Obróbka Skrawaniem -

Transkrypt

1 Prof. Krzysztof Jemielniak Obróbka Skrawaniem - podstawy, dynamika, diagnostyka 10. Diagnostyka stanu narzędzia i procesu skrawania Instytut Technik Wytwarzania Zakład Automatyzacji i Obróbki Skrawaniem

2 Plan wykładu Obróbka skrawaniem 1. Wstęp 2. Pojęcia podstawowe 3. Geometria ostrza 4. Materiały narzędziowe 5. Proces tworzenia wióra 6. Siły skrawania 7. Dynamika procesu skrawania 8. Ciepło w procesie skrawania, metody chłodzenia 9. Zużycie i trwałość ostrza 10. Diagnostyka stanu narzędzia i procesu skrawania Diagnostyka stanu narzędzia i procesu 11. Skrawalność skrawania 12. Obróbka materiałów stosowanych w przemyśle lotniczym strony Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 2

3 10 Diagnostyka stanu narzędzia i procesu skrawania Wprowadzenie do do DNiPS Wielkości fizyczne wykorzystywane w DNiPS Czujniki stosowane w DNiPS czujniki sił i wielkości pochodnych czujniki emisji akustycznej i drgań Przetwarzanie sygnałów w DNiPS wstępna obróbka sygnałów wyznaczanie miar sygnałów w dziedzinie czasu miary sygnałów w dziedzinie częstotliwości i czasu-częstotliwości selekcja miar sygnałów Integracja miar, podejmowanie decyzji diagnostyka naturalnego zużycia ostrza diagnostyka zużycia ostrza w oparciu o jedną miarę sygnału diagnostyka zużycia ostrza w oparciu o integrację miar sygnałów Wykrywanie katastroficznego stępienia ostrza Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 3

4 Potrzeba automatycznej diagnostyki Teoretyczny czas pracy 100% druga zmiana 22% trzecia zmiana 22% Rzeczywisty czas pracy 10% % soboty, niedziele, święta 5.3% ustawienia i obsługa przestoje z przyczyn ludzkich i technicznych 75% odzyskane dzięki diagnostyce druga zmiana 15% trzecia zmiana 15% 20% automatyczna obróbka w soboty, niedziele i święta 65% Rzeczywisty czas pracy z automatyczną diagnostyką Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 4

5 Zadnia układów DNiPS Diagnostyka procesu obróbki o o o o diagnozowanie stanu narzędzi skrawających: wykrywanie katastroficznego stępienia ostrza (KSO) wykruszenia, wyłamania diagnostyka zużycia ostrza (wykrywanie końca okresu trwałości), wykrywanie brakującego narzędzia diagnostyka postaci wióra, i jego usuwania diagnostyka przedmiotu dokładność wymiarowo-kształtowa, stan warstwy wierzchniej, uszkodzenia termiczne powstawania zadziorów, wykrywanie śladów drgań samowzbudnych wykrywanie drgań samowzbudnych Diagnostyka stanu obrabiarki o o o wykrywanie kolizji i przeciążeń wykrywanie zużycia, awarii Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 5

6 Kolizja Kolizja to niepożądane zderzenie zespołów obrabiarki, narzędzia lub przedmiotu spowodowanych ich wzajemnymi przemieszczeniami 72% zawinione przez człowieka! Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 6

7 Kolizja Powody uszkodzenia wrzeciona obrabiarki: smarowanie inne wycieki kolizja zużycie H. Cao et al. Int.J. of Machi.Tools&Manuf. 112 (2017) Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 7

8 Koszt kolizji Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 8

9 Zakres zastosowań DNiPS Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 9

10 Struktura logiczna układu nadzoru narzędzia i PS sygnały miary sygnałów NADZÓR AKCJA! czujniki MONITOROWANIE DIAGNOSTYKA przetwarzanie sygnałów filtry, statystyka, FFT, RMS,... rozkaz integracja miar, diagnoza Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 10

11 Struktura sprzętowa układu DNiPS czujniki Czujnik sił skrawania KISTLER 9017C układy wstępnego przygotowania sygnału Charge Amplifier - KISTLER 5073A311 Układy DNIPS Wirtualne układy DNIPS CNC NORDMANN Czujnik drgań KISTLER 8763B050AB Piezotron coupler 5108A. Montronix Czujnik emisji akustycznej KISTLER 8152C00505 AE Piezotron coupler 5125B2 ADONIS Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 11

12 10 Diagnostyka stanu narzędzia i procesu skrawania Wprowadzenie do DNiPS Wielkości fizyczne wykorzystywane w DNiPS Czujniki stosowane w DNiPS czujniki sił i wielkości pochodnych czujniki emisji akustycznej i drgań Przetwarzanie sygnałów w DNiPS wstępna obróbka sygnałów wyznaczanie miar sygnałów w dziedzinie czasu miary sygnałów w dziedzinie częstotliwości i czasu-częstotliwości selekcja miar sygnałów Integracja miar, podejmowanie decyzji diagnostyka naturalnego zużycia ostrza diagnostyka zużycia ostrza w oparciu o jedną miarę sygnału diagnostyka zużycia ostrza w oparciu o integrację miar sygnałów Wykrywanie katastroficznego stępienia ostrza Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 12

13 Przebieg zużycia i sił skrawania Jemielniak K. i in., Automatyczna diagnostyka stanu narzędzia w operacjach tokarskich, CPBP ,1990. Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 13

14 Porównanie przebiegów zużycia ostrza w funkcji czasu skrawania i df f Jemielniak K, Automatyczna diagnostyka stanu narzędzia i procesu skrawania, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, 2002 Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 14

15 Siły osiowe i momenty obrotowe uzyskane przy użyciu wierteł ostrych i stępionych Ketteler G., Influence on Monitoring Systems Which Affect their Relability, Proc. of the 2nd Int. Workshop on Intelligent Manufacturing Systems, Leuven, Belgium, , Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 15

16 Typowy przebieg sił skrawania dla ostrego i stępionego frezu Narzędzie ostre Narzędzie stępione A. Al-Habaibeh, et al., Modern Developments in Sensor Technology and their Applications in Condition Monitoring of Manufacturing Processes, AC 04 Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 16

17 Emisja akustyczna definicja Emisja akustyczna to zanikająca fala sprężysta, będąca efektem gwałtownego wyzwolenia energii wiązań wewnętrznych, naruszanych przez odkształcenia, pękanie i przemiany fazowe (wzrost mikro szczelin, ruch grup dyslokacji) w materiale. Poglądowe przedstawienie szczeliny w próbce i związanej z tym generacji emisji akustycznej Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 17

18 Źródła emisji akustycznej (AE) w procesie skrawania ścinanie i plastyczna deformacja materiału obrabianego (3,4) pękanie materiału obrabianego i narzędzia (1,8) tarcie pomiędzy materiałem obrabianym, narzędziem i wiórem (2,3,5) uderzenia i pęknięcia wiórów (6,7) Moriwaki T., Detection for Cutting Tool Fracture by Acoustic Emission Measurement, Anals of the CIRP, 29/1(1980),35. Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 18

19 Sygnał emisji akustycznej w trakcie wybuchu Jednostką AE jest volt! Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 19

20 Typowy przebieg AE dla ostrego i stępionego frezu Narzędzie ostre Narzędzie stępione A. Al-Habaibeh, et al., Modern Developments in Sensor Technology and their Applications in Condition Monitoring of Manufacturing Processes, AC 04 Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 20

21 emisja akustyczna (db) emisja akustyczna (db) Przebieg AE przy wierceniu aż do złamania wiertła Sygnał AE zmierzony na stole obrabiarki przy wierceniu otworu Ø 3mm czujnikiem SEA wyłamanie wiertło stępione Ostatni otwór wiercony normalnie Wzrost AE w czasie wiercenia ostatnich 4 otworów wiertło stępione wyłamanie czas (s) czas (s) Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 21

22 Nadzorowanie toczenia diamentowego (a) Polarny wykres sygnału AE RMS przy obróbce polikrystalicznej miedzi. (b) Mikrofotografia tego samego przedmiotu wytrawiona chemicznie Lee, D.E., IJMachTools&Manuf. 46/2: Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 22

23 Drgania: monitorowanie trwałości wierteł małej średnicy König W., Ketteler G., Research on Tool Condition Monitoring in Europe - State of the Art and Future Prospects, Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 23

