Krzysztof JEMIELNIAK 1 AUTOMATYCZNA DIAGNOSTYKA OSTRZY NARZĘDZI SKRAWAJĄCYCH 1. WPROWADZENIE

Transkrypt

1 InŜynera Maszyn, R. 17, z. 1, 01 automatyczna dagnostyka narzędze skrawające, ostrze Krzysztof JEMIELNIAK 1 AUTOMATYCZNA DIAGNOSTYKA OSTRZY NARZĘDZI SKRAWAJĄCYCH W artykule przedstawono zasady budowy układów dagnostyk stanu narzędza procesu skrawana począwszy od ch struktury logcznej przez omówene wykorzystywanych welkośc fzycznych czujnków, obróbk sygnałów, do sposobów ch ntegracj w ostateczną dagnozę. PosłuŜono sę przy tym przykładam zaczerpnętym z budowanych w Zakładze Automatyzacj Obróbk skrawanem układów Automatycznej Dagnostyk Ostrzy Narzędz Skrawających (ADONS). W ten sposób przedstawono główne elementy dorobku naukowego Zakładu w zakrese dagnostyk stanu narzędza procesu (DNPS). 1. WPROWADZENIE Automatyczna dagnostyka stanu narzędza procesu skrawana (DNPS) stanow jeden z neodzownych warunków automatyzacj procesów obróbk, zmnejszena nadzoru człoweka nad procesem, uzyskwana lepszej jakośc wyrobów produktywnośc. Od lat stanow ona przedmot zanteresowana czołowych ośrodków naukowych na śwece [1],[], a takŝe zespołu (obecne) Zakładu Automatyzacj, Obrabarek Obróbk Skrawanem [3]. Ops aktualnego stanu wedzy w tym zakrese znaleźć moŝna w [4]. Tu przedstawone zostane wykorzystane tej wedzy w układach Automatycznej Dagnostyk Ostrzy Narzędz Skrawających (ADONS) budowanych w ZAOOS. Ogólną strukturę układu dagnostyk stanu narzędza procesu skrawana przedstawono na rys. 1. W strefe skrawana występuje szereg welkośc fzycznych, z których nektóre są skorelowane ze stanem narzędza. Odpowedne czujnk przekształcają te welkośc na sygnały elektryczne, które są poddawane bardzej lub mnej złoŝonemu przetwarzanu, począwszy od fltracj, przez konwersję na postać cyfrową, po wyznaczane mar sygnałów przydatnych do dagnostyk. W oparcu o wybrane mary wypracowywana jest dagnoza stanu narzędza, która moŝe być przekazana do układu sterowana obrabark, podejmującego odpowedne dzałane. Montorowanem moŝna nazwać część opsanej struktury od pomaru welkośc fzycznych do wyznaczana mar sygnałów, które mogą być np. wyśwetlane jako nformacja dla operatora. Jeśl na postawe merzonych mar określany jest stan narzędza, montorowane zamena sę w dagnostykę. 1 Kerownk Zakładu Automatyzacj, Obrabarek Obróbk Skrawanem, Wydzał InŜyner Produkcj Poltechnk Warszawskej

2 18 Krzysztof JEMIELNIAK Na postawe tego stanu narzędza moŝe być wypracowany rozkaz, przekazywany automatyczne do układu sterowana obrabark. Wtedy mamy do czynena z nadzorowanem. Rys. 1. Struktura logczna układu nadzoru stanu narzędza Fg. 1. Logcal scheme of tool condton montorng system. WIELKOŚCI FIZYCZNE I CZUJNIKI WYKORZYSTYWANE W DNIPS W dagnostyce stanu narzędza procesu skrawana domnują pomary sł skrawana welkośc pochodnych (moment, moc slnka), emsj akustycznej oraz drgań. Czujnk stosowane w takch układach są z reguły specjalne do nch dedykowane, przystosowane do trudnych warunków panujących w strefe skrawana [4],[5]. Dotyczy to zarówno układów laboratoryjnych jak teŝ dostępnych handlowo [6]. Take teŝ czujnk zastosowano w badanach [7], które zostaną tu wykorzystane do zlustrowana omawanych zagadneń. Przeprowadzono je na centrum tokarskm TKX 50N wyposaŝonym w przemysłowe czujnk emsj akustycznej (Kstler 815B11) drgań (PCB PIEZOTRONICS 356A16), zanstalowane na głowcy rewolwerowej oraz czujnk sł skrawana (Kstler 9017B) umejscowony pod ną. Wykorzystano narzędze CRSNL 35P1 MN7 z ceramcznym płytkam typu whskers, RNGN 10700T0100 CC670. Kolejnym przejścam prostopadłym do os obrotu obrabano obudowy wrnka slnka lotnczego z Inconelu 65, od średncy 406 do 68mm (rys. ). Głębokość skrawana wynosła.5mm, posuw 0.mm/obr, a prędkość skrawana 0m/mn. DuŜa lość trudnoobrabalnego materału obrabanego w kaŝdej operacj sprawała, Ŝe do wykonana jednej z nch (obróbk jednego przedmotu) nezbędne było wykorzystane klku okresów trwałośc ostrza, co ne jest rzadkoścą w przemyśle lotnczym. Ocenę stanu narzędza prowadz sę w takm przypadku co przejśce, a ne co operację (przedmot obrabany). Obrobono trzy take częśc, wykorzystując w pełn sedem ostrzy skrawających. Wszystke próby prowadzono do czasu drastycznego spadku jakośc powerzchn obrobonej lub powstawana zadzorów. Merzono równeŝ zuŝyce wrębowe. Wszystke te trzy zjawska występowały nezaleŝne, przez co

3 Automatyczna dagnostyka ostrzy narzędz skrawających 19 określane końca trwałośc ostrza było zadanem trudnym, subektywnym zaleŝnym od dośwadczena operatora obrabark. Komercyjne układy do dagnostyk stanu narzędza oparte są na załoŝenu o wzrośce mar sygnałów dagnostycznych. Operator dostaje nformacje o ch początkowych wartoścach (SF 0 ), wartośc aktualnej (SF ) oraz wartośc progowej (SF k ), oznaczającej stępene ostrza [5], [6]. MoŜe na ch podstawe oszacować wykorzystaną część okresu trwałośc ostrza: t T SF SF SF SF 0 T = = (1) k gdze: T wykorzystana część okresu trwałośc ostrza, czyl stosunek dotychczasowego czasu skrawana (t) do pełnego okresu trwałośc ostrza (T). Taka nformacja a ne wartośc mar, jest operatorow potrzebna taką postanowono określać w układach ADONS juŝ od perwszej wersj [5]. W tejŝe wersj wykorzystywano bezpośredno zaleŝność (1), co oznaczało załoŝene o lnowym przebegu mary w funkcj postępującego zuŝyca ostrza było oczywśce uproszczenem. 0 Rys.. Przedmot obrabany narzędze (a), wskaźnk stępena: zadzory na powerzchn przejścowej (b), zuŝyce wrębowe (c), chropowatość powerzchn obrobonej (d) [7] Fg.. Workpece and tool (a), tool lfe crtera burrs (b), tool wear (c), surface roughness (d) [7] 3. PRZETWARZANIE SYGNAŁÓW W DNIPS Powszechne uznaje sę, Ŝ w ogólnym przypadku ne jest moŝlwe warygodne montorowane stanu narzędza procesu skrawana w oparcu o pojedynczą marę sygnału. Stąd wyznaczane odpowedno duŝej lczby mar jest kluczowym zagadnenem w kaŝdym układze DNPS. Przetwarzane sygnałów odbywa sę w klku etapach: obróbka wstępna, wyznaczane mar, wreszce selekcja mar przydatnych do dagnozowanego procesu. Wyznaczone wyselekcjonowane w ten sposób mary sygnałów stanową podstawę do oceny stanu narzędza procesu skrawana. Schemat logczny tego przetwarzana przedstawono na rys. 3.

