WIELOCZUJNIKOWE NADZOROWANIE STANU NARZĘDZI

Transkrypt

1 Posiedzenie Sekcji Podstaw Technologii Komitetu Budowy Maszyn Polskiej Akademii Nauk 20 kwietnia 2004 WIELOCZUJNIKOWE NADZOROWANIE STANU NARZĘDZI prof. dr hab. inż. Krzysztof Jemieniak Plan prezentacji Struktura układu nadzoru stanu narzędzia, wskaźniki zużycia w układach komercyjnych Strategie diagnostyki zużycia w w układach komercyjnych Ocena wykorzystanej część okresu trwałości ostrza Diagnostyka zużycia ostrza na podstawie nietypowych sygnałów Integracja wielu miar przy pomocy algorytmów hierarchicznych

2 Struktura układu nadzoru narzędzia i PS strefa skrawania NADZÓR AKCJA! wielkości fizyczne czujniki sygnały DIAGNOSTYKA obróbka sygnałów filtry, statystyka, FFT, RMS,... miary sygnałów diagnoza, rozkaz STRATEGIA MONITOROWANIE model procesu, wiedza Wskaźniki zużycia ostrza wykorzystywane w DNiPS Wskaźniki bezpośrednie: (geometryczne miary zużycia) sposoby pomiaru Metody optyczne Metody dotykowe Metody indukcyjne Metody elektrooporowe Wskaźniki pośrednie: (zmiany wielkości fizycznych spowodowane zużyciem) Siły skrawania i wielkości pochodne (moment, moc) Emisja akustyczna Drgania i hałas

3 Budowa układu DNiPS Nordman

4 Brankamp 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! T = = ,33

5 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 Ocena wykorzystanej części okresu trwałości ostrza na podstawie początkowej, aktualnej i dopuszczalnej wartości wybranej miary T= _ t = M - M 0 M 0 M M T M T -M 0 T dt (%) T(t) dt(t) T(VB dt(vbc) C ) T(F dt(ff)lin f ) lin cycle

6 Badania doświadczalne CBKO,VENUS 450 Wyniki badania sił i AE w funkcji zużycia ostrza w warunkach przemysłowych F f Sygnały: nieliniowe niemonotoniczne (nieodwracalne) ujemne nr operacji

7 Ogólne zasady uczenia układu i diagnostyki zużycia ostrza Pierwszy okres trwałości ostrza Mk Kolejny okres trwałości ostrza Mi n Mi n Mk Mk Mk Mk Mk Mk Mk... 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: Mk[NrOp] po zakończeniu trwałości ostrza przeliczenie tablicy Mk[NrOp] na Mk[ T] na podstawie NrOp T= LiczOp po każdej op. zapamiętanie miary: Mk[NrOp] oraz ocena T na podstawie Mk[ T] po zakończeniu trwałości ostrza przeliczenie tablicy Mk[NrOp] na Mk[ T], douczenie układu Mk Ocena wykorzystanej części T Mk[ T] Wyszukiwanie w tablicy Mk[ T] wartości najbliższej uzyskanej w operacji Mk NrOp NrOp T Mk[ T] T Wyszukiwanie rozpoczyna się od poprzedniego wskazania: w przypadku wartości niższej niż poprzednia, wskazanie T bez zmian Mk Mk[ T] 30% Przeszukiwanie tylko 6 elementów tablicy (0.3 T) ogranicza wpływ przypadkowo wysokich wartości NrOp T Mk NrOp Mk[ T] Wskazanie nie może być niższe niż 0.7 T wynikającego z poprzednich doświadczeń T=70*NrOp/LOp

8 Ocena wykorzystanej części okresu trwałości ostrza na podstawie tablicy Mk[ T] dt (%) dt(t) T(t) dt(vbc) T(VB C ) dt(ff)lin T(F f ) dt(ff)1 T(F f ) 1 dt(ff) T(F f ) cycle Układy ADONiS 4-5 ADONiS 4 Układ wirtualny możliwością pracy na plikach i karcie DAQ ADONiS 4 1N Układ jednonarzędziowy ADONiS 4 RT Układ zrealizowany na karcie RT ADONiS 5 Układ sprzętowy