24 Hałas: diagnostyka zużycia ostrza Wpływ zużycia ostrza i parametrów skrawania na ciśnienie akustyczne przy toczeniu Kopac J., Sali S., J. Mat Process Techno, 113, , 2001 Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 24

26 Czujniki stosowane w handlowych układach DNiPS Czujniki stosowane w układach DNiPS są z reguły specjalnie do nich dedykowane, przy-stosowane do trudnych warunków panujących w strefie skrawania, a więc odporne na chłodziwo, uderzające wióry. W tabeli niżej zestawiono typy czujników oferowanych przez czołowych producentów komercyjnych układów MiNOS Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 26

27 Zalecane zastosowania czujników w układach AUMON zalecane możliwe nie zalecane Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 27

29 Siłomierze laboratoryjne do pomiaru sił skrawania Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 29

30 Przemysłowe czujniki mocy Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 30

31 Zastosowanie czujników mocy do wiercenie Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 31

32 Zakłócenia wpływające na sygnał czujnika mocy Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 32

33 Czujnik odkształceń powierzchni obrabiarki Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 33

34 Czujnik siły posuwowej w oprawie łożyska śruby tocznej a) przekrój wewnętrzny, b) usytuowanie czujnika na śrubie pociągowej tokarki NC Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 34

35 Czujnik sił sposób montażu Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 35

36 Czujnik sił przykład instalacji Czujnik sił Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 36

37 Płyta pomiarowa pod głowicą narzędziową płyta pomiarowa Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 37

38 Czujniki momentu i siły osiowej tensometry układ elektroniczny rotor stator oprawka Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 38

39 Czujnik momentu i siły osiowej rotor stator Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 39

40 Czujnik sił zintegrowany z wrzecionem H. Cao et al. Int.J. of Machi.Tools&Manuf. 112 (2017) Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 40

42 Budowa czujnika AE i czujnika drgań przetwornik piezoelektryczny masa sejsmiczna czujnik AE diafragma czujnik drgań Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 42

43 Przemysłowe czujniki drgań i AE Kistler czujnik drgań czujniki AE Hz khz khz Prometec czujnik drgań czujnik AE Hz khz Montronix 0.1Hz-500kHz Nordman 0 1 MHz Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 43

44 Badanie charakterystyk czujników AE test Nilsena i Hsu, ASTM Standard E AE Stanowisko do badań charakterystyk czujników AE zbudowane w ITM PW Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 44

45 Badanie charakterystyk czujników AE Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 45

46 Charakterystyki czujników AE firmy Kistler podane przez producenta kHz kHz otrzymane w ZAOiOS PW Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 46

47 Wpływ drogi sygnału AE na jego przebieg Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 47

48 Wpływ drogi sygnału AE na jego charakterystykę -10 db częstotliwość (khz) Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 48

49 Czujniki AE wykorzystujące przenoszenie sygnału przez chłodziwo Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 49

51 Przetwarzanie sygnałów w MiNOS Sygnały analogowe pochodzące z czujnika są zwykle poddawane wstępnej obróbce analogowej jak filtrowanie, wzmocnienie i zamianę na postać cyfrową (szeregi czasowe) Sygnały cyfrowe w dziedzinie czasu mogą poddane transformacji do dziedziny częstotliwości Oba typy sygnałów (w dziedzinie czasu i częstotliwości są poddawane przetwarzaniu w celu wyznaczenia cech (miar) sygnału mogących posłużyć jako symptomy. Miar tych może być bardzo wiele, większość nieprzydatnych. Niezbędny jest wybór miar skorelowanych z monitorowanym zjawiskiem. sygnały analogowe wstępna obróbka sygnałów (filtrowanie, A/C) Przetwarzanie sygnałów sygnały cyfrowe w dziedzinie czasu wyznaczanie miar sygnałów wszystkie miary wybór miar miary sygnałów skorelowane z monitorowanym zjawiskiem sygnały cyfrowe w dziedzinie częstotliwości Teti R., Jemielniak K., et al., Advanced monitoring of machining operations, CIRP Annals, 59(2010), 2, Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 51 Transformacja do dziedziny częstotliwości (FFT, STFT, WT) Wybrane miary służą do podejmowania decyzji o stanie procesu

53 Typowy układ przygotowania sygnału AE firmy Kistler RMS 0,1-120 ms Sygnał z czujnika jest wstępnie wzmacniany Następnie poddawany jest filtrowaniu górno i dolnoprzepustowemu Kolejnym krokiem może być demodulacja sygnału AE czyli wyznaczanie wartości skutecznej AE RMS Możliwe jest także zliczanie wybuchów AE RMS Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 53

54 Przygotowanie sygnału AE filtrowanie górnoprzepustowe AE raw (V) AE raw (V) RMS 0,1-120 ms przedwzmacniacz Sygnał z przedwzmacniacza może zwierać wysokie składowe o częstotliwościach znacznie niższych niż interesujące pasmo (powyżej ok 100 khz), tu 18kHz Oznacza to niewykorzystanie dostępnego zakresu pomiarowego Sygnał z przedwzmacniacza Sygnał po filtrowaniu górnoprzepustowym 100 khz Po przefiltrowaniu górnoprzepustowym 100 khz pozostaje tylko interesujący sygnał Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 54

55 Waga filtrowania GP przy posługiwaniu się AE RMS Sygnał AE otrzymany z szerokopasmowego czujnika BK 8312 bez filtrowania: trzy wybuchy o podobnej amplitudzie Wybrane fragmenty i ich widma Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 55

56 Wynik filtrowania górnoprzepustowego Sygnał AE otrzymany z szerokopasmowego czujnika Brüel&Kjær 8312 po filtrowaniu górno i dolno przepustowym (150 khz i 500 khz): dwa wybuchy o różnej amplitudzie Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 56

57 Przygotowanie sygnału AE filtrowanie dolnoprzepustowe RMS 0,1-120 ms przedwzmacniacz Filtrowanie dolnoprzepustowe prowadzi się w celu eliminacji składowych wysoko częstotliwościowych mogących pochodzić od zakłóceń elektrycznych Należy także wyeliminować składowe wyższe od połowy częstotliwości próbkowania by uniknąć alasingu Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 57

58 Przygotowanie sygnału AE demodulacja Surowy sygnał AE raw ma składowe o częstotliwościach sięgających 1MHz To oznacza, że częstotliwość próbkowania musi być co najmniej ok 2Ms/s (mega samples/second - miliony próbek na sekundę) To nie tylko trudne ale także prowadzi do ogromnej ilości danych, trudnych do obsługi Stąd w większości przypadków w MiNOS stosuje się demodulację sygnału, czyli wyznaczenie jego obwiedni Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 58

59 Przygotowanie sygnału AE demodulacja AE raw (V) Tu mamy fragment surowego sygnału AE raw AE raw (V) będący fragmentem wybuchu AE RMS (V) Tu widzimy obwiednię sygnału surowego, i wybuch Demodulację sygnału można przeprowadzić przez wyznaczenie wartości skutecznej: AE RMS = 1 τ න t 1 t 2AEraw 2 t dt τ = t 2 t 1 - stała całkowania Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 59

60 Demodulacja sygnału AE raw AE raw AE raw AE RMS AE RMS AE raw AE raw AE RMS AE RMS Częstotliwość próbkowania AE RMS może być 100x mniejsza niż AE raw! Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 60

61 Wpływ stałej całkowania wartości skutecznej AE na przebieg sygnału AE raw (V) sygnał oryginalny (surowy) AE RMS (V) ~2,5ms ~2,5ms ~2,5ms AE RMS otrzymany analogowo, RMS = 1,2 ms. t (ms) Jak widać, AE RMS osiąga maksimum ok 2,5 ms później niż czas narastania sygnału wybuchu jest w przybliżeniu równy dwóm stałym całkowania, stąd RMS = 1.2 ms przy wybuchach trwających ok 2 ms jest zdecydowanie za duża Stała całkowania przy wyznaczaniu wartości skutecznej powinna być o rząd wielkości niższa niż czas trwania wybuchu Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 61

62 Wpływ stałej całkowania wartości skutecznej AE na przebieg sygnału Firma Kistler oferuje stałe całkowania 0,12ms, 1,2ms oraz 120 ms Jeśli chcemy analizować, zliczać wybuchy trwające ok. 2 ms, zastosujmy stałą całkowania RMS = 0,12 ms Stała RMS = 1,2 ms nie ma tu sensu zniekształca wybuchy Jeśli chcemy obserwować tylko średnią wartość AE RMS wtedy najlepsza będzie RMS = 120 ms, Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 62