4 0 Krzysztof JEMIELNIAK Rys. 3. Schemat logczny przetwarzana sygnałów w układach DNPS Fg. 3. Sgnal processng logcal scheme n TCM systems We wspomnanych wyŝej badanach [7] surowy sygnał emsj akustycznej AE raw był rejestrowany z szybkoścą próbkowana Ms/s przy pomocy karty DAQ, NI PCI Przy tej szybkośc próbkowana lość danych jest ogromna, trudna do beŝącej obróbk, stąd rejestrowano jedyne po 0.05 sekundy ( próbek) co 10 sekund obróbk. W tym samym czase rozpoczynano rejestrację dwóch sygnałów sł skrawana (F x F z ), dwóch sygnałów drgań (V y V z ) oraz wartośc skutecznej emsj akustycznej (AE RMS ), z szybkoścą próbkowana 30 ks/s przy uŝycu karty DAQ, NI-PCI 61. Te próbkowana trwały po 1.66 sekundy ( próbek). KaŜde przejśce obróbkowe trwało 96 sekund było tu (z punktu wdzena dagnostyk stanu narzędza) traktowane jak obróbka kolejnego przedmotu (kolejna operacja). Z kaŝdego przejśca do dalszych analz wzęto osem środkowych zarejestrowanych przebegów sygnałów. Z sygnałów w postac cyfrowej (szeregów czasowych) wyznaczane są mary sygnałów, które opsują jego cechy zwązane z montorowanym zjawskem. Mary te mogą być wyznaczane z sygnałów w dzedzne czasu, z ch transformat w dzedzne częstotlwośc lub czasu częstotlwośc. Węcej szczegółów na temat stosowanych mar moŝna znaleźć w [4],[8-9]. PonewaŜ ne moŝna z góry przewdzeć, jake mary sygnałów (SF) będą przydatne do montorowana stanu narzędza w konkretnym przypadku, dlatego z dostępnych sygnałów naleŝy wyznaczyć wele mar, a następne wybrać powązane ze stanem narzędza. W omawanych badanach [7] z sześcu zarejestrowanych sygnałów wyznaczono pęć mar w dzedzne czasu: wartość skuteczna (np. F x,rms ), odchylene standardowe (np. F x,stdev ), skośność (np. F x,skew ), kurtoza (np. F x,kurt ), współczynnk szczytu (np. F x,crest ). Wykorzystano szybką transformatę Fourer a (FFT) do wyznaczena ośmu mar z dzedzny częstotlwośc: częstotlwość domnująca (np. F x,df ), moc częstotlwośc domnującej (np. F x,pdb ), moc w 6 pasmach (np. F x,p6-15, F x,p ).

5 Automatyczna dagnostyka ostrzy narzędz skrawających 1 W cągu ostatnch ok. 0 lat, transformata falkowa stała sę jednym z nowych szybko rozwjających sę narzędz matematycznych przetwarzana sygnałów. Została ona wykorzystana m. n. do montorowana rodzaju wóra [10]. Ostatno transformata falkowa jest coraz częścej stosowana do montorowana stanu narzędza skrawającego, np. [11]. Pogłęboną analzę przydatnośc róŝnych typów falek przedstawono w [1]. Zastosowana do omawanych badań trójpozomowa Paketowa Transformata Falkowa (WPT) pozwolła uzyskać 14 współczynnków falkowych, a z kaŝdego z nch wyznaczono sześć mar w dzedzne czasowo częstotlwoścowej: energa logarytmczna (np. F x,ada,e ), skośność (np. F x,ada,skew ), kurtoza (np. F x,ada,kurt ), wartość skuteczna (np. F x,ada,rms ), lczba przekroczeń pozomu progu (np. F x,ada,count ), szerokość przekroczeń (np. F x,ada,pulse ), W sume wyznaczono automatyczne 58 mary sygnałów (97 z kaŝdego z sygnałów, 194 z kaŝdego z czujnków). Ich przykłady przedstawono na rysunku 4. Rys. 4. Przykłady mar sygnałów wyznaczonych z dostępnych sygnałów w czase wszystkch sedmu okresów trwałośc ostrza; skośność sygnału AE RMS (a), odchylene standardowe sygnału F x (b) oraz energa współczynnka falkowego ADD sygnału V y (c) Fg. 4. Examples of sgnal features calculated from avalable sgnals durng all 7 