeniu.ciężkieW przypadku awarii, konwencjonalne monitorowanie wibracji często zmaga się z wczesnym wykrywaniem awarii.początkująceW tym artykule przedstawiono zintegrowane podejście wykorzystujące zaawansowane przetwarzanie sygnałów wibracyjnych w połączeniu z analizą opartą na sztucznej inteligencji w celu dokładnego przewidywania awarii wrzecionka z dużym wyprzedzeniem.

2 Metody badań

2.1 Projektowanie i pozyskiwanie danych

Głównym celem jest identyfikacja subtelnych sygnatur wibracji wskazujących na wczesny etap degradacji przed katastrofalną awarią.Dane zebrano z 32 wysokiej precyzji frezarek CNC działających w produkcji części samochodowych w 3 zmianach przez okres 18 miesięcyPiezoelektryczne akcelerometry (wrażliwość: 100 mV/g, zakres częstotliwości: 0,5 Hz do 10 kHz) zostały zamontowane radialnie i ośniowo na każdej obudowie wrzecionego.Jednostki pozyskiwania danych pobrały próbki sygnałów wibracji w 25Parametry operacyjne (prędkość wrotnika, moment obciążenia, prędkość podawania) były jednocześnie rejestrowane za pośrednictwem interfejsu OPC UA CNC.

2.2 Inżynieria cech

Sygnały wibracyjne surowe zostały podzielone na 1 sekundę, a dla każdej epoki wyodrębniono kompleksowy zestaw cech:

• Domena czasu:RMS, współczynnik szczytu, kurtoza, krzywizna.

• Działalność w zakresie częstotliwości:Dominujące szczytowe amplitudy i częstotliwości w charakterystycznych pasmach błędów łożyska (BPFO, BPFI, FTF, BSF), ogólna energia w określonych pasmach (0-1 kHz, 1-5 kHz, 5-10 kHz), kurtoza widmowa.

• Obszar czasu i częstotliwości (transformacja pakietów fal - Daubechies 4):Entropia energii, względne poziomy energii w węzłach rozkładu związane z częstotliwością usterek.

• Kontekst operacyjny:Prędkość wrotnika, procent obciążenia.

2.3 Opracowanie modelu sztucznej inteligencji

Wykorzystano architekturę modelu zespołu:

1. Sieć LSTM:Przetwarzane sekwencje 60 kolejnych wektorów cech 1 sekundy (tj. 1 minuta danych operacyjnych) w celu uchwycenia wzorców degradacji czasowej.Warstwa LSTM (64 jednostki) nauczyła się zależności w różnych etapach czasu.

2. Maszyna do wzmacniania nachylenia (GBM):Po otrzymaniu tych samych funkcji zagregowanych na poziomie minuty (średnia, std dev, max) i stanu wyjściowego z LSTM.maksymalna głębokość 6) zapewniła wysoką wytrzymałość klasyfikacji i wgląd w znaczenie cech.

3. Wydajność:Neuron sigmoidalny podający prawdopodobieństwo awarii w ciągu najbliższych 72 godzin (0 = zdrowy, 1 = wysokie prawdopodobieństwo awarii).
   Szkolenie i walidacja:Dane z 24 węzłów (w tym 18 zdarzeń awarii) zostały wykorzystane do szkolenia (70%) i walidacji (30%).Na żądanie dostępne są masy modeli do badań replikacyjnych (zgodnie z NDA).

3 Wyniki i analiza

3.1 Wydajność predykcyjna

Model zespołowy znacznie przewyższał tradycyjne alarmy progu RMS i podejścia pojedynczego modelu (np. SVM, podstawowy CNN) w zestawie testowym:

• Średnia precyzja:92%

• Odwołanie (Wskaźnik wykrywania błędów):88%

• Poziom fałszywego alarmu:5%

• Średni czas realizacji:68 godzin
  Tabela 1: Porównanie wydajności zestawu testowego
  Model. Średnia precyzja. Przypominanie. Wskaźnik błędnego alarmu. Średni czas realizacji.
  I tak się stało. I tak się stało.
  Próg RMS (4 mm/s) 65% 75% 22% 24
  /SVM (RBF Kernel) 78% 80% 15% 42%.
  1D CNN 85% 82% 8% 55
  |Proponowany zespół (LSTM+GBM)|92%|88%|5%|68|