63 Potrzeba wyboru fragmentów sygnałów Pojedyncza operacja składa się z kolejnych ruchów ustawczych i posuwów roboczych Tylko posuw roboczy jest interesujący z punktu widzenia diagnostyki chyba że chodzi o wykrywanie kolizji Posuw roboczy jest sygnalizowany przez układ sterowania obrabiarki W czasie posuwu roboczego występuje dobieg i wybieg narzędzia przed i po samym skrawaniem. Czas dobiegu i wybiegu jest różny w różnych operacjach Sygnał czujnika siły F o w czasie wykonywania kolejnych otworów ruchy ustawcze posuw roboczy dobieg-wybieg skrawanie stabilny, niezmienny sygnał Wykrywanie rzeczywistego skrawania jest wiec niezbędne Tylko stabilne, mało zmienne fragmenty sygnałów są użyteczne do diagnostyki. Muszą być znajdowane automatycznie Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 63

64 Segmentacja sygnału siły przy frezowaniu Sygnał surowy filtrowanie Segmentacja Obcięcie niepełnych przebiegów Sygnał przygotowany do dalszej analizy Ghosh, N., et al., Mechanical Systems and Signal Processing 21 (2007) Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 64

65 Moment (Nm) Moment (Nm) Segmentacja sygnału elektrowrzeciona przy wierceniu wykrywanie zadziorów Posuw roboczypodejście do przedmiotu Skrawanie Przyspieszanie wrzeciona Zwalnianie wrzeciona Poziom odniesienia maksimum nachylenie Czas (s) wysokość minimum szerokość głębokość (mm) S. Ferreiro et. al. Computers & Industrial Engineering, 60(2011) 4, Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 65

66 Najczęściej stosowane wykrywanie skrawania Metodą najczęściej stosowaną jest wykrywanie przekroczenia przez wartość sygnału założonego progu próg jest wyznaczany jako ułamek wartości maksymalnej, która nie jest znana przed rozpoczęciem skrawania. Sygnały mogą być zakłócone ze względu na złożone sprzężenia skrośne między kierunkami wrażliwymi czujnika sygnał może przyjmować wartości ujemne mimo iż wszystkie składowe siły skrawania są dodatnie. Wykrywanie skrawania powinno być oparte na więcej niż jednym sygnale i na więcej niż jednej mierze sygnału time (s) Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 66

67 Wykrywanie skrawania wg ZAOiOS F c [N] Wykrywanie skrawania oparto na dwóch dobieg miarach sygnału S f sygnał filtrowany dolnoprzepustowo miara efektywna gdy nie ma płynięcia lub zmiany znaku sygnału s c odchylenie standardowe standard 400ms fragmentu sygnału miara niezależna od płynięcia i ujemnych wartości sygnału posuw roboczy obliczanie σ 0 (F c ), usuwanie offsetu S oryginalny sygnał F c filtrowany dolnoprzep. sygnał S f odchylenie standardowe σ c skrawanie Procedura: 40 ms po otrzymaniu sygnału start posuwu roboczego z 120 ms odcinka sygnału obliczane jest odchylenie standardowe s 0 i wartość średnia S av. S av jest odejmowana od wartości sygnału jako offset (tarowanie sygnału). w czasie dobiegu sygnał oscyluje wokół zera. Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 67

68 F c [N] Wykrywanie skrawania Procedura, cd.: Obliczenie progów do wykrywania skrawania: dla sygnału filtrowanego S f próg = 5s 0 dla odchylenia standardowego s c próg = 3s ms opóźnienie wykr. skrawania skrawanie próg dla S f (F c ): 5σ 0 (F c ) próg dla odchylenia standard.: 3σ 0 (F c ) Co 2 ms obliczane są wartości S f i s c System rozpoznaje początek skrawania gdy: S f > 5s 0 lub s c > 3s 0 przez dłużej niż 200 ms czas [s] przekroczenie granicy σ c (F c ) przekroczenie granicy S f (F c ) Przerwy w skrawaniu są rozpoznawane gdy wszystkie sygnały filtrowane i ich odchylenia standardowe, które były powyżej swoich granic spadną poniżej nich. Żadna z tych czynności nie jest wykonywana przez operatora. Wykrywanie skrawania jest prowadzone automatycznie bez jego interwencji, a nawet wiedzy Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem

69 Problem ilości danych i czasu obliczeń Sygnały zebrane w czasie skrawania są przedmiotem wyznaczania miar, oceny przydatności miar do diagnostyki wyboru przydatnych miar Obliczenie wystarczająco dużej liczby miar związanych ze stanem narzędzia jest kluczowym warunkiem powodzenia układu nadzoru stanu narzędzia. Przy wykorzystaniu STFT lub DWT liczba wyznaczanych miar może wynosić kilkaset! W czasie uczenia systemu, wyznaczanie miar, ich ocena i selekcja muszą być wykonywane po zakończeniu całego okresu trwałości ostrza, który może trwać kilkadziesiąt minut. ilość zgromadzonych danych może być bardzo duża, a czas obliczeń nieakceptowalnie długi A x average value 1 x = n n x i i= 1 effective value 1 n 2 RMS = x i n i= 1 permutation n! entropy H p = i s ( n) p( ) ln p( ) i= 1 Discreet Wavelet Transform n = h 2n k A k j + 1 j k = j n + 1 = g 2n k k= D logarithmic energy E = log( x i ) STFT X A k j i 2 x x = KU variance s 2 n ( xi x) i= 1 = = n 1 skewness x SK, k, m x k n n= 0 n n 2 kurtosis x KU, ( xi x) i= 1 ( n 1) s 4 ( xi x) i= 1 ( n 1) s 3 2 SK N = w j2 nm N w w n e 3 4 Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 69

70 Wybór przydatnych fragmentów sygnału obecnie Do diagnostyki stanu narzędzia wystarczają krótkie, reprezentatywne fragmenty sygnałów. Nie cały sygnał nadaje się do diagnostyki. przydatne są jedynie stabilne, w miarę niezmienne fragmenty sygnału Zarówno w układach komercyjnych, jak laboratoryjnych, to OPERATOR wybiera przydatne fragmenty sygnału, co jest: trudne, niewygodne, podatne na przypadkowe zmiany warunków skrawania i ludzkie błędy. Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 70

71 Wybór przydatnych fragmentów sygnałów Założenie: Diagnostyka stanu narzędzia może być oparta na reprezentatywnych, niezmiennych fragmentach sygnałów 1 sekunda Procedura: Sygnały zebrane w czasie pierwszej uczącej operacji są dzielone na segmenty jednosekundowe Wartość skuteczna (RMS) każdego segmentu jest porównywana z sąsiednimi dając oceną lokalnej zmienności sygnału Fl im niższa tym lepiej Fl B = RMS[A] RMS[B] 1 + RMS[C] RMS[B] 1 Jeśli dostępnych jest więcej sygnałów, wyznacza się średnią wartość współczynnika: Fl = Τ Fl AE + Fl Ff + Fl Fp + Fl Fc 4 Segmenty są gromadzone w grupy po sześć, a najlepszy segment jest wybierany jako reprezentant grupy Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 71

72 Eliminacja zbyt dużej liczby segmentów Przesłanka 1: Przy długich operacjach liczba segmentów będzie duża (jeden co 6 sekund). z każdego segmentu wyznacza się znaczną liczbę miar z każdego sygnału stąd przeciążenie pamięci komputera i rosnący czas obliczeń bez wartości dodanej. Rozwiązanie: Jeśli operacja trwa więcej niż 2 minuty (120 segmentów w 20 grupach) wybiera się 20 najlepszych do dalszej obróbki Przesłanka 2: Sygnały ze wszystkich wybranych segmentów, ze wszystkich kolejnych operacji muszą pozostać w pamięci komputera do końca okresu trwałości ostrza Rozwiązanie: Jeśli liczba segmentów (liczba operacji pomnożona przez liczbę segmentów w operacji) przekracza 128, są one gromadzone w pary i do dalszej obróbki przechodzi lepszy Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 72