tool lves; skew of AE RMS sgnal (a), standard devaton of F x sgnal (b) and energy of WPT coeffcent ADD of V y sgnal (c). Z pośród blsko 600 wyznaczonych mar, tylko nektóre są powązane ze stanem narzędza mogą być wykorzystane do jego montorowana. Ocena przydatnośc mar sygnałów zaleŝy od dalszego ch wykorzystana moŝe być przeprowadzona na wele róŝnych sposobów, patrz np. [13],[14]. Samo montorowane opera sę zawsze na jakmś modelu zaleŝnośc mary od stanu narzędza (rys. 5). Rys. 5. Model zaleŝnośc mary sygnału od stanu narzędza (a), jego wykorzystane w dagnostyce tego stanu (b) Fg. 5. Model of sgnal feature dependence on tool condton (a), ts usage n tool condton montorng (b)

6 Krzysztof JEMIELNIAK Model ten moŝe być róŝny, np. zaleŝność lnowa jak w równanu (1), weloman wyznaczany statystyczne td. Układ dagnostyczny mus wyznaczyć tę zaleŝność (parametry modelu), a następne odwrócć go, by na podstawe wartośc mary sygnału określać stan narzędza (rys. 5b). W pracach ZAOOS stosowano róŝne modele zaleŝnośc SF( T), np. podzał na klasy [13] czy aproksymacja welomanem [14],[15]. UŜyteczność mary do montorowana stanu narzędza skrawającego moŝna określć przy pomocy współczynnka determnacj R s, który jest statystycznym wskaźnkem na le dobrze model odpowada danym dośwadczalnym, lub naczej mówąc, na le model lepej oddaje te dane nŝ średna arytmetyczna. Jego waŝną zaletą jest fakt, Ŝe w przecweństwe np. do współczynnka korelacj Pearsona, ocenającego zaleŝność lnową, moŝe być stosowany nezaleŝne od przyjętego modelu, nawet jeśl ne ma postac funkcyjnej, a jest zapsany w postac tablcy czy klas [13]. Opsany jest on zaleŝnoścą: R s CSK RSK = CSK () gdze CSK = ( y y) całkowta (perwotna) suma kwadratów, RSK = ( y ˆ ) y resztkowa suma kwadratów, ) y, y, y pojedyncza, średna oszacowana na podstawe modelu wartość modelowanej zmennej. W układach ADONS postanowono ne zakładać Ŝadnej postac funkcyjnej, lecz za model rzeczywstej zaleŝnośc mary od stanu narzędza przyjąć jej przebeg fltrowany dolnoprzepustowo. W czase perwszego okresu trwałośc ostrza układ wyznacza wartośc wszystkch moŝlwych mar sygnałów zapamętuje je w funkcj numeru operacj (tu w funkcj numeru przejśca) SF[NrOp]. Obróbka prowadzona jest do chwl, gdy po wykonanu kolejnej operacj (tu kolejnego przejśca) operator uzna narzędze za stępone na podstawe kryterów stosowanych przed zanstalowanem układu dagnostycznego. Ne wprowadza przy tym Ŝadnych wartośc lczbowych. Po zakończenu okresu trwałośc ostrza układ przypsuje numerom wykonanych operacj wykorzystaną część okresu trwałośc ostrza wg prostej zaleŝnośc: NrOp T = (3) LczOp gdze NrOp numer operacj, LczOp lczba operacj wykonanych do stępena ostrza. PonewaŜ wynk fltrowana dolnoprzepustowego zaleŝą od lczby elementów szeregu czasowego składającego sę na przebeg mary sygnału, przebeg te są normalzowane w dzedzne czasu, tj. przekształcane na tablcę 101 elementową (od 0 do 100), czyl tablce SF[ T] są przekształcane w tablce SF T [ T]. Dopero take szereg czasowe są fltrowane dolnoprzepustowo w celu uzyskana tablc SF Tf [ T]. Współczynnk determnacj, wskazujący na le przebeg fltrowany oddaje orygnalny, znormalzowany w czase, opsany jest zaleŝnoścą:

