Obróbka Skrawaniem 10 Diagnostyka stanu narzędzia i procesu skrawania

Ilustracje do wykładu z obróbki skrawaniem opartego na książce:
Krzysztof Jemielniak, Obróbka Skrawaniem – podstawy, dynamika, diagnostyka, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2018, ISBN 978-83-7814-5
ebook dostępny na:
https://www.ibuk.pl/fiszka/201223/obrobka-skrawaniem-podstawy-dynamika-diagnostyka.html

Transcript

1. Prof. Krzysztof Jemielniak krzysztof.jemielniak@pw.edu.pl http://www.zaoios.pw.edu.pl/kjemiel Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania Zakład Automatyzacji i Obróbki Skrawaniem Obróbka Skrawaniem - podstawy, dynamika, diagnostyka 10. Diagnostyka stanu narzędzia i procesu skrawania
2. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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 11. Skrawalność 12. Obróbka materiałów stosowanych w przemyśle lotniczym Diagnostyka stanu narzędzia i procesu skrawania strony 276-335
3. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 3 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 Wprowadzenie do DNiPS
4. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 4 Potrzeba automatycznej diagnostyki 100% Teoretyczny czas pracy soboty, niedziele, święta 34% 5.3% ustawienia i obsługa przestoje z przyczyn ludzkich i technicznych 6.7 druga zmiana 22% trzecia zmiana 22% 10% Rzeczywisty czas pracy 75% odzyskane dzięki diagnostyce automatyczna obróbka w soboty, niedziele i święta 65% Rzeczywisty czas pracy z automatyczną diagnostyką 20% druga zmiana 15% trzecia zmiana 15%
5. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 5 Zadnia układów DNiPS ➢ Diagnostyka procesu obróbki o diagnozowanie stanu narzędzi skrawających: • wykrywanie katastroficznego stępienia ostrza (KSO) – wykruszenia, wyłamania • diagnostyka zużycia ostrza (wykrywanie końca okresu trwałości), • wykrywanie brakującego narzędzia o diagnostyka postaci wióra, i jego usuwania o diagnostyka przedmiotu • dokładność wymiarowo-kształtowa, • stan warstwy wierzchniej, uszkodzenia termiczne • powstawania zadziorów, • wykrywanie śladów drgań samowzbudnych o wykrywanie drgań samowzbudnych ➢ Diagnostyka stanu obrabiarki o wykrywanie kolizji i przeciążeń o wykrywanie zużycia, awarii o …
6. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 6 Kolizja Kolizja to niepożądane zderzenie zespołów obrabiarki, narzędzia lub przedmiotu spowodowanych ich wzajemnymi przemieszczeniami 72% zawinione przez człowieka!
7. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 7 Kolizja H. Cao et al. Int.J. of Machi.Tools&Manuf. 112 (2017) 21–52 Powody uszkodzenia wrzeciona obrabiarki: inne smarowanie wycieki zużycie kolizja
8. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 8 Koszt kolizji
9. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 9 Zakres zastosowań DNiPS
10. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 10 Struktura logiczna układu nadzoru narzędzia i PS NADZÓR DIAGNOSTYKA MONITOROWANIE sygnały czujniki przetwarzanie sygnałów filtry, statystyka, FFT, RMS,... miary sygnałów AKCJA ! integracja miar, diagnoza rozkaz
11. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 11 Układy DNIPS NORDMANN Montronix ADONIS Wirtualne układy DNIPS Struktura sprzętowa układu DNiPS czujniki Piezotron® coupler 5108A. Charge Amplifier - KISTLER 5073A311 AE Piezotron coupler 5125B2 układy wstępnego przygotowania sygnału CNC Czujnik sił skrawania KISTLER 9017C Czujnik emisji akustycznej KISTLER 8152C00505 Czujnik drgań KISTLER 8763B050AB
12. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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 Wielkości fizyczne wykorzystywane w DNiPS
13. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 13 Przebieg zużycia i sił skrawania Jemielniak K. i in., Automatyczna diagnostyka stanu narzędzia w operacjach tokarskich, CPBP 02.04- 04.02-02,1990.
14. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
15. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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, 768-777, 1999.
16. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
17. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
18. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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.
19. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 19 Sygnał emisji akustycznej w trakcie wybuchu Jednostką AE jest volt!
20. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
21. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 21 Sygnał AE zmierzony na stole obrabiarki przy wierceniu otworu Ø 3mm czujnikiem SEA Wzrost AE w czasie wiercenia ostatnich 4 otworów Ostatni otwór wiercony normalnie czas (s) emisja akustyczna (dB) wiertło stępione wyłamanie wiertło stępione wyłamanie czas (s) emisja akustyczna (dB) Przebieg AE przy wierceniu aż do złamania wiertła
22. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 22 (a) Polarny wykres sygnału AE RMS przy obróbce polikrystalicznej miedzi. (b) Mikrofotografia tego samego przedmiotu wytrawiona chemicznie Nadzorowanie toczenia diamentowego Lee, D.E., IJMachTools&Manuf. 46/2:176-188.
23. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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, 1994.
24. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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, 312-316, 2001
25. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 25 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 • Czujniki stosowane w DNiPS
26. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
27. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 27 zalecane możliwe nie zalecane Zalecane zastosowania czujników w układach AUMON
28. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 28 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 • czujniki sił i wielkości pochodnych
29. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 29 Siłomierze laboratoryjne do pomiaru sił skrawania
30. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 30 Przemysłowe czujniki mocy
31. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 31 Zastosowanie czujników mocy do wiercenie
32. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 32 Zakłócenia wpływające na sygnał czujnika mocy
33. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 33 Czujnik odkształceń powierzchni obrabiarki
34. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 34 Czujnik siły posuwowej w oprawie łożyska śruby tocznej a) przekrój wewnętrzny, b) usytuowanie czujnika na śrubie pociągowej tokarki NC
35. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 35 Czujnik sił – sposób montażu
36. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 36 Czujnik sił – przykład instalacji Czujnik sił
37. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 37 Płyta pomiarowa pod głowicą narzędziową płyta pomiarowa
38. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 38 Czujniki momentu i siły osiowej tensometry układ elektroniczny rotor stator oprawka
39. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 39 Czujnik momentu i siły osiowej stator rotor
40. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 40 Czujnik sił zintegrowany z wrzecionem H. Cao et al. Int.J. of Machi.Tools&Manuf. 112 (2017) 21–52
41. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 41 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 • czujniki emisji akustycznej i drgań
42. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 42 Budowa czujnika AE i czujnika drgań przetwornik piezoelektryczny masa sejsmiczna diafragma czujnik drgań czujnik AE
43. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 43 Przemysłowe czujniki drgań i AE Nordman 0  1 MHz Montronix 0.1Hz-500kHz Prometec czujnik drgań czujnik AE 100  80 000 Hz 8  800 kHz Kistler czujnik drgań czujniki AE 10  6000 Hz 50  400 kHz 100  900 kHz
44. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 44 Badanie charakterystyk czujników AE – test Nilsena i Hsu, ASTM Standard E976-84 Stanowisko do badań charakterystyk czujników AE zbudowane w ITM PW AE
45. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 45 Badanie charakterystyk czujników AE
46. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 46 Charakterystyki czujników AE firmy Kistler 50-400kHz 100-900kHz podane przez producenta otrzymane w ZAOiOS PW
47. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 47 Wpływ drogi sygnału AE na jego przebieg
48. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 48 Wpływ drogi sygnału AE na jego charakterystykę częstotliwość (kHz) -10 -20 -30 -40 -50 -60 0 250 500 750 1000 dB
49. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 49 Czujniki AE wykorzystujące przenoszenie sygnału przez chłodziwo
50. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 50 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 Przetwarzanie sygnałów w DNiPS
51. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 51 Przetwarzanie sygnałów w MiNOS Przetwarzanie sygnałów sygnały analogowe wstępna obróbka sygnałów (filtrowanie, A/C) Teti R., Jemielniak K., et al., Advanced monitoring of machining operations, CIRP Annals, 59(2010), 2, 717–739 • 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. wyznaczanie miar sygnałów wszystkie miary Transformacja do dziedziny częstotliwości (FFT, STFT, WT) sygnały cyfrowe w dziedzinie częstotliwości sygnały cyfrowe w dziedzinie czasu miary sygnałów skorelowane z monitorowanym zjawiskiem wybór miar Wybrane miary służą do podejmowania decyzji o stanie procesu
52. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 52 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 wstępna obróbka sygnałów
53. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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 dolno- przepustowemu • Kolejnym krokiem może być demodulacja sygnału AE czyli wyznaczanie wartości skutecznej AE RMS • Możliwe jest także zliczanie wybuchów AE RMS
54. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 54 Sygnał z przedwzmacniacza Sygnał po filtrowaniu górno- przepustowym 100 kHz RMS 0,1-120 ms AEraw (V) AEraw (V) Przygotowanie sygnału AE – filtrowanie górno- przepustowe • 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 • Po przefiltrowaniu górnoprzepustowym 100 kHz pozostaje tylko interesujący sygnał przedwzmacniacz
55. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 55 Waga filtrowania GP przy posługiwaniu się AERMS Sygnał AE otrzymany z szerokopasmowego czujnika BK 8312 bez filtrowania: trzy wybuchy o podobnej amplitudzie Wybrane fragmenty i ich widma
56. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
57. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 57 RMS 0,1-120 ms Przygotowanie sygnału AE – filtrowanie dolno- przepustowe • 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 przedwzmacniacz
58. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
59. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 59 AEraw (V) AEraw (V) AERMS (V) Przygotowanie sygnału AE – demodulacja • Tu mamy fragment surowego sygnału AE raw … • …będący fragmentem wybuchu • Tu widzimy obwiednię sygnału surowego, i wybuch Demodulację sygnału można przeprowadzić przez wyznaczenie wartości skutecznej: = 1 න 1 2 2 d = 2 − 1 - stała całkowania
60. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 60 Demodulacja sygnału AEraw AEraw AERMS AEraw AEraw AERMS AERMS AEraw AERMS Częstotliwość próbkowania AE RMS może być 100x mniejsza niż AE raw !
61. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 61 Wpływ stałej całkowania wartości skutecznej AE na przebieg sygnału sygnał oryginalny (surowy) AE RMS otrzymany analogowo,  RMS = 1,2 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 t (ms) AEraw (V) AERMS (V) ~2,5ms ~2,5ms ~2,5ms
62. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 62 Wpływ stałej całkowania wartości skutecznej AE na przebieg sygnału • 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 AERMS wtedy najlepsza będzie  RMS = 120 ms, Firma Kistler oferuje stałe całkowania 0,12ms, 1,2ms oraz 120 ms
63. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 63 Potrzeba wyboru fragmentów sygnałów 150 100 50 0 -50 -100 -150 -200 0 1 2 3 4 5 6 7 8 9 10 11 12 ruchy ustawcze posuw roboczy dobieg-wybieg skrawanie stabilny, niezmienny sygnał 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 Fo w czasie wykonywania kolejnych otworów Tylko stabilne, mało zmienne fragmenty sygnałów są użyteczne do diagnostyki. Muszą być znajdowane automatycznie Wykrywanie rzeczywistego skrawania jest wiec niezbędne
64. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 64 Segmentacja sygnału siły przy frezowaniu Sygnał surowy Obcięcie niepełnych przebiegów filtrowanie Segmentacja Sygnał przygotowany do dalszej analizy Ghosh, N., et al., Mechanical Systems and Signal Processing 21 (2007) 466–479
65. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 65 Segmentacja sygnału elektrowrzeciona przy wierceniu – wykrywanie zadziorów Moment (Nm) Czas (s) Przyspieszanie wrzeciona Zwalnianie wrzeciona Posuw roboczy- podejście do przedmiotu Skrawanie głębokość (mm) Moment (Nm) maksimum Poziom odniesienia minimum nachylenie wysokość szerokość S. Ferreiro et. al. Computers & Industrial Engineering, 60(2011) 4, 801–810
66. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 66 Najczęściej stosowane wykrywanie skrawania 0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 time (s) 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.
67. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 67 Wykrywanie skrawania wg ZAOiOS Procedura: • 40 ms po otrzymaniu sygnału „start posuwu roboczego” z 120 ms odcinka sygnału obliczane jest odchylenie standardowe s0 i wartość średnia Sav . • Sav jest odejmowana od wartości sygnału jako offset (tarowanie sygnału). • w czasie dobiegu sygnał oscyluje wokół zera. 1 0 1 0 dobieg Fc [N] 0 filtrowany dolnoprzep. sygnał Sf S – oryginalny sygnał Fc obliczanie σ0 (Fc ), usuwanie offsetu odchylenie standardowe σc Wykrywanie skrawania oparto na dwóch miarach sygnału • Sf – sygnał filtrowany dolnoprzepustowo – miara efektywna gdy nie ma płynięcia lub zmiany znaku sygnału • sc – odchylenie standardowe standard 400ms fragmentu sygnału – miara niezależna od płynięcia i ujemnych wartości sygnału skrawanie posuw roboczy
68. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 68 Wykrywanie skrawania Procedura, cd.: • Obliczenie progów do wykrywania skrawania: • dla sygnału filtrowanego Sf próg = 5s0 • dla odchylenia standardowego sc próg = 3s0 • Co 2 ms obliczane są wartości Sf i sc 1 0 czas [s] 0 Fc [N] 100 -50 0 skrawanie 8.35 przekroczenie granicy σc (Fc ) przekroczenie granicy Sf (Fc ) 200 ms opóźnienie wykr. skrawania Żadna z tych czynności nie jest wykonywana przez operatora. Wykrywanie skrawania jest prowadzone automatycznie bez jego interwencji, a nawet wiedzy • System rozpoznaje początek skrawania gdy: • Sf > 5s0 lub sc > 3s0 przez dłużej niż 200 ms • Przerwy w skrawaniu są rozpoznawane gdy wszystkie sygnały filtrowane i ich odchylenia standardowe, które były powyżej swoich granic spadną poniżej nich. próg dla Sf (Fc ): 5σ0 (Fc ) próg dla odchylenia standard.: 3σ0 (Fc )
69. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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  = = n i i x n x 1 1 average value  = = n i i RMS x n x 1 2 1 effective value ( ) 1 1 2 2 − − = s  = n x x n i i variance s2 ( ) ( ) 3 1 3 1 s − − =  = n x x x n i i SK skewness xSK , ( ) ( ) 4 1 4 1 s − − =  = n x x x n i i KU kurtosis xKU , ( ) ( ) ( ) i n i i p p p n H   − =  = ln ! 1 permutation entropy …       k A k n h n A j k j   − = + − = 2 1 Discreet Wavelet Transform       k A k n g n D j k j   − = + − = 2 1        =  − − = w w N n N nm j e n w n k x m k X 0 2 , STFT  = 2 ) log( i x E logarithmic energy
70. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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.
71. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 71 Wybór przydatnych fragmentów sygnałów Założenie: Diagnostyka stanu narzędzia może być oparta na reprezentatywnych, niezmiennych fragmentach sygnałów 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 1 sekunda = [] [] − 1 + [] [] − 1 • Jeśli dostępnych jest więcej sygnałów, wyznacza się średnią wartość współczynnika: = Τ + + + 4 Segmenty są gromadzone w grupy po sześć, a najlepszy segment jest wybierany jako reprezentant grupy
72. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
73. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 73 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 Eliminacja zbyt dużej liczby segmentów druga operacja: 15 segmentów dziewiąta operacja: 15 segmentów Dziesiąta operacja: 8 segmentów Numer segmentu:
74. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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.
75. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 75 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 wyznaczanie miar sygnałów w dziedzinie czasu
76. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 76 Sygnał dyskretny (cyfrowy) Sygnał ciągły (analogowy) Podstawowe miary sygnałów w dziedzinie czasu wartość średnia wartość skuteczna 1 T x av =  |x(t)|dt T t=0 1 x RMS = ̶ x2(t) dt T t2  t1 1 x RMS = ̶ x2[i] n n S i=1 1 x av = ̶ |x[i]| n n S i=1
77. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 77 Sprowadzenie surowego sygnału AEraw do niskoczęstotliwościowego przez demodulację  = 2 raw RMS AE n 1 AE  = T 0 2 raw RMS dt AE T 1 AE
78. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 78 Podstawowe miary sygnałów w dziedzinie czasu moc chwilowa: moc średnia: p[i] = x2[i] 1 p= ̶ x2[i] n n S i=1 energia (praca w czasie): p= x2[i] n S i=1 entropia Shanona: E= – x2[i] log(x2[i]) n S i=1 wariancja: (x[i] – x av )2 s2 = ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ n-1 n S i=1 (x[i] – x av )3 SK= ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ (n-1) s3 n S i=1 skośność: (x[i] – x av )4 KU= ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ (n-1) s4 n S i=1 kurtoza:
79. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 79 Zastosowanie analizy głównych składowych • 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: {Fy,av , Fz,av , a, b, β } Shi D., Gindy N.N. Tool wear predictive model based on least squares support vector machines, Mechanical Systems and Signal Processing 21 (2007) 1799–1814 siła skrawania Fy (kN) siła skrawania Fz (kN)
80. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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) 451–458
81. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 81 Zastosowanie analizy widma osobliwego (SSA) Diagnostyka zużycia ostrza przy toczeniu oparta na SSA sygnałów drgań w 2 kierunkach szum sygnał oryginalny trend Miary sygnałów przyjęte do dalszej analizy: Salgado D.R., Alonso F.J. Tool wear detection in turning operations using singular spectrum analysis, Journal of Materials Processing Technology 171 (2006) 451–458
82. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 82 Entropia permutacji H p (n)= – p(i ) ln p(i ) n! S i=1 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: 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), 371–379
83. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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), 371–379
84. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 84 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 miary sygnałów w dziedzinie częstotliwości i czasu-częstotliwości
85. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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 • energia w pasmach • miary statystyczne spektrum: • średnia częstotliwość • wariancja • skośność • kurtoza • częstotliwość najwyższego prążka zależność widma drgań przy toczeniu od zużycia ostrza zależność mocy drgań przy toczeniu od zużycia ostrza Teti R., Jemielniak K., et al., Advanced monitoring of machining operations, CIRP Annals, 59(2010), 2, 717–739
86. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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) 1219–1242
87. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
88. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
89. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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.
90. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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 fpróbk =2000Hz, dla f=900-1000Hz użyjmy Dt=0.1s, czyli Df=10Hz ❑ Wyszukiwanie składowych o niskich częstotliwościach ➔ szerokie okno dla lepszej rozdzielczości częstotliwości ❑ np.: przy fpróbk =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 )
91. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 91 STFT i falki częstotliwość czas krótkookresowa transformata Fouriera częstotliwość czas transformata falkowa
92. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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: gdzie h – odpowiedź impulsowa filtru dolnoprzepustowego (funkcji skalującej) g – odpowiedź impulsowa filtru górnoprzepustowego (falki) +1 [] = ෍ =−∞ ∞ ℎ 2 − +1 [] = ෍ =−∞ ∞ 2 − y[n]=x[n]*h[n] = x[k]h[n-k] ∞ k=-∞ S
93. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 93 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 selekcja miar sygnałów
94. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
95. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 95 Model zależności miary sygnału od stanu narzędzia (procesu) Wykorzystana część okresu trwałości (DT) miara sygnału (SF) Nadzorowanie stanu narzędzia SF m =f(DT) DT Miara sygnału (SF) DT=f -1(SF m )
96. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 96 Ocena przydatności miary 1.0- 0.8- 0.6- 0.4- 0.2- 0.0- 0 20 40 60 80 100 DT SF Na podstawie pomiarów wartości miary w funkcji zużycia ostrza (DT) określa się model zależności = ∆ Ocena przydatności miary do diagnostyki stanu narzędzia to: • stwierdzenie, na ile miara zależy od tego stanu • ocena jakości modelu, czyli stwierdzenie, w jakim stopniu model oddaje rzeczywisty przebieg współczynnik determinacji: – całkowita suma kwadratów – resztowa suma kwadratów − – zniesiona suma kwadratów Postać modelu nie ma znaczenia = − = ෍ − 2 = ෍ − 2
97. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 97 406 268 Diagnostyka zużycia ostrza przy obróbce Inconel 625 Zadanie technologiczne ◼ Parametry skrawania: ap = 2.5mm f = 0.2mm/rev vc = 220m/min ◼ Czas pojedynczego przejścia – 90s ◼ Na jeden przedmiot kilka okresów trwałości
98. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 98 Diagnostyka zużycia ostrza przy obróbce Inconel 625 – stanowisko badawcze Tokarka TKX 50N Czujnik sił Fx Fz Czujnik AE narzędzie RNGN 120700T01020 ceramika wiskersowa CC670
99. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 99 Diagnostyka zużycia ostrza przy obróbce Inconel 625 Wskaźniki stępienia: uszkodzenia powierzchni zadziory zużycie ostrza rejon zużycia wrębowego Wszystkie wskaźniki występowały niezależnie od siebie – o końcu okresu trwałości decydowało przekroczenie jednego z nich
100. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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: 62-125Hz, 125-250Hz, 250-500Hz, 500-1000Hz, 1000- 2000Hz, 2000-4000Hz) ◼ 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
101. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 101 Przykładowe miary Miara zależna od średnicy toczenia, nieskorelowana ze stanem ostrza, Miara nieskorelowana ze stanem ostrza Miara skorelowana ze stanem ostrza, niezależna od średnicy toczenia Miara skorelowana ze stanem ostrza, zależna od średnicy toczenia
102. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 102 Badanie korelacji ze stanem ostrza 0 20 40 60 80 100 DT 6 3 0 -3 Rs 2=0,98 Fx/DDD,E SFTav =0,14 SFT SFTf 2.5 1.5 0.5 Rs 2=0,35 AEAAA,Sk SFTav =1,14 0 20 40 60 80 100 DT Si (SFTi – SFTav )2 – Si (SFTi – SFTfi )2 Rs 2 = –––––––––––––––––––––––––––– Si (SFTi – SFTav )2 Badanie, na ile przyjęty model (przefiltrowany przebieg) oddaje przebieg znormalizowany w czasie. Inaczej mówiąc – badanie gładkości miary! Współczynnik determinacji: Odrzuca się miary, dla których R s 2 jest mniejsze od założonego progu
103. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 103 Wybór miar powtarzalnych Dysponując kilkoma okresami trwałości ostrza można określić powtarzalność przebiegu miary Wyznacza się średni przebieg SFTfav i traktuje jako uśredniony model zależności SF(DT) Współczynnik determinacji Rr 2 pozwala określić, na ile przebiegi są powtarzalne Sj Si (SFTfji – SF3Tfav )2 – Sj Si (SFTfji – SFTfavi )2 Rr 2 = ––––––––––––––––––––––––––––––––––– S j S i (SFTfji – SF3Tfav )2 Odrzuca się miary, dla których R r 2 jest mniejsze od założonego progu
104. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 104 Wybór miar - przykład Miara dobrze skorelowana ze stanem ostrza, słabo powtarzalna Miara dobrze skorelowana ze stanem ostrza, dobrze powtarzalna
105. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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 0 a kolejno wszystkimi pozostałymi 3. odrzucenie tych, dla których współczynnik korelacji jest zbyt duży 4. powtarzanie procedury dla pozostałych miar (od punktu 1) aż nie pozostanie żadna 2 = σ 0, − 0, , − , σ 0, − 0, 2 σ , − , 2
106. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 106 Wyniki selekcji miar Miary powiązane z DT Miary powiązane z DT, powtarzalne Siły Drgania AE Siły Drgania AE Fx Fz Vy Vz AERMS AERAW 52 52 20 14 29 6 27 18 17 15 6 6 18 11 9 12 6 9 8 5 6 3 3 3 Wybrane przydatne miary Po eliminacji miar podobnych 582 wyznaczone miary
107. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 107 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 • Integracja miar, podejmowanie decyzji – diagnostyka naturalnego zużycia ostrza • diagnostyka zużycia ostrza w oparciu o jedną miarę sygnału
108. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 108 Nordman Nadzór zużycia na postawie średniej wartości sygnału z całego zabiegu lub jego fragmentu... max – narzędzie stępione min – narzędzie ostre aktualna wartość sygnału
109. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 109 Nordman ... niezależnie od sposobu obróbki... wiercenie frezowanie/toczenie gwintowanie
110. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 110 Nordman ... czy rodzaju zastosowanego czujnika
111. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 111 Artis
112. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 112 Pytania Czy operator sam musi dobierać i wprowadzać wartości graniczne, miejsca pomiaru itd? 300-250 DT = ----------- =.... 400-250 Przeliczyć na wykorzystaną część okresu trwałości! Po co operatowi wiedza o wartościach sygnałów? 0,33 NIE! ??? Co z nimi może zrobić?
113. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
114. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 114 Kolejny okres trwałości ostrza SF1 SF OP1 OP2 OP3 po każdej op. zapamiętanie miary: SF[NrOp] oraz ocena DT na podstawie SF[DT] SF2 SF3 Ogólne zasady uczenia układu diagnostyki zużycia ostrza SF1 SF OP1 Pierwszy okres trwałości ostrza 1-sza op.: licz.zab, które nadzorować, min i max sygn, OP2 OP3 po każdej op. zapamiętanie miary: SF[NrOp] SF2 SF3 Min . . . OPn1 po zakończeniu trwałości ostrza przeliczenie tablicy SF[NrOp] na SF Tf [DT] OPn1 . . . po zakończeniu trwałości ostrza przeliczenie tablicy SF[NrOp] na SFTf [DT] na podstawie NrOp DT= ––––– LiczOp SFn
115. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 115 SFTf [DT] DT Oszacowanie wykorzystanej części T DT SF[NrOp] n Wyszukiwanie w tablicy SF[DT] wartości najbliższej uzyskanej w operacji SFTf [DT] DT SF[NrOp] n Wyszukiwanie rozpoczyna się od poprzedniego wskazania: w przypadku wartości niższej niż poprzednia, wskazanie DT bez zmian DT Przeszukiwanie tylko 30% DT ogranicza wpływ przypadkowo wysokich wartości SFTf [DT] DT DT SF[NrOp] n 30%
116. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 116 SFTf [DT] DT Oszacowanie wykorzystanej części T DT 30% Wskazanie nie może być niższe niż 0.7 DT wynikającego z poprzednich doświadczeń SFTf [DT] DT DT=70*n/NB SF[NrOp] n Ograniczenie zakresu przeszukiwania umożliwia do pewnego stopnia wykorzystanie miar niemonotonicznych w funkcji wykorzystanej części okresu trwałości ostrza SF[NrOp]
117. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 117 Przebiegi sygnału siły Ff w funkcji zużycia ostrza w warunkach przemysłowych F f nr operacji Sygnały: • nieliniowe • niemonotoniczne (nieodwracalne) • ujemne Żaden ze znanych układów komercyjnych nie może działać w oparciu o taką miarę sygnału Układy komercyjne pracują w oparciu o założenie o monotonicznym wzroście miary
118. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 118 Wyniki diagnostyki zużycia ostrza wg algorytmu opracowanego w ZAOiOS F f nr operacji DT oszacowane DT
119. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 119 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 diagnostyka zużycia ostrza w oparciu o integrację miar sygnałów
120. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
121. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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).
122. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 122 Neuron typu sigmoidalnego • 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. Przyjmiemy b=1
123. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 123 Sieć neuronowa trzywarstwowa o 1,i = x i w 1,i warstwa wejściowa warstwa ukryta warstwa wyjściowa wejścia wyjście
124. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 124 Diagnostyka zużycia ostrza oparta na laboratoryjnych pomiarach sił skrawania Zabieg 1 2 3 4 5 6 a p 1.5 1.5 1.5 1.5/3 1.5 1.5/3 f 0.24 0.17 0.47 0.47 0.33 0.33 v c 351 417 251 251 300 300
125. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 125 Przebiegi sił skrawania w funkcji zużycia ostrza F c = F c (a p , f) F c  F c (VB) (1) F f = F f (a p , VBB ) F f  F f (f) (2) VBB = VBB (F f , a p ) (3) lub VBB = VBB [F f , a p (F c , f)] (4) Eksperyment wykorzystany do uczenia Eksperyment wykorzystany do testowania Test W5I Test W7I Test W5I Test W7I Próba zakończona naturalnym stępieniem Próba zakończona ścięciem naroża
126. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 126 Konfiguracje wejść sieci neuronowej przyjęte do badań sieć sygnały wejściowe Komentarz f a p F f F p F c 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 6 X X X X Dla 2-składowego czujnika sił, przy znanych zmianach a p 5 X X X X Podobnie jak wyżej, z tym że informacje zawarte w sile Ff są dublowane przez zawarte w sile F p 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. 3 X X X Siła Ff zależy prawie tylko od ap i VBB , zaś Fc prawie tylko od ap i f. To stwarza szansę odzyskania informacji o głębokości skrawania z Fc i f, a w ten sposób wyeliminowanie jej wpływu z wartości Ff . Konfiguracja szczególnie korzystna gdy występują nieznane zmiany ap (obróbka wstępna)
127. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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 eu (sterujące przebiegiem uczenia) oraz maksymalne błędy uczenia mu 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 200 000 iteracjach wyniki uzyskiwane przez wszystkie sieci (oprócz 2-giej) jest podobny
128. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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.
129. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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 Błędy testowania sieci • Do ok. 24 minuty błędy wszystkich sieci mieszczą się w paśmie ±0.05mm. • Dopiero ścięcie naroża, wyraźne przyrosty sił Ff i Fp odbija się większymi błędami oszacowania VBB . • Odpowiedź sieci jest korzystna, lepsza, niż dokładna, tzn. pokazująca właściwe wartości VBB podczas gdy ostrze utraciło właściwości skrawane.
130. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 130 Oszacowanie zużycia z przez sieć neuronową i system logiki rozmytej System logiki rozmytej e u =0.0270 m u =0.0670 e t =0.0351 m t =0.1460 Wyniki uzyskane przez sieć 3A: e u =0.0160 m u =0.0379 e t =0.0367 m t =0.1677 W obu przypadkach wystarczyły informacje od siłach F c , F f i posuwie f. Informacje o zmianach głębokości skrawania były zbędne. • 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.
131. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 131 Badania doświadczalne w warunkach przemysłowych • Centrum tokarskie VENUS 450 wyposażone w: • przemysłowy czujnik sił skrawania • czujnik emisji akustycznej • Mierzono cztery sygnały: • Fc , Ff i Fp • AERMS Narzędzie: CNMG 100408 BP30A Materiał obrabiany: stal 45 ap =1,5 i ap = 2 mm f = 0.1 mm/obrót vc = 150 m/min CBKO,VENUS 450
132. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 132 Badania doświadczalne w warunkach przemysłowych Operacja składała się z • 22 kolejnych przejść: • ap =1.5 (13 przejść) i 2 mm (9 przejść), • f = 0.1 mm/obr • vc = 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. SCGCL CNMG 10408 BP30A Narzędzie: węglik spiekany Materiał obrabiany: stal 45
133. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 133 Miary sygnałów •Wartość średnia •Wartość maksymalna •Inne •Wariancja •Wartość średnia 2s •Mediana 2s
134. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 134 Integracja miar z wykorzystaniem sieci neuronowej FfMed2s AEMed Brak odporności na silnie nietypowy przebieg miary
135. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 135 Ocena DT – integracja miar przy pomocy sieci neuronowej – przyczyny porażki Układ powinien być gotowy do pracy po jednym okresie trwałości Uczenie sieci neuronowej wymaga zastosowania odpowiedniej liczby próbek uczących w stosunku do liczby wejść Dysponujemy ograniczoną, niską liczbą próbek uczących Ograniczenie liczby wykorzystywanych miar
136. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 136 Integracja miar z wykorzystaniem sieci neuronowej Zwiększenie ilości danych doświadczalnych wykorzystanych do uczenia sieci zwiększa dokładność oszacowania DT... ...ale opóźnia gotowość układu do pracy Wyniki sieci neuronowej uczonej z wykorzystaniem czterech okresów trwałości ostrza
137. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
138. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 138 SFTf2 [DT] DT SF2 [n] DT DT2 DT3 SF3 [n] 30 n n SFTf3 [DT] DT B DT4 DTn . . . SFTf1 [DT] DT 0 20 40 60 80 100 % DT1 SF1 [n] n 0 20 40 60 80 100 % 0 20 40 60 80 100 % Integracja miar algorytmem hierarchicznym Etap I Oszacowanie DT na podstawie każdej miary oddzielnie SDT i DT= ̶ ̶ ̶ ̶ ̶ n Etap II Oszacowanie DT jako średniej z pojedynczych wskazań Wspólne oszacowanie brane jest jako wyjściowe DT B w następnym kroku
139. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 139 Wyniki integracji czterech miar
140. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 140 Wyniki integracji dziesięciu miar • Po zwiększeniu progów przydatności miar algorytm wybrał 10 miar • Dokładność oszacowania wzrosła
141. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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 Fx Fz Vy Vz AERMS AERAW 11 5 6 3 3 3 Wyniki integracji miar algorytmem hierarchicznym
142. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 142 Diagnostyka zużycia ostrza przy obróbce Inconel 625 A gdyby tak założyć, że mamy mniej sygnałów?
143. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 143 Badania doświadczalne w warunkach przemysłowych Force sensor AE sensor • Centrum tokarskie VENUS 450 wyposażone w: • przemysłowy czujnik sił skrawania • czujnik emisji akustycznej • Mierzono cztery sygnały: • Fc , Ff i Fp • AERMS SCGCL CNMG 10408 BP30A Narzędzie: węglik spiekany Wróćmy raz jeszcze do omawianego już eksperymentu: … którego wyniki były wykorzystane przy testowaniu sieci neuronowych oraz integracji miar uzyskanych z jednego zabiegu, przy pomocy algorytmu hierarchicznego Tym razem wykorzystamy wszystkie zabiegi oraz algorytmy automatycznej segmentacji
144. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 144 Segmentacja i ocena miar sygnałów • Algorytm segmentacji umożliwia wybranie ze wszystkich sygnałów ze wszystkich operacji, fragmentów odpowiadających tej samej chwili w każdej operacji • Wybór jest prowadzony jedynie w czasie pierwszego okresu trwałości ostrza, gdy system się uczy • 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 • 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 AE Ff Fp Fc 1szy okres oper. 1 oper. 2 oper. 3 oper. n 2gi okres 3ci okres… …nty okres…
145. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 145 Segmentacja i wyznaczanie miar sygnałów Fc 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 • energia logarytmiczna (np. Fc/DD.E – energia współczynnika DD sygnału Fc ), • wartość skuteczna (np. Ff/ADA.RMS – RMS współczynnika ADA sygnału Ff ), • odchylenie standardowe (np. Ff/A.st_dev – odch. std. współczynnika A sygnału Ff ), • moda (e.g. AE /s.mode moda oryginalnego sygnału AERMS ), • tempo przekroczeń 1, 2 and 3 – częstość przekraczania progu przez 30%, 50% or 70% wartości maksymalnej sygnału (np. Fp,ADA,Count1 ), • szerokość przekroczeń 1, 2 and 3 – procentowy udział czasu przebywania sygnału powyżej progu (np. Fc/ADA,Pulse1 ), Każdy z 4 mierzonych sygnałów (AERMS, Fc , Ff i Fp ) 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
146. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 146 Op1 Op 2 Op 3 Op 4 Op 5 Op 6 Op 7 Op 8 segment 1 segment 4 segment 7 Operacja 1 Operacja 5 Operacja 8 … … … segment 1 segment 4 segment 7 AE/s.mode 800 400 0 800 400 0 800 400 0 czas (s) Ff (N) Ff (N) Ff (N) t1,1 t4,1 t7,1 t1,5 t4,5 t7,5 t1,8 t4,8 t7,8 … … AE/s.mode AE/s.mode Ff/A.E AE/ADA.st_dev Fc/DDD.E SF4,2 SF1,2 SF1,1 SF1,2,3 DT1,2,3 SF1,1,3 DT1,1,3 Δ1, = 1 1 σ 1 Δ1,, Δ4, = 1 4 σ 4 Δ4,, Δ7, = 1 7 σ 7 Δ7,, SF4,1 SF7,2 SF7,1 Δ [%] Δ [%] Δ [%] Op1 Op 2 Op 3 Op 4 Op 5 Op 6 Op 7 Op 8 Op1 Op 2 Op 3 Op 4 Op 5 Op 6 Op 7 Op 8 Op1 Op 2 Op 3 Op 4 Op 5 Op 6 Op 7 Op 8 Op1 Op 2 Op 3 Op 4 Op 5 Op 6 Op 7 Op 8 Op1 Op 2 Op 3 Op 4 Op 5 Op 6 Op 7 Op 8 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) Integracja sygnałów, ocena zużycia ostrza SF1,2,3 SF1,1,3 DT1,1,3 DT1,2,3
147. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
148. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
149. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 149 Zużycie ostrza – katastroficzne stępienie ostrza
150. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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, 175-178
151. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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, 175-178
152. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 152 Wykrywanie KSO oparte na wartości granicznej Założenie podstawowe: po KSO siła znacznie wzrasta
153. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 153 STRATEGIE – KSO – stała górna granica
154. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 154 Wykrywanie KSO oparte na przedziałach Możliwe wersje, przykłady działania
155. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 155 Wykrywanie KSO oparte na nauczonym przebiegu
156. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 156 Wykrywanie KSO oparte na granicach dynamicznych i „szybkim” czujniku
157. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 157 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 Wykrywanie KSO oparte na granicach dynamicznych i „szybkim” czujniku
158. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 158 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 Wykrywanie KSO oparte na granicach dynamicznych i „szybkim” czujniku
159. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 159 Strategia wykrywania KSO przy toczeniu opracowana w ZAiOS • Monitorowany jest sygnał Fs 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 Fs >L+ lub Fs <L- dłużej niż del • Gdy sygnał Fs jest poza granicami, wyznaczany jest znacznie łagodniejszym filtrem pomocniczym, by ułatwić powrót między granice. • Granice nie są w tym czasie aktualizowane • Gdy sygnał Fs jest poza granicami dłużej niż del, system generuje alarm KSO do chwili powrotu sygnału między granice, które są aktualizowane od początku alarmu
160. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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
161. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 161 Działanie detektora KSO ZAiOS– przykład 2 Siła skrawania i reakcje detektora KSO na skokową zmianę głębokości skrawania i wykruszenie krawędzi skrawającej ZL25M, SPUN H10S ostrze SPUN H10S materiał obrabiany: ZL25M parametry skrawania: v c =160 m/min, f=0.33 mm/obr,
162. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 162 Wpływ KSO na przebieg i widmo siły skrawania przy frezowaniu
163. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 163 Wykrywanie KSO - frezowanie alarm wykruszenia alarm wyłamania sygnał siły [V] sygnał siły [V]
164. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 164 Wykrywanie KSO przy frezowaniu mat. obrabiany: Inconel 718, średnica freza, D = 38 mm, typ płytek: okrągłe, z ceramiki zbrojonej, liczba płytek: 2, n = 500 obr/min, f = 0.175 mm/ząb, ap = 2.5 mm, ae = 19 mm. przebieg siły prostopadłej do osi freza błędy przewidywania siły przy pomocy modelu AR(1) wraz z granicami
165. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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, 3ci poziom DWT detal, 2gi poziom DWT detal, 4ty poziom DWT detal, 5ty poziom DWT Rene de Jesus R.-T., et al., Mechatronics 14 (2004) 439–454
166. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 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: 0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7 Rene de Jesus R.-T., et al., Mechatronics 14 (2004) 439–454
167. Politechnika Warszawska, Wydział Inżynierii Produkcji, Zakład Automatyzacji i Obróbki Skrawaniem Prof. dr hab. inż. Krzysztof Jemielniak 167 Jakieś pytania?