73 Eliminacja zbyt dużej liczby segmentów Pierwsza operacja: Rejestracja wszystkich segmentów, obliczenie współczynnika Fl, wybór 1/6 do dalszej rejestracji i wyznaczania miar, nie więcej niż 20 Druga-ósma operacja: Tu np. wybranych 15 segmentów, wyznaczone i zapamiętane miary sygnałów : Dziewiąta operacja: Tu 15*9=135 segmentów zebranych wybór lepszego z każdej pary, : Dziesiąta operacja: 8 segmentów zebranych, wyznaczone miary; po operacji mamy w pamięci 80 segmentów sygnałów i miar z nich wyznaczonych Numer segmentu: druga operacja: 15 segmentów dziewiąta operacja: 15 segmentów Dziesiąta operacja: 8 segmentów Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 73

74 Miary sygnałów Z sygnału w postaci cyfrowej (szeregu czasowego) wyznaczane są miary sygnałów, które opisują jego cechy związane z monitorowanym zjawiskiem. Miary te mogą być wyznaczane: bezpośrednio z sygnałów w dziedzinie czasu, z transformat sygnałów w dziedzinie częstotliwości (FFT) z transformat sygnałów w dziedzinie czasu i częstotliwości. Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 74

76 Podstawowe miary sygnałów w dziedzinie czasu Sygnał ciągły (analogowy) Sygnał dyskretny (cyfrowy) wartość średnia x av = T 1 x(t) dt T t=0 1 x av = n n S i=1 x[i] wartość skuteczna t 2 t 1 1 x RMS = x 2 (t) dt T 1 x RMS = n n S i=1 x 2 [i] Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 76

77 Sprowadzenie surowego sygnału AE raw do niskoczęstotliwościowego przez demodulację AE RMS = 1 T T 0 AE 2 raw dt AE 1 n 2 RMS = AE raw Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 77

78 Podstawowe miary sygnałów w dziedzinie czasu moc chwilowa: moc średnia: p[i] = x 2 [i] n 1 p= x 2 [i] n S i=1 energia (praca w czasie): entropia Shanona: n p= S x 2 [i] i=1 n E= S x 2 [i] log(x 2 [i]) i=1 wariancja: skośność: kurtoza: (x[i] x av ) 2 s 2 = n-1 Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 78 n S i=1 n S i=1 (x[i] x av ) 3 SK= (n-1) s 3 n S i=1 (x[i] x av ) 4 KU= (n-1) s 4

79 Zastosowanie analizy głównych składowych siła skrawania F z (kn) Pomiar sił skrawania przy przeciąganiu Położenie elips wyraźnie skorelowane ze zużyciem ostrza Stosując PCA wyznaczono: długości osi (a/b) i nachylenie elipsy (b) Środki elips to średnie wartości sił Miary sygnałów przyjęte do diagnostyki: {F y,av, F z,av, a, b, β } siła skrawania F y (kn) Shi D., Gindy N.N. Tool wear predictive model based on least squares support vector machines, Mechanical Systems and Signal Processing 21 (2007) Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 79

80 Analiza widma osobliwego (ang. Singular Spectrum Analysis SSA) SSA to nowa technika nieparametrycznej analizy szeregów czasowych Rozkłada sygnał na sumę trzech niezależnych składowych: wolnozmienny trend reprezentujący lokalną średnią różnicę między sygnałem a średnią (składową oscylacyjna) szum pozbawiony jakiejkolwiek struktury Te trzy składowe traktuje się jak nowe sygnały i wyznacza z nich omówione poprzednio podstawowe miary (np. średnią, wariancję, RMS, skośność, kurtozę itd.) Salgado D.R., Alonso F.J. Tool wear detection in turning operations using singular spectrum analysis, Journal of Materials Processing Technology 171 (2006) Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 80

81 Zastosowanie analizy widma osobliwego (SSA) Diagnostyka zużycia ostrza przy toczeniu oparta na SSA sygnałów drgań w 2 kierunkach Miary sygnałów przyjęte do dalszej analizy: sygnał oryginalny trend szum Salgado D.R., Alonso F.J. Tool wear detection in turning operations using singular spectrum analysis, Journal of Materials Processing Technology 171 (2006) Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 81

82 Entropia permutacji Kolejna stosunkowo nowa metoda określania złożoności szeregu czasowego Z szeregu czasowego x[i], i=1..n można otrzymać n! permutacji (ustawień w różnej kolejności) Entropię permutacji szeregu czasowego definiuje się jako: n! H p (n)= S p( i ) ln p( i ) i=1 gdzie p( i ) względna częstość występowania permutacji i Znormalizowana entropia permutacji jest wtedy opisana wzorem: H p (n) H p = ln(n!) Im mniejsza entropia permutacji, tym bardziej regularny szereg czasowy Li, X., et al., Complexity measure of motor current signals for tool flute breakage detection in end milling, Int. J. Mach.Tools & Manuf., 48, (2008), Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 82

83 Zastosowanie entropia permutacji Wykrywanie KSO przy frezowaniu w oparciu o pomiary prądu silnika Li, X., et al., Complexity measure of motor current signals for tool flute breakage detection in end milling, Int. J. Mach.Tools & Manuf., 48, (2008), Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 83

85 Miary sygnałów oparte na transformacie Fouriera Bezpośrednie wykorzystanie wartości współczynników DFT X[m] jest niepraktyczne jest ich wiele, energia przepływa między sąsiednimi prążkami Zwykle stosuje się wyznaczanie miar widma Fouriera, np.: amplitudy dominujących prążków moc sygnału w wybranych pasmach zależność widma drgań przy toczeniu od zużycia ostrza energia w pasmach miary statystyczne spektrum: średnia częstotliwość wariancja skośność kurtoza zależność mocy drgań przy toczeniu od zużycia ostrza częstotliwość najwyższego prążka Teti R., Jemielniak K., et al., Advanced monitoring of machining operations, CIRP Annals, 59(2010), 2, Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 85

86 Miary z dziedziny częstotliwości i czasu stosowane jednocześnie Fym - średnia sygnału siły F y, Fy50 - energia sygnału siły F y w pobliżu 50 Hz Fxd energia pierwszej postaci sygnału F x Fxs odchylenie stardardowe sygnału F x Diagnostyka zużycia ostrza oparta na pomiarach sił skrawania przy toczeniu przerywanym Scheffer, C., Heyns, P.C An industrial tool wear monitoring system for interrupted turning Mechanical Systems and Signal Processing 18 (2004) Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 86

87 Sygnały stacjonarne i niestacjonarne FT identyfikuje wszystkie składowe widmowe obecne w sygnale, jednakże nie daje żadnej informacji na temat ich rozmieszczenia w czasie. Dlaczego? Sygnały stacjonarne składają się ze składowych niezmiennych w czasie wszystkie składniki występują cały czas nie jest potrzebna informacja o czasie FT pracuje bardzo dobrze dla stacjonarnych sygnałach Sygnały niestacjonarne zawierają składowe, których amplituda jest zmienna w czasie Jak więc dowiedzieć się kiedy występują poszczególne składowe? Potrzebny jest jakiś sposób określania położenia w czasie składowych Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 87

88 Krótkookresowa transformata Fouriera (Short Time Fourier Transform STFT) 1. Wybierz okno o skończonej długości 2. Umieść je na początku sygnału (t=0) 3. Obetnij sygnał mnożąc go przez okno 4. Oblicz FT obciętego sygnału, zapamiętaj 5. Przesuń okno w prawo o niewielki odcinek 6. Idź do kroku 3, powtarzaj aż osiągniesz koniec sygnału czas Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 88

89 Zasada nieoznaczoności Heisenberga Rozdzielczość w czasie (Dt): Jak dokładnie można określić położenie składowej w czasie Rozdzielczość częstotliwości (Df): Jak dokładnie można określić częstotliwość składowej Nie możemy dokładnie wiedzieć w której chwili występuje składowa o określonej częstotliwości. Możemy jedynie wiedzieć, jakie zakresy częstotliwości występują w jakich przedziałach czasu. Rozdzielczość w czasie i częstotliwości nie mogą jednocześnie być arbitralnie duże!!! Szerokie okno zła rozdzielczość w czasie, dobra rozdzielczość częstotliwości Wąskie okno dobra rozdzielczość w czasie, zła rozdzielczość częstotliwości Po wybraniu szerokości okna, obie rozdzielczości są ustalone. Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 89