7 Automatyczna dagnostyka ostrzy narzędz skrawających 3 gdze: ( ) SF T SF Tav ( SFT SFTav ) ( SFT SFTf ) Rs = ( SFT SFTav ) całkowta suma kwadratów, ( ) T SF Tf (4) SF resztkowa suma kwadratów, SF T oraz SF Tf to odpowedno pojedyncze wartośc SF T oraz SF Tf (=0..100), SF av jest średną wartoścą SF T. Układ montorujący stan narzędza pownen być gotowy do pracy po zakończenu perwszego okresu trwałośc ostrza, dlatego to oszacowane jest oparte o sygnały zarejestrowane w czase jego trwana. Mary dla których R s >0,4 zostały uznane za wystarczająco powązane ze stanem narzędza (uŝyteczne do montorowana). Przykłady mar zaakceptowanych odrzuconych w ten sposób przedstawono na rysunku 6. Rys. 6. Przykłady mar sygnałów odrzuconych przez kryterum R s >0.4 (a), zaakceptowanych prze ne (b) Fg. 6. Examples of sgnal features rejected by the R s >0.4 crteron (a), those whch met the crteron (b) Wybrane mary ne pownny być zbyt mocno powązane ze sobą, aby ne zwelokrotnać tej samej nformacj. W kolejnym kroku wybrane mary są sortowane malejąco względem wartośc R s, a następne wyberana jest perwsza (najlepsza) wyznaczany jest współczynnk korelacj Pearsona r pomędzy tą marą kaŝdą następną. Mary dla których ten współczynnk jest wyŝszy nŝ 0.8 są odrzucone jako zbyt powązane z najlepszą. Z pozostałych mar ponowne wyberana jest najlepsza odrzucone mary z ną powązane. Procedurę tą system powtarza do momentu, gdy ne pozostane Ŝadna mara spełnająca warunek R s >0.4. W ten sposób, w omawanych badanach, z pośród wszystkch 58 mar sygnałów, 133 zostały automatyczne wyselekcjonowane jako przydatne, lecz po elmnacj mar podobnych pozostało ch jedyne 40. Po zakończenu drugego okresu trwałośc ostrza, selekcja jest powtarzana z wykorzystanem wszystkch zarejestrowanych danych. Współczynnk R s są oblczane dla dwóch okresów uśrednane. MoŜlwe teŝ jest wprowadzene drugego, nawet bardzej stotnego kryterum przydatnośc mar powtarzalnośc. Jest ona określana przy wykorzystanu drugego współczynnka determnacj R r :

8 4 Krzysztof JEMIELNIAK ( SF ) ( ) j Tfj SF Tfav SF j Tfj SFTfav ( SFTfj SF ) Rr = j Tfav gdze SF Tfj wartość SF Tf w -tym punkce (=0..100) j-tym okrese trwałośc (j=1..), 1 SF Tfav = SF Tj średna wartość SF Tf w -tym punkce, j 1 SF Tfav = SF Tj średna wszystkch wartośc SF Tf dla dwóch okresów trwałośc. 0 j Mary, dla których R r >0.6 uznawane są za wystarczająco powtarzalne. Na rysunku 7 przedstawono przykłady mar zaakceptowanych odrzuconych przez to kryterum. Warto zauwaŝyć, Ŝe skośność wartośc skutecznej emsj akustycznej (AE RMS,Skew ), która wg kryterum powązana z T (R s >0.4) wypadła zupełne neźle, okazała sę nepowtarzalna została odrzucona. Wszystke mary spełnające oba krytera są sortowane malejąco względem R r. Elmnacja mar podobnych jest teraz oparta o dwa okresy trwałośc. W omawanych badanach, przydatne powtarzalne okazały sę 108 mary, lecz po elmnacj podobnych pozostało ch 39. (5) Rys. 7. Przykłady mar sygnałów odrzuconych (a), zaakceptowanych przez kryterum powtarzalnośc (b) Fg. 7. Examples of sgnal features rejected by repeatablty crteron (a), those whch met the crteron (b) Po zakończenu trzecego okresu trwałośc ostrza, procedura jest powtarzana z wykorzystanem wszystkch danych. Ostateczne w cytowanych tu badanach 6 mary zostały uznane za przydatne powtarzalne, ale tylko 7 z nch jako nepowązane wzajemne. Szczegółowe wynk selekcj mar zostały przedstawone na rysunku 8. Mary sygnałów wybrane w ten sposób są wykorzystywane do montorowana czwartego kolejnych okresów trwałośc.