9 ADONiS 4-5 wyniki diagnostyki zużycia ostrza F f T oszacowane nr operacji T Miary sygnałów 2s Wartość średnia Wartość maksymalna Wariancja Mediana Wartość średnia 2s Inne

10 Ocena T selekcja miar Wybór miar powiązanych ze zużyciem ostrza Aproksymacja zależności M( T) wielomianem drugiego stopnia Obliczenie błędu aproksymacji RMSE Odrzucenie miar o błędzie większym od 0,05 F fmed2s F fmed2s 0, F c,max F c,max 0, Miara FfVar FfStDev FfMom4 FfMom3 AEMed AEmin2s FfMed2s FfRMS2s Ffsred2s FfMed Ffmaxpocz-sred Ffsred Ffmin Ffmax2s FfMod2s AEMed2s FfRMS AEVar2s FcVar Ocena T selekcja miar Sposób wyznaczenia RMSE aproksymacji Wariancja (Ff(j)) 0, Odchylenie Standardowe(Ff(j)) 0, Moment 4 Stopnia(Ff(j)) 0, Moment3Stopnia(Ff(j)) 0, Mediana(AE(j)) 0, Min(AE(l)) 0, Mediana(Ff(l)) 0, RMS(Ff(l)) 0, Suma(Ff(l))/1000 0, Mediana(Ff(j)) 0, Max(Ff(k))-Suma(Ff(l))/1000 0, Suma(Ff(j))/1000 0, Min(Ff(j)) 0, Max(Ff(l)) 0, Moda(Ff(l)) 0, RMSE>0,05 Mediana(AE(l)) 0, RMS(Ff(j)) 0, Wariancja(AE(l)) 0, Wariancja(Fc (j)) 0,082725

11 Ocena T selekcja miar Odrzucenie miar powiązanych pomiędzy sobą Wyznaczenie RMSE pomiędzy najlepszą a innymi miarami F fmed2s F frms 0, Odrzucenie tych dla których RMSE jest mniejsze od 0,1 F fsred2s 0, F fmed 0, F fmed2s Ocena T selekcja miar Wybrane miary? AE Med F fvar AE Min2s Sieć neuronowa

12 Ocena T integracja miar przy pomocy sieci neuronowej Najefektywniejsza sieć według doniesień literaturowych - Perceptron trójwarstwowy z propagacją wsteczną błędu (FFBP) Najefektywniejsza sieć według badań własnych- FFBP Parametry sieci zastosowanej do integracji - 10 neuronów w warstwie ukrytej (testowano od 4 do 20 neuronów co 2 neurony) -Współczynnik uczenia 0,14 (testowano od 0,02 do 0,3 z krokiem 0,02) - Współczynnik momentu 0,65 (testowano od 0,05 do 0,9 z krokiem 0,05) Ocena T integracja miar przy pomocy sieci neuronowej wyniki F fmed2s F fvar Brak odporności na silnie nietypowy przebieg miary

13 Ocena T integracja miar przy pomocy sieci neuronowej przyczyny porażki Układ powinien być gotowy do pracy po jednym okresie trwałości Dysponujemy ograniczoną, niską liczbą próbek uczących Uczenie sieci neuronowej wymaga zastosowania odpowiedniej liczby próbek uczących w stosunku do liczby wejść Ograniczenie liczby wykorzystywanych miar Ocena T integracja miar przy pomocy algorytmów hierarchicznych 1. Oszacowanie T dla każdej miary oddzielnie Mk NrOp 2. Integracja Mk[ T] T 30% a. Sieć neuronowa b. Wyznaczenie średniej Mk[ T] tworzona dla każdej miary z dokładnością do 1% a. Wielomian b. Sieć neuronowa

14 Ocena T integracja miar Zastosowanie algorytmów hierarchicznych wyniki dla poszczególnych miar F fvar AE Min2s F fmed2s AE Med Wyniki nadzoru Sieć Średnia

15 Podsumowanie 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 Podsumowanie, ADONiS 6 AE Med F fmed2s AE Min2s miary czterech sygnałów (F f, F p, F c, AE rms ) wybrane automatycznie z ponad stu F fvar