90 Transformata falkowa W celu obejścia trudności związanych z rozdzielczością można zastosować okna o różnej długości dla różnych częstotliwości: Wyszukiwanie składowych o wysokich częstotliwościach wąskie okno dla lepszej rozdzielczości w czasie np.: przy f próbk =2000Hz, dla f= hz użyjmy Dt=0.1s, czyli Df=10Hz Wyszukiwanie składowych o niskich częstotliwościach szerokie okno dla lepszej rozdzielczości częstotliwości np.: przy f próbk =2000Hz, dla f=0-10hz użyjmy Dt=1s, czyli Df=1Hz Zasada Heisenberga w dalszym ciągu obowiązuje! Funkcja okna jaką tu zastosujemy nazywana jest falką (wavelet ) Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 90

91 STFT i falki częstotliwość częstotliwość czas czas krótkookresowa transformata Fouriera transformata falkowa Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 91

92 Dyskretna transformata falkowa Dyskretna transformata falkowa rozkłada sygnał na średnie (aproksymacje A) i różnice (detale D) przez splot sygnału i odpowiedzi impulsowej filtru dolno i górnoprzepustowego Odpowiedzi filtrów są decymowane przez 2. Ogólnie aproksymacja A j+1 i detal D j+1 na poziomie j+1 opisane są splotami: A j+1 [n] = A j k h 2n k k= D j+1 [n] = A j k g 2n k k= y[n]=x[n]*h[n] = gdzie h odpowiedź impulsowa filtru dolnoprzepustowego (funkcji skalującej) g odpowiedź impulsowa filtru górnoprzepustowego (falki) S k=- x[k]h[n-k] Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 92

94 Słabość monitorowania opartego na jednej mierze Zjawiska fizyczne (siły, AE, drgania itd.) związane monitorowaną wielkością zależą także od wielu innych czynników Związek między np. stanem narzędzia, a miarą sygnału jest złożony, raczej statystyczny niż zdeterminowany Czasem sygnał z czujnika niedokładnie odzwierciedla mierzoną wielkość z uwagi na wpływ zakłóceń Nie da się z góry przewidzieć, czy określona miara sygnału będzie przydatna do diagnostyki Przyszłość układów monitorujących należy do układów opartych na więcej niż jednej tylko mierze sygnału Spośród wielu możliwych do wyznaczenia miar sygnałów należy wybrać te, które niosą w sobie informacje o monitorowanym zjawisku Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 94

95 miara sygnału (SF) DT Model zależności miary sygnału od stanu narzędzia (procesu) Nadzorowanie stanu narzędzia SF m =f(dt) DT=f -1 (SF m ) Wykorzystana część okresu trwałości (DT) Miara sygnału (SF) Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 95

96 Ocena przydatności miary SF 1.0- Na podstawie pomiarów wartości miary w funkcji SF av SF m SF zużycia ostrza (DT) określa się model zależności SF m = f T DT współczynnik determinacji: R = CSK RSK CSK CSK całkowita suma kwadratów Ocena przydatności miary do diagnostyki stanu narzędzia to: stwierdzenie, na ile miara zależy od tego stanu ocena jakości modelu, czyli stwierdzenie, w CSK = SF i SF av 2 RSK resztowa suma kwadratów RSK = SF i SF mi 2 jakim stopniu model SF m oddaje rzeczywisty przebieg SF CSK RSK zniesiona suma kwadratów Postać modelu nie ma znaczenia Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 96

97 Diagnostyka zużycia ostrza przy obróbce Inconel 625 Zadanie technologiczne Parametry skrawania: a p = 2.5mm f = 0.2mm/rev v c = 220m/min Czas pojedynczego przejścia 90s Na jeden przedmiot kilka okresów trwałości Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 97

98 Diagnostyka zużycia ostrza przy obróbce Inconel 625 stanowisko badawcze Czujnik AE Tokarka TKX 50N Czujnik sił F x F z narzędzie RNGN T01020 ceramika wiskersowa CC670 Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 98

99 Diagnostyka zużycia ostrza przy obróbce Inconel 625 Wskaźniki stępienia: zużycie ostrza zadziory uszkodzenia powierzchni Wszystkie wskaźniki rejon zużycia występowały niezależnie od wrębowego siebie o końcu okresu trwałości decydowało przekroczenie jednego z nich Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 99

100 Wyznaczane miary sygnałów Dla każdego sygnału wyznaczano 97 miar: miary w dziedzinie czasu: RMS, odchylenie standardowe, skośność, kurtoza, współczynnik szczytu miary w dziedzinie częstotliwości (FFT): częstotliwość dominująca, moc w dominującym paśmie, moc w wybranym paśmie (6 pasm: Hz, Hz, Hz, Hz, Hz, Hz) miary w dziedzinie czasowo-częstotliwościowej (3 poziomowa WPT oparta na coiflet5, łącznie 14 pasm): energia logarytmiczna, RMS, skośność, kurtoza, liczba i szerokość imulsów Łącznie dla 6 sygnałów wyznaczano 582 miary Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 100

101 Przykładowe miary Miara nieskorelowana ze stanem ostrza Miara zależna od średnicy toczenia, nieskorelowana ze stanem ostrza, Miara skorelowana ze stanem ostrza, zależna od średnicy toczenia Miara skorelowana ze stanem ostrza, niezależna od średnicy toczenia Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 101

102 Badanie korelacji ze stanem ostrza SF T SF Tf AE AAA,Sk R s2 =0,35 SF Tav =1,14 F x/ddd,e R s2 =0,98 SF Tav =0, DT Badanie, na ile przyjęty model (przefiltrowany przebieg) oddaje przebieg znormalizowany w czasie. Inaczej mówiąc badanie gładkości miary! Współczynnik determinacji: Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 102 DT S i (SF Ti SF Tav ) 2 S i (SF Ti SF Tfi ) 2 R s2 = S i (SF Ti SF Tav ) 2 Odrzuca się miary, dla których R s2 jest mniejsze od założonego progu

103 Wybór miar powtarzalnych Dysponując kilkoma okresami trwałości ostrza można określić powtarzalność przebiegu miary Wyznacza się średni przebieg SF Tfav i traktuje jako uśredniony model zależności SF(DT) Współczynnik determinacji R r2 pozwala określić, na ile przebiegi są powtarzalne S j S i (SF Tfji SF 3Tfav ) 2 S j S i (SF Tfji SF Tfavi ) 2 R r2 = S j S i (SF Tfji SF 3Tfav ) 2 Odrzuca się miary, dla których R r2 jest mniejsze od założonego progu Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 103

104 Wybór miar - przykład Miara dobrze skorelowana ze stanem ostrza, słabo powtarzalna Miara dobrze skorelowana ze stanem ostrza, dobrze powtarzalna Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 104

105 Eliminacja miar podobnych Wśród miar spełniających warunki skorelowania ze stanem ostrza (gładkości) powtarzalności występują miary skorelowane ze sobą, a więc nie wnoszące nowych informacji Eliminacja zbędnych miar: 1. uszeregowanie miar pod względem powtarzalności, wybór najlepszej 2. obliczenie współczynnika korelacji między tą miarą SF 0 a kolejno wszystkimi pozostałymi SF j r j 2 = σ i SF 0,i SF 0,av SF j,i SF j,av σ i SF 0,i SF 0,av 2 σi SF j,i SF j,av 2 3. odrzucenie tych, dla których współczynnik korelacji jest zbyt duży 4. powtarzanie procedury dla pozostałych miar (od punktu 1) aż nie pozostanie żadna Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 105

106 Wyniki selekcji miar 582 wyznaczone miary Wybrane przydatne miary Miary powiązane z DT Po eliminacji miar podobnych Miary powiązane z DT, powtarzalne Siły Drgania AE Siły Drgania AE F x F z V y V z AE RMS AE RAW Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 106

108 Nordman max narzędzie stępione aktualna wartość sygnału min narzędzie ostre Nadzór zużycia na postawie średniej wartości sygnału z całego zabiegu lub jego fragmentu... Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 108

109 Nordman... niezależnie od sposobu obróbki... wiercenie gwintowanie frezowanie/toczenie Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 109

110 Nordman... czy rodzaju zastosowanego czujnika Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 110

111 Artis Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 111

112 Pytania Czy operator sam musi dobierać i wprowadzać wartości graniczne, miejsca pomiaru itd? NIE! Po co operatowi wiedza o wartościach sygnałów? Co z nimi może zrobić???? Przeliczyć na wykorzystaną część okresu trwałości! DT = = ,33 Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 112

113 Podstawowe założenia działania układów ADONiS zdobywanie przez układ większości niezbędnych informacji w trakcie obróbki pierwszego przedmiotu automatyczne wyznaczanie dopuszczalnej wartości miary na podstawie decyzji użytkownika o stępieniu ostrza (uczenie układu) określanie nie tylko momentu stępienia ostrzy lecz także ocena wykorzystanej części okresów trwałości autodiagnostyka układu Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 113