9 Automatyczna dagnostyka ostrzy narzędz skrawających 5 Rys. 8. Szczegółowe wynk selekcj mar sygnałów Fg. 8. Detaled results of sgnal feature selecton 4. INTEGRACJA MIAR, DIAGNOZA STANU NARZĘDZIA Mary sygnałów przydatne do dagnostyk stanu narzędza, wyznaczone automatyczne, wg algorytmów opsanych wyŝej, muszą zostać zntegrowane, to znaczy naleŝy na ch podstawe określć stan narzędza wykorzystaną część okresu trwałośc ostrza. Istneje wele metod takej ntegracj, a szczególne chętne stosowane są metody sztucznej ntelgencj jak sec neuronowe czy logka rozmyta [13],[16-17]. W pracy [18] wykazano, Ŝe lczba danych uczących uzyskwana w czase jednego okresu trwałośc ostrza jest zbyt mała w stosunku do wymaganej welkośc sec konecznej do odwzorowana złoŝonych zaleŝnośc lcznych mar od stanu narzędza. Jeśl układ dagnostyczny ma wsperać operatora juŝ po stępenu perwszego ostrza, naleŝy znaleźć nny sposób ntegracj mar. W budowanych obecne w ZAOOS układach ANONS postanowono zastosować algorytm herarchczny [18]. Składa sę on z dwóch kroków. W perwszym kroku układ ocena stan narzędza na postawe pojedynczych mar [19]. W czase perwszego okresu trwałośc ostrza powstają tablce zaleŝnośc SF Tf [ T], będące modelam zaleŝnośc mar od wykorzystanej częśc okresu trwałośc ostrza (patrz wyŝej). W trakce obróbk następnym narzędzam, układ podobne jak w czase uczena, wyznacza wartośc mar sygnałów w kolejnych operacjach. Tym razem jednak wyznacza takŝe wykorzystaną część okresu trwałośc ostrza przez wyszukane w tablcy SF Tf [ T], wartośc mary najblŝszej do uzyskanej w ostatnej operacj (rys. 9a). MoŜe sę zdarzyć, Ŝe wartość mary odpowada nŝszej wartośc wykorzystanej częśc okresu trwałośc ostrza nŝ uzyskana w poprzednej operacj. Take wskazane byłoby dezorentujące dla operatora. Stąd przyjęto, Ŝ przeszukwane rozpoczyna sę od ostatno uzyskanej wartośc, czyl wykorzystana część okresu trwałośc pokazywana operatorow ne moŝe maleć (rys. 9b). Nekedy zdarza sę, Ŝ wartość mary sygnału, w wynku jakegoś zakłócena, odpowada bardzo znacznemu przyrostow zuŝyca ostrza. Aby ogranczyć skutk takch błędów, przeszukwane ogranczone jest do trzydzestu elementów tablcy SF Tf [ T], czyl do 30% trwałośc ostrza (rys. 9c). Oznacza to, Ŝ w raze przyspeszonego zuŝywana sę ostrza, układ pozwol na wykonane trzech operacj przed zasygnalzowanem stępena ostrza. Procedura ta ma jeszcze jeden cel umoŝlwa, do pewnego stopna przynajmnej, wykorzystane mar sygnału nemonotoncznych w funkcj wykorzystanej częśc okresu trwałośc ostrza, jak to pokazano na rys. 9d.

10 6 Krzysztof JEMIELNIAK W drugm kroku algorytmu herarchcznego wszystke wartośc T wyznaczone z pojedynczych mar są uśrednane, a wynk jest przyjmowany za aktualny stan narzędza. Istotną zaletą algorytmu herarchcznego jest moŝlwość zastosowana dowolnej lczby mar sygnałów, które zostały ocenone jako przydatne do dagnostyk. Ponadto w trakce uśrednana moŝlwe jest odrzucane wartośc skrajnych, traktowanych jako przypadkowe zakłócena. Dokładność oszacowana stanu narzędza przez układ moŝe być ocenona z wykorzystanem perwastka błędu średnokwadratowego (RMSE): RMSE = 1 n ( T ) ev T (6) Rys. 9. Ocena stanu narzędza na podstawe pojedynczej mary sygnału Fg. 9. Tool condton evaluaton based on sngular sgnal feature Wartośc T są wyraŝone w procentach, dlatego RMSE moŝna traktować jako średn błąd procentowy. Wynk uzyskane w omawanych badanach dla ostrzy 4-7 (w czase perwszych trzech okresów trwałośc układ był trenowany) przedstawono na rys. 10. Jak wdać błąd jest rzędu 10%. Ne jest to zły wynk, zwaŝywszy bardzo nekorzystne warunk,