3.2 Kluczowe ustalenia i innowacje

• Wczesne wykrywanie sygnatury:Model wiarygodnie zidentyfikował subtelne wzrosty energii wysokiej częstotliwości (zakres 5-10 kHz) i wzrost wartości kurtozy 50+ godzin przed awarią funkcjonalną,korelowanie z mikroskopijnym początkiem rozbłysku łożyskaZmiany te były często maskowane przez hałas operacyjny w standardowych widmach.

• Wrażliwość na kontekst:Analiza znaczenia cech (za pośrednictwem GBM) potwierdziła kluczową rolę kontekstu operacyjnego.

• Wyższość nad progami:Prosta kontrola RMS nie zapewniła wystarczającego czasu przeprowadzenia i generowała częste fałszywe alarmy podczas operacji z dużym obciążeniem.Model sztucznej inteligencji dynamicznie dostosowywał progi w oparciu o warunki pracy i wyuczone złożone wzorce.

• Weryfikacja:Na rysunku 1 przedstawiono prawdopodobieństwo wyjścia modelu i kluczowe właściwości drgań (Kurtosis, High-Frequence Energy) dla wrzeciona rozwijającego zewnętrzną usterkę łożyska.Model wywołał sygnał alarmowy (prawdopodobieństwo > 0).85) 65 godzin przed całkowitym napadem.

4 Rozmowa

4.1 Interpretacja

Wysoka dokładność przewidywania wynika z zdolności modelu do łączenia funkcji wibracyjnych wieloobszarowych w ich kontekście operacyjnym i uczenia się trajektorii degradacji czasowej.warstwy LSTM skutecznie uchwyciły postęp sygnatur błędów w czasieDomenat energii wysokiej częstotliwości i kurtozy jako wczesnych wskaźników jest zgodny z teorią tribologii.gdzie początkowe wady powierzchniowe generują przejściowe fale naprężenia wpływające na wyższe częstotliwości.

4.2 Ograniczenia

• Zakres danych:Obecne walidacje dotyczą przede wszystkim usterek łożysk i nierównowagi, a wydajność w przypadku rzadziej występujących awarii (np. usterki nawijania silnika, problemy z smarem) wymaga dalszych badań.

• Zależność od czujników:Dokładność zależy od odpowiedniego montażu i kalibracji akcelerometru.

• Obciążenie obliczeniowe:Analiza w czasie rzeczywistym wymaga sprzętu komputerowego w pobliżu maszyny.

4.3 Wpływ praktyczny

• Zmniejszenie czasu pracy:Proaktywne ostrzeżenia umożliwiają planowanie konserwacji podczas planowanych zatrzymań, minimalizując zakłócenia.

• Mniejsze koszty:Zapobiega katastrofalnym uszkodzeniom (np. zniszczonym wałkom wrzutowym), zmniejsza zapotrzebowanie na zapasy części zamiennych (zastąpienie w odpowiednim czasie) i optymalizuje pracę konserwacyjną.

• Wdrożenie:W związku z tym, w celu zapewnienia skuteczności i efektywności technologii technologicznych, należy wprowadzić nowe rozwiązania, które umożliwią wdrożenie nowych technologii w technologii komputerowej.Zwrot z inwestycji jest zazwyczaj osiągany w ciągu 6-12 miesięcy w przypadku szpilów o wysokim wykorzystaniu.

5 Wniosek

Badanie to wykazuje skuteczność integracji kompleksowej ekstrakcji cech drgań z modelem sztucznej inteligencji LSTM-GBM w celu wczesnego przewidywania awarii węzła CNC.Podejście osiąga wysoką precyzję (92%) i znaczący czas realizacji (średnioObecnie w Europie wprowadzono nowe technologie monitorowania wibracji, w tym systemy monitorowania wibracji.wyraźne modelowanie wzorców degradacji czasowej za pomocą LSTM, oraz solidność zapewniana przez uczenie się zespołu GBM.