114 Ogólne zasady uczenia układu diagnostyki zużycia ostrza SF Pierwszy okres trwałości ostrza Kolejny okres trwałości ostrza SF SF 1 SF n Mi n SF SF 3 2 SF SF SF OP 1 OP 2 OP 3 OP n1 OP 1 OP 2 OP 3 OP n1 1-sza op.: licz.zab, które nadzorować, min i max sygn, po każdej op. zapamiętanie miary: SF[NrOp] po każdej op. zapamiętanie miary: SF[NrOp] oraz ocena DT na podstawie SF[DT] po zakończeniu trwałości ostrza przeliczenie tablicy SF[NrOp] na SF Tf [DT] na podstawie NrOp DT= LiczOp po zakończeniu trwałości ostrza przeliczenie tablicy SF[NrOp] na SF Tf [DT] Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 114

115 Oszacowanie wykorzystanej części T SF[NrOp] SF Tf [DT] Wyszukiwanie w tablicy SF[DT] wartości najbliższej uzyskanej w operacji DT n DT SF[NrOp] SF Tf [DT] Wyszukiwanie rozpoczyna się od poprzedniego wskazania: w przypadku wartości niższej niż poprzednia, n DT DT wskazanie DT bez zmian SF[NrOp] SF Tf [DT] 30% Przeszukiwanie tylko 30% DT ogranicza wpływ przypadkowo wysokich wartości n DT DT Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 115

116 Oszacowanie wykorzystanej części T SF[NrOp] SF Tf [DT] 30% Ograniczenie zakresu przeszukiwania umożliwia do pewnego stopnia wykorzystanie miar niemonotonicznych w funkcji wykorzystanej DT części okresu trwałości ostrza DT SF[NrOp] SF Tf [DT] Wskazanie nie może być niższe niż 0.7 DT wynikającego z poprzednich DT doświadczeń n DT=70*n/NB Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 116

117 Przebiegi sygnału siły F f w funkcji zużycia ostrza w warunkach przemysłowych F f Układy komercyjne pracują w oparciu o założenie o monotonicznym wzroście miary nr operacji Sygnały: nieliniowe niemonotoniczne (nieodwracalne) ujemne Żaden ze znanych układów komercyjnych nie może działać w oparciu o taką miarę sygnału Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 117

118 Wyniki diagnostyki zużycia ostrza wg algorytmu opracowanego w ZAOiOS F f DT oszacowane nr operacji DT Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 118

120 Sztuczna inteligencja (AI) Obecnie oprogramowanie komputerów pozwala na wykonywanie złożonych zadań. Są to w większości zadania dobrze określone, wiadomo dokładnie, jak je rozwiązać, komputer wykonuje ściśle określone instrukcje, większość programów komputerowych nie zachowuje się szczególnie inteligentnie. Wszędzie tam, gdzie można określić dokładny algorytm działania, prowadzący do wykonania zadania, inteligencja nie jest konieczna. Jest jednak wiele problemów, których rozwiązanie: nie daje się ująć w ścisłe reguły wymaga tak wielkiej liczby obliczeń, że jest niewykonalne W takich przypadkach rozwiązanie wymaga pewnej dozy inteligencji Jeśli ma wykazywać ja program komputerowy, mówimy o sztucznej inteligencji od angielskiej nazwy Artificial Intelligence powszechnie używa się skrótu AI Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 120

121 Typy sztucznych neuronów i sieci neuronowych Wiele różnych rodzajów neuronów oraz sieci na nich opartych, a także algorytmów uczenia sieci W automatycznym monitorowaniu najczęściej stosuje się perceptron wielowarstwowy najczęściej dwuwarstwowy, z jedną warstwą ukrytą, oparty na neuronach z sigmoidalną funkcją aktywacji uczony metodą wstecznej propagacji błędów, (FF-BP Feed Forward Back Propagation). Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 121

122 Neuron typu sigmoidalnego Przyjmiemy b=1 Neuron może mieć wiele wejść (synapsy). Synapsom można przypisać wagi, których wartość może podlegać zmianom Wartości wejść są sumowane z wagami Suma jest argumentem sigmoidalnej funkcji aktywacji Neuron ma tylko jedno wyjście. Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 122

123 Sieć neuronowa trzywarstwowa wejścia o 1,i = x i w 1,i warstwa wejściowa warstwa ukryta warstwa wyjściowa wyjście Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 123

124 Diagnostyka zużycia ostrza oparta na laboratoryjnych pomiarach sił skrawania Zabieg a p / /3 f v c Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 124

125 Przebiegi sił skrawania w funkcji zużycia ostrza Próba zakończona naturalnym stępieniem Eksperyment wykorzystany do uczenia Test W5I Próba zakończona ścięciem naroża Eksperyment wykorzystany do testowania Test W7I Test W5I Test W7I F c = F c (a p, f) F c F c (VB) (1) F f = F f (a p, VB B ) F f F f (f) (2) VB B = VB B (F f, a p ) (3) lub VB B = VB B [F f, a p (F c, f)] (4) Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 125

126 Konfiguracje wejść sieci neuronowej przyjęte do badań sieć sygnały wejściowe f a p F f F p F c Komentarz 1 X X X X X Sieć pełna wszystkie wejścia. Można się spodziewać, że to nadmiar. Do zastosowania niezbędny 3-składowy czujnik sił 2 X X X Próba zbadania, czy informacje zawarte w wartościach sił skrawania wystarczą do uwzględnienia wpływu parametrów skrawania. Do zastosowania niezbędny 3-składowy czujnik sił 3 X X X Siła F f zależy prawie tylko od a p i V BB, zaś F c prawie tylko od a p i f. To stwarza szansę odzyskania informacji o głębokości skrawania z F c i f, a w ten sposób wyeliminowanie jej wpływu z wartości F f. Konfiguracja szczególnie korzystna gdy występują nieznane zmiany a p (obróbka wstępna) 4 X X X Przy znanej głębokości skrawania i posuwie można ich wartości podać na wejścia, pozwalając sieci na eliminację ich wpływu na F f i identyfikację wpływu zużycia ostrza. 5 X X X X Podobnie jak wyżej, z tym że informacje zawarte w sile F f są dublowane przez zawarte w sile F p 6 X X X X Dla 2-składowego czujnika sił, przy znanych zmianach a p Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 126

127 Uczenie sieci W trakcie uczenia sieci na zbiorze W5IA, po każdej iteracji wykonywano test na zbiorze W7IA. wyniki testowania nie wpływały w żaden sposób na przebieg uczenia, a służyły jedynie do bieżącej oceny zdolności sieci do generalizacji. Średnie błędy uczenia e u (sterujące przebiegiem uczenia) oraz maksymalne błędy uczenia m u zmieniają się dla wszystkich sieci podobnie, dla sieci 2-giej są one najwyższe. Wyraźnie różne są przebiegi błędów testowania. te błędy świadczą o zdolności sieci do oceny zużycia innego ostrza niż użyte do uczenia. Zdecydowanie najgorszy wynik uzyskała sieć 2-ga, opartą jedynie na pomiarach sił skrawania bez informacji o parametrach skrawania. Sieci 1-a i 5-ta uczą się wyraźnie wolniej, a raczej wolniej uzyskują zdolność uogólniania. Po iteracjach wyniki uzyskiwane przez wszystkie sieci (oprócz 2-giej) jest podobny Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 127

128 Błędy uczenia i testowania badanych sieci Najlepsze wyniki uczenia uzyskała sieć 5-ta, a nieomal identyczny sieć 1-a. Wyniki testowania z kolei były najlepsze dla sieci 3-ciej, a tylko nieco gorsze dla sieci 5- tej. Pomijając sieć 2-gą, widzimy, że średnie błędy testowania nie przekraczają 0.04 mm, czyli ok. 10% wskaźnika stępienia. Błędy maksymalne testowania są oczywiście większe, i wynoszą do 0.2 mm. Ta wartość może być niepokojąca i należy uważniej przeanalizować. Istotna jest nie tyle sama wartość błędu średniego czy maksymalnego lecz to gdzie on występuje. W gruncie rzeczy ważna jest dokładność oszacowania momentu, w którym ostrze traci właściwości skrawane, czyli określenie końca jego trwałości. Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 128