11 Automatyczna dagnostyka ostrzy narzędz skrawających 7 w jakch przyszło układow dagnostycznemu dzałać, co objawa sę bardzo trudnym do wykorzystana maram sygnałów (rys. 4). Rys. 10. Wykorzystana część okresu trwałośc ostrza oszacowana przez układ ( T ev ) w funkcj rzeczywstej ( T) Fg. 10. Used-up porton of the tool lve evaluated by TCM system ( T ev ) vs. actual one ( T) 5. PODSUMOWANIE Automatyczna dagnostyka ostrzy narzędz skrawających oparta jest na wykorzystanu mar welkośc fzycznych powązanych z ch stanem sł skrawana, drgań emsj akustycznej. Zaawansowane metody przetwarzana sygnałów pozwalają na wyznaczene ogromnej lczby mar sygnałów. Ne da sę przewdzeć, które mary będą przydatne w konkretnym przypadku obróbkowym, dlatego z jednej strony zalecane jest wykorzystane moŝlwe welu mar pochodzących z moŝlwe welu czujnków, z drugej zaś koneczna jest automatyczna selekcja mar przydatnych do dagnostyk. Przedstawona, w pełn automatyczna, orygnalna metodyka selekcj mar jest oparta na: modelowanu zaleŝnośc mary sygnału od wykorzystanej częśc okresu trwałośc ostrza poprzez fltrowane dolnoprzepustowe przebegu mary, które mogą być rosnące lub malejące, dodatne lub ujemne, jak równeŝ w pewnym zakrese nemonotonczne, klasyfkowanu uŝytecznośc mar przez współczynnk determnacj, oblczony pomędzy marą a modelem jej zaleŝnośc od wykorzystanej częśc okresu trwałośc ostrza oraz w oparcu o powtarzalność mar, elmnowanu mar podobnych (powązanych ze sobą). Integrację dowolnej lczby mar sygnałów uznanych za przydatne moŝna skuteczne przeprowadzć przy pomocy algorytmu herarchcznego, w którym najperw prowadz sę ocenę stanu narzędza na podstawe kaŝdej z mar oddzelne, a następne uzyskwane wynk uśredna. Przedstawone tu algorytmy zostały zamplementowane w programach napsanych w środowsku LabVIEW umoŝlwają w pełn automatyczną dagnostykę stanu narzędza. Zostały one przetestowane w omówonych tu trudnych warunkach obróbk stopów lotnczych, gdy lczba wykorzystanych okresów trwałośc jest wększa nŝ lczba wyprodukowanych przedmotów. Testowano je takŝe przy mkro frezowanu materału

12 8 Krzysztof JEMIELNIAK narzędzowego [15] oraz przy toczenu złoŝonych przedmotów, gdy operacja składała sę z welu krótkch zabegów [18]. W tym artykule przedstawono główne osągnęca zespołu Zakładu Automatyzacj Obrabarek Obróbk Skrawanem, na Wydzale InŜyner Produkcj Poltechnk Warszawskej w zakrese dagnostyk stanu narzędza. Pomnęto jednakŝe zupełne zagadnena pomocncze jak wykrywane skrawana, segmentację sygnałów czy mające fundamentalne znaczne wykrywane katastrofcznego stępena ostrza, będące przedmotem badań ZAOOS od welu lat [0],[1], a nowe rozwązana wkrótce będą przedmotem kolejnych publkacj. Badana realzowane w ramach Projektu "Nowoczesne technologe materałowe stosowane w przemyśle lotnczym", Nr POIG /08-00 w Programe Operacyjnym Innowacyjna Gospodarka (PO IG). Projekt współfnansowany przez Unę Europejską ze środków Europejskego Funduszu Rozwoju Regonalnego. LITERATURA [1] TLUSTY J., ANDREWS G.C., 1983, A crtcal revew of sensors for unmanned machnng, CIRP Annals - Manufacturng Technology, 3/, [] TÖNSHOFF H. K., WULFSBERG J. P., KALS H. J. J., KÖNIG W., VAN LUTTENVELT C. A., 1988, Developments