129 Oszacowanie zużycia ostrza przez sieć neuronową Rzeczywiste i obliczone przez sieci (z wyjątkiem 2-giej) wartości zużycia ostrza w obu próbach. Próba W5I Próba W7I Do ok. 24 minuty błędy wszystkich sieci mieszczą się w paśmie ±0.05mm. Błędy testowania sieci Dopiero ścięcie naroża, wyraźne przyrosty sił F f i F p odbija się większymi błędami oszacowania VB B. Odpowiedź sieci jest korzystna, lepsza, niż dokładna, tzn. pokazująca właściwe wartości VB B podczas gdy ostrze utraciło właściwości skrawane. Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 129

130 Oszacowanie zużycia z przez sieć neuronową i system logiki rozmytej System logiki rozmytej e u = m u = e t = m t = Wyniki uzyskane przez sieć 3A: e u = m u = e t = m t = Sieć neuronowa znacznie lepiej dopasowuje się do danych uczących tak zbudowany jest algorytm uczenia. System logiki rozmytej budowany jest na oko, intuicyjnie, lecz powoduje gorsze dopasowanie do danych uczących. Stworzona baza wiedzy jest bardziej ogólna wyniki testowania są lepsze niż dla sieci neuronowej. W obu przypadkach wystarczyły informacje od siłach F c, F f i posuwie f. Informacje o zmianach głębokości skrawania były zbędne. Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 130

131 Badania doświadczalne w warunkach przemysłowych CBKO,VENUS 450 Narzędzie: CNMG BP30A Materiał obrabiany: stal 45 a p =1,5 i a p = 2 mm f = 0.1 mm/obrót v c = 150 m/min Centrum tokarskie VENUS 450 wyposażone w: przemysłowy czujnik sił skrawania czujnik emisji akustycznej Mierzono cztery sygnały: F c, F f i F p AE RMS Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 131

132 Materiał obrabiany: stal 45 Badania doświadczalne w warunkach przemysłowych Operacja składała się z 22 kolejnych przejść: a p =1.5 (13 przejść) i 2 mm (9 przejść), f = 0.1 mm/obr v c = 150 m/min, Jedno przejście wykończeniowe z tą samą prędkością i posuwem, ale zmienną głębokością skrawania Operacja trwała 4.6 min, czas skrawania 3.6 min. Stępiono osiem ostrzy (8 okresów trwałości) 8, 10, 10, 12, 10, 9, 14 i10 przedmiotów (operacji) w kolejnych okresach. Narzędzie: węglik spiekany SCGCL CNMG BP30A Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 132

133 Miary sygnałów 2s Wartość średnia Wartość maksymalna Wariancja Mediana Wartość średnia 2s Inne Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 133

134 Integracja miar z wykorzystaniem sieci neuronowej F fmed2s AEMed Brak odporności na silnie nietypowy przebieg miary Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 134

135 Ocena DT integracja miar przy pomocy sieci neuronowej przyczyny porażki Układ powinien być gotowy do pracy po jednym okresie trwałości Dysponujemy ograniczoną, Uczenie sieci neuronowej wymaga zastosowania odpowiedniej liczby próbek uczących w stosunku do liczby wejść niską liczbą próbek uczących Ograniczenie liczby wykorzystywanych miar Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 135

136 Integracja miar z wykorzystaniem sieci neuronowej Wyniki sieci neuronowej uczonej z wykorzystaniem czterech okresów trwałości ostrza Zwiększenie ilości danych doświadczalnych wykorzystanych do uczenia sieci zwiększa dokładność oszacowania DT......ale opóźnia gotowość układu do pracy Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 136

137 Integracja miar oparta na algorytmach hierarchicznych Etap I oszacowanie zużycia ostrza w oparciu o pojedyncze miary model zależności miary od zużycia Etap II integracja pojedynczych wyników we wspólne oszacowanie zużycia sieci neuronowe uśrednianie Dowolna liczba miar w pierwszym etapie. W drugim etapie można eliminować wyniki znacznie odbiegające od średniej, nietypowe Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 137

138 Integracja miar algorytmem hierarchicznym SF 2 [n] SF 3 [n] SF 1 [n] SF Tf1 [DT] SF Tf2 [DT] SF Tf3 [DT] n % DT 1 DT Etap I Oszacowanie DT na podstawie każdej miary oddzielnie n % DT 2 DT Etap II Oszacowanie DT jako średniej z pojedynczych wskazań n % DT 3 DT B DT. 4 DT n DT SDT i DT= n Wspólne oszacowanie brane jest jako wyjściowe DT B w następnym kroku Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 138

139 Wyniki integracji czterech miar Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 139

140 Wyniki integracji dziesięciu miar Po zwiększeniu progów przydatności miar algorytm wybrał 10 miar Dokładność oszacowania wzrosła Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 140

141 Diagnostyka zużycia ostrza przy obróbce Inconel 625 Spośród 582 dostępnych miar sygnałów AE, V y, V z, F x i F z wybrano automatycznie powiązane z DT, powtarzalne : Siły Drgania AE F x F z V y V z AE RMS AE RAW Wyniki integracji miar algorytmem hierarchicznym Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 141

142 Diagnostyka zużycia ostrza przy obróbce Inconel 625 A gdyby tak założyć, że mamy mniej sygnałów? Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 142

143 Badania doświadczalne w warunkach przemysłowych Wróćmy raz jeszcze do omawianego już eksperymentu: Centrum tokarskie VENUS 450 wyposażone w: przemysłowy czujnik sił skrawania czujnik emisji akustycznej Mierzono cztery sygnały: Narzędzie: węglik spiekany SCGCL CNMG BP30A F c, F f i F p AE RMS którego wyniki były wykorzystane przy testowaniu sieci neuronowych oraz integracji miar uzyskanych z jednego zabiegu, przy pomocy algorytmu hierarchicznego AE sensor Force sensor Tym razem wykorzystamy wszystkie zabiegi oraz algorytmy automatycznej segmentacji Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 143

144 Segmentacja i ocena miar sygnałów Algorytm segmentacji umożliwia wybranie ze wszystkich sygnałów ze wszystkich operacji, fragmentów odpowiadających tej samej chwili w każdej operacji AE F f F p Wybór jest prowadzony jedynie w czasie pierwszego okresu trwałości ostrza, gdy system się uczy F c 1szy okres oper. 1 2gi okres 3ci okres nty okres W tym czasie wszystkie możliwe miary sygnału są wyznaczane ze wszystkich zebranych fragmentów wszystkich sygnałów Po zakończeniu pierwszego okresu trwałości oceniana jest przydatność miar sygnałów do diagnostyki stanu ostrza i wybierane są najlepsze dla każdego segmentu oddzielnie oper. 2 oper. 3 oper. n W czasie kolejnych okresów trwałości ostrza wyznacza się i przechowuje w pamięci jedynie wybrane miary z wybranych fragmentów sygnałów oryginalne sygnały są wymazywane, co znakomicie obniża wykorzystanie pamięci Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 144

145 Segmentacja i wyznaczanie miar sygnałów W czasie 1szej operacji zidentyfikowano 165 segmentów. Wybrano 19 najlepszych Po 7 operacjach było 19x7=133>128 segmentów, więc wybrano co drugi, pozostawiając 10 na operację Każdy z 4 mierzonych sygnałów (AE RMS, F c, F f i F p ) poddano 3- poziomowej analizie falkowej (WPT) otrzymując 14 współczynników (aproksymacji A i detali D). Z każdego ze współczynników oraz sygnału oryginalnego wyznaczono 10 miar sygnału: Łącznie wyznaczano 4*14*10=560 miar sygnałów z każdego segmentu wszystkie segm. po 1 operacji F c energia logarytmiczna (np. F c/dd.e energia współczynnika DD sygnału F c ), wartość skuteczna (np. F f/ada.rms RMS współczynnika ADA sygnału F f ), odchylenie standardowe (np. F f/a.st_dev odch. std. współczynnika A sygnału F f ), moda (e.g. AE /s.mode moda oryginalnego sygnału AE RMS ), tempo przekroczeń 1, 2 and 3 częstość przekraczania progu przez 30%, 50% or 70% wartości maksymalnej sygnału (np. F p,ada,count1 ), szerokość przekroczeń 1, 2 and 3 procentowy udział czasu przebywania sygnału Politechnika powyżej Warszawska, progu Wydział (np. Inżynierii F Produkcji, Prof. dr hab. inż. Krzysztof Jemielniak c/ada,pulse1 ), Zakład Automatyzacji i Obróbki Skrawaniem 145

146 Integracja sygnałów, ocena zużycia ostrza AE/s.mode Ff/A.E F f (N) F f (N) F f (N) AE/s.mode AE/ADA.st_dev AE/s.mode Fc/DDD.E Z każdego sygnału wyznaczono inną liczbę miar. Miarą zużycia była wykorzystana część okresu trwałości ostrza DT=t/T. Po pierwszym okresie, dla każdej mary sygnału, dla każdego segmentu wyznaczono model oparty na wielomianie 2go stopnia (czarne ciągłe linie). W trybie diagnostyki, po zebraniu danych z każdego segmentu wyznacza się DT oddzielnie na podstawie każdego modelu. Następnie są one uśredniane dając wspólne oszacowanie wykorzystanej części okresu ostrza (stanu narzędzia) w danym momencie (kilkakrotnie w czasie długiego przejścia) segment 1 segment 4 segment t 1,1 Operacja 1 t 4,1 t 7, DT 1,1,3 t 1,5 Operacja 5 t 4,5 t 7,5 t 1,8 Operacja 8 t 4,8 t 7,8 czas (s) segment 1 segment 4 segment 7 SF 1,1 Op 4 Op 2 Op 3 Op1 Op 8 Op 6 Op 5 Op 7 SF 1,1,3 Op 2 Op 3 SF 1,2 Op1 Op 4Op 5 SF 1,2,3 Op 6 Op 7 DT 1,2,3 Δ T[%] Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 146 Op 8 SF 4,1 Op1 Op 3 Op 4 Op 2 SF 4,2 Op1 Op 2 Op 3 Op 4 Op 5 Op 6 Op 7 Δ T[%] SF 7,1 SF 7,2 Δ T[%] ΔT 1,k = 1 M 1 σ j M 1 ΔT 1,j,k ΔT 4,k = 1 M 4 σ j M 4 ΔT 4,j,k ΔT 7,k = 1 M 7 σ j M 7 ΔT 7,j,k Op 5 Op 6 Op 7 Op 8 Op 8 Op 2 Op1 Op1 Op 2 5 Op 4Op Op 3 Op 3 Op 4 Op 5 Op 6 Op 7 Op 7 Op 6 Op 8 Op 8

147 Podsumowanie diagnostyki zużycia ostrza Układy oparte na pojedynczej mierze sygnału nie mogą zapewnić wymaganej dokładności wskazań Sieci neuronowe nie są najodpowiedniejszym narzędziem do integracji miar sygnałów przy ograniczonej ilości danych uczących Algorytmy hierarchiczne wydają się obecnie najskuteczniejszą metodą integracji miar Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 147

148 10 Diagnostyka stanu narzędzia i procesu skrawania Wprowadzenie do DNiPS Wielkości fizyczne wykorzystywane w DNiPS Czujniki stosowane w DNiPS czujniki sił i wielkości pochodnych czujniki emisji akustycznej i drgań Przetwarzanie sygnałów w DNiPS wstępna obróbka sygnałów wyznaczanie miar sygnałów w dziedzinie czasu miary sygnałów w dziedzinie częstotliwości i czasu-częstotliwości selekcja miar sygnałów Integracja miar, podejmowanie decyzji diagnostyka naturalnego zużycia ostrza diagnostyka zużycia ostrza w oparciu o jedną miarę sygnału diagnostyka zużycia ostrza w oparciu o integrację miar sygnałów Wykrywanie katastroficznego stępienia ostrza Wykrywanie katastroficznego stępienia ostrza Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 148

149 Zużycie ostrza katastroficzne stępienie ostrza Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 149

150 Wpływ KSO na przebieg siły skrawania przy toczeniu wykruszenie ostrza Jemielniak K., Przebieg sił skrawania w czasie tępienia się ostrza przy toczeniu, Mechanik, nr 5-6, 1991, Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 150

151 Wpływ KSO na przebieg siły skrawania przy toczeniu wyłamanie ostrza Jemielniak K., Przebieg sił skrawania w czasie tępienia się ostrza przy toczeniu, Mechanik, nr 5-6, 1991, Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 151

152 Wykrywanie KSO oparte na wartości granicznej Założenie podstawowe: po KSO siła znacznie wzrasta Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 152

153 STRATEGIE KSO stała górna granica Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 153

154 Wykrywanie KSO oparte na przedziałach Możliwe wersje, przykłady działania Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 154

155 Wykrywanie KSO oparte na nauczonym przebiegu Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 155

156 Wykrywanie KSO oparte na granicach dynamicznych i szybkim czujniku Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 156

157 Wykrywanie KSO oparte na granicach dynamicznych i szybkim czujniku Zalety znikome koszty obsługi ponad 95% wykrywanych KSO przy obróbce odlewów i odkuwek bardzo szybki czas reakcji 5 ms posuw zatrzymywany w czasie pierwszego obrotu po KSO! bardzo mało fałszywych alarmów (ok. 1 na zmianę na tydzień) narzędzie jest chronione pozytywne oceny klientów Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 157

158 Wykrywanie KSO oparte na granicach dynamicznych i szybkim czujniku Wady konieczność zastosowania czujnika o krótkim czasie reakcji, ( szybkiego ), blisko strefy skrawania, a więc drogiego. granice muszą być szerokie ze względu na naturalne krótkotrwałe zakłócenia sił skrawania mniejsze wykruszenia ostrza mogą być niewykryte Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 158

159 Strategia wykrywania KSO przy toczeniu opracowana w ZAiOS Monitorowany jest sygnał F s filtrowany dolnoprzepustowo Granice L + i L - są otrzymane przez kolejne silne filtrowanie sygnału i pomnożenie go przez współczynnik >1 i <1 W celu uniknięcia fałszywych alarmów zakłada się, że KSO jest rozpoznawane gdy F s >L + lub F s <L - dłużej niż del Gdy sygnał F s jest poza granicami, wyznaczany jest znacznie łagodniejszym filtrem pomocniczym, by ułatwić powrót między granice. Granice nie są w tym czasie aktualizowane Gdy sygnał F s jest poza granicami dłużej niż del, system generuje alarm KSO do chwili powrotu sygnału między granice, które są aktualizowane od początku alarmu Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 159

160 Działanie detektora KSO ZAiOS przykład 1 ostrze SNUN S30S materiał obrabiany: stal 45 parametry skrawania: v c =180 m/min, f=0.33 mm/obr, a p =2.5 mm Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 160

161 Działanie detektora KSO ZAiOS przykład 2 ZL25M, SPUN H10S ostrze SPUN H10S materiał obrabiany: ZL25M parametry skrawania: v c =160 m/min, f=0.33 mm/obr, Siła skrawania i reakcje detektora KSO na skokową zmianę głębokości skrawania i wykruszenie krawędzi skrawającej Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 161

162 Wpływ KSO na przebieg i widmo siły skrawania przy frezowaniu Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 162

163 Wykrywanie KSO - frezowanie sygnał siły [V] sygnał siły [V] alarm wykruszenia alarm wyłamania Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 163

164 Wykrywanie KSO przy frezowaniu przebieg siły prostopadłej do osi freza mat. obrabiany: Inconel 718, średnica freza, D = 38 mm, typ płytek: okrągłe, z ceramiki zbrojonej, liczba płytek: 2, n = 500 obr/min, f = mm/ząb, a p = 2.5 mm, a e = 19 mm. błędy przewidywania siły przy pomocy modelu AR(1) wraz z granicami Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 164

165 Zastosowanie DWT do diagnostyki frezu Przebieg siły skrawania w czasie jednego obrotu frezu dwuostrzowego: oba ostrza w dobrym stanie jedno ostrze wykruszone, jedno w dobrym stanie detal, 1szy poziom DWT detal, 2gi poziom DWT detal, 3ci poziom DWT detal, 4ty poziom DWT detal, 5ty poziom DWT Rene de Jesus R.-T., et al., Mechatronics 14 (2004) Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 165

166 Zastosowanie DWT do diagnostyki frezu Asymetria różnica między pojedynczymi wartościami siły dla kolejnych ostrzy w czasie pełnego obrotu frezu wyznaczona z detalu 5 poziomu DWT: Rene de Jesus R.-T., et al., Mechatronics 14 (2004) Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 166

167 Jakieś pytania? Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 167

Pokazać jeszcze