and Trends n Montorng and Control of Machnng Processes, CIRP Annals - Manufacturng Technology, 37/, [3] JEMIELNIAK K., KWIATKOWSKI L., 1987, Emsja akustyczna w dagnostyce stanu narzędza skrawającego, Mechank, 1, [4] TETI R., JEMIELNIAK K., O DONNELL G., DORNFELD D., 010, Advanced montorng of machnng operatons, CIRP Annals - Manufacturng Technology, 59/, [5] JEMIELNIAK K., 00, Automatyczna dagnostyka stanu narzędza procesu skrawana, Ofcyna Wydawncza Poltechnk Warszawskej, Warszawa. [6] JEMIELNIAK K., 1999, Commercal tool condton montorng systems, Int J Adv Manuf Technol, 15, [7] JEMIELNIAK K., KOSSAKOWSKA J., URBAŃSKI T., BOMBIŃSKI S., 01, Tool condton montorng based on numerous sgnal features, Int J Adv Manuf Technol, 59, [8] JEMIELNIAK K., 001, Some Aspects of Acoustc Emsson Sgnal Pre-processng, J Mat Proc Technol., 109/3, [9] JEMIELNIAK K., 011, Przetwarzane sygnałów w dagnostyce stanu narzędza procesu skrawana, Archwum Technolog Maszyn Automatyzacj, 31/, [10] TETI R., JAWAHIR I. S., JEMIELNIAK K., SEGRETO T., CHEN S., KOSSAKOWSKA J., 006, Chp form montorng through advanced processng of cuttng force sensor sgnals, CIRP Annals - Manufacturng Technology, 55/1, [11] JEMIELNIAK K., KOSSAKOWSKA J., URBAŃSKI T., 011, Applcaton of wavelet transform of acoustc emsson and cuttng force sgnals for tool condton, montorng n rough turnng of Inconel 65, Proc. IMechE J Eng Manuf, 5B/1, [1] JEMIELNIAK K., KOSSAKOWSKA J., 010, Tool wear montorng based on wavelet transform of raw acoustc emsson sgnal, Advances n Manufacturng Scence and Technology, 34/3, [13] JEMIELNIAK K., KWIATKOWSKI L., WRZOSEK P., 1998, Dagnoss of tool wear based on cuttng forces and acoustc emsson measurements as nputs to a neural network, J Intellgent Manufacturng, 9, [14] BOMBIŃSKI S., JEMIELNIAK K., 005, Ocena przydatnośc mar sygnałów w dagnostyce stanu narzędza, Archwum Technolog Maszyn Automatyzacj, 5/, [15] JEMIELNIAK K., BOMBIŃSKI S., ARISTIMUNO P. X., 008, Tool Condton Montorng n Mcromllng Based on Herarchcal Integraton of Sgnal Measures, CIRP Annals - Manufacturng Technology, 57/1, [16] JEMIELNIAK K., 003, Tool Wear Montorng by Means of Artfcal Neural Networks, Int J Manufacturng Scence and Technology, 4/ 1, 8-43.

13 Automatyczna dagnostyka ostrzy narzędz skrawających 9 [17] BALAZINSKI M., CZOGALA E., JEMIELNIAK K., LESKI J., 00, Tool condton montorng usng artfcal ntellgence methods, Engneerng Applcatons of Artfcal Intellgence, 15, [18] JEMIELNIAK K., BOMBIŃSKI S., 006, Herarchcal strateges n tool wear montorng, Proc. IMechE J Eng Manuf, 0B, [19] JEMIELNIAK K., Tool wear montorng based on a non-monotonc sgnal feature, Proc. IMechE J of Eng Manuf, 0/B, [0] JEMIELNIAK K., 199, Detecton of cuttng edge breakage n turnng, CIRP Annals - Manufacturng Technology, 41/1, [1] JEMIELNIAK K., OTMAN O., 1998, Catastrophc tool falure detecton based on acoustc emsson sgnal analyss, CIRP Annals - Manufacturng Technology, 47/1, AUTOMATIC TOOL CONDITION MONITORING Ths paper presents prncples of tool condton montorng systems development, begnnng from ther logcal scheme, through employng physcal phenomena and sensors, sgnal processng up to sgnal feature ntegraton nto the fnal tool condton estmaton. Tool condton montorng systems ADONS bult n the Char of Automaton, Machne Tool and Metal Cuttng were taken as an example. Thus man achevements of the Char n TCM were presented.