Come prevedere il guasto del mandrino CNC con l'analisi delle vibrazioni e il monitoraggio AI

PFT, Shenzhen

La rilevazione precoce di un imminente guasto del fusibile CNC è fondamentale per ridurre al minimo i tempi di fermo non pianificati e le riparazioni costose.Questo articolo illustra una metodologia che combina l'analisi dei segnali di vibrazione con l'intelligenza artificiale (IA) per la manutenzione predittivaLe caratteristiche chiave, tra cui le statistiche del dominio temporale (RMS, curtosi), sono le seguenti:componenti del dominio di frequenza (picchi dello spettro FFT), e le caratteristiche di frequenza temporale (energia di onda), vengono estratti. These features serve as inputs to an ensemble machine learning model combining Long Short-Term Memory (LSTM) networks for temporal pattern recognition and Gradient Boosting Machines (GBM) for robust classification. Validation on datasets from high-speed milling centers demonstrates the model's ability to detect developing bearing faults and imbalance up to 72 hours before functional failure with an average precision of 92%L'approccio offre un miglioramento significativo rispetto al tradizionale monitoraggio delle vibrazioni basato su soglie, consentendo una pianificazione proattiva della manutenzione e una riduzione del rischio operativo.

1 Introduzione

Le macchine utensili CNC costituiscono la spina dorsale della moderna produzione di precisione.e della produttività complessiva. Un'improvvisa rottura del fusibile porta a tempi di fermo catastrofici, pezzi di scarto e costose riparazioni di emergenza, che costano ai produttori migliaia di dollari all'ora.,basate su intervalli di tempo fissi o semplici contatori di tempo di funzionamento, sono inefficienti potenzialmente sostituiscono componenti sani o mancano guasti imminenti.La manutenzione reattiva dopo un guasto è proibitivamente costosaDi conseguenza, il monitoraggio basato sulle condizioni (CBM), in particolare l'analisi delle vibrazioni, ha acquisito importanza.graviIn questo caso, il monitoraggio delle vibrazioni tradizionali è spesso difficile per la rilevazione precoce di errori.incipienteQuesto articolo presenta un approccio integrato che utilizza l'elaborazione avanzata dei segnali di vibrazione unita all'analisi basata sull'intelligenza artificiale per prevedere con precisione i guasti del mandrino con largo anticipo.

2 Metodi di ricerca

2.1 Progettazione e acquisizione dei dati

L'obiettivo principale è quello di identificare segnali di vibrazione sottili che indicano un degrado in fase iniziale prima di un guasto catastrofico.I dati sono stati raccolti da 32 mandrini di fresatura CNC ad alta precisione operanti nella produzione di componenti per automobili in 3 turni per 18 mesiGli accelerometri piezoelettrici (sensibilità: 100 mV/g, gamma di frequenze: da 0,5 Hz a 10 kHz) sono stati montati radialmente e assialmente su ciascun alloggiamento del fusibile.Le unità di acquisizione dei dati hanno campionato i segnali di vibrazione a 25I parametri operativi (velocità del mandrino, coppia di carico, velocità di alimentazione) sono stati registrati simultaneamente tramite l'interfaccia OPC UA del CNC.

2.2 Ingegneria delle caratteristiche

I segnali di vibrazione grezzi sono stati segmentati in epoche di 1 secondo.

• Dominio temporale:Radice media quadrata (RMS), Crest Factor, Kurtosis, Skewness.

• Dominio di frequenza (FFT):Amplitudini e frequenze di picco dominanti all'interno delle fasce di errore caratteristiche del cuscinetto (BPFO, BPFI, FTF, BSF), energia complessiva in fasce specifiche (0-1kHz, 1-5kHz, 5-10kHz), curtosi spettrale.

• Dominio di frequenza temporale (Wavelet Packet Transform - Daubechies 4):Entropia energetica, livelli relativi di energia nei nodi di decomposizione associati alle frequenze di guasto.

• Contesto operativo:Velocità del mandrino, percentuale di carico.

2.3 Sviluppo di modelli di IA

È stata utilizzata un'architettura modello di ensemble:

1. Rete LSTM:Sequenze elaborate di 60 vettori caratteristici consecutivi di 1 secondo (cioè 1 minuto di dati operativi) per catturare i modelli di degradazione temporale.Lo strato LSTM (64 unità) ha imparato le dipendenze attraverso i passaggi temporali.

2. Macchina per il potenziamento del gradiente (GBM):Il GBM (100 alberi,(max. profondità 6) ha fornito elevata robustezza di classificazione e informazioni sull'importanza delle caratteristiche.

3. Prodotto:Un neurone sigmoide che fornisce la probabilità di fallimento entro le prossime 72 ore (0 = sano, 1 = alta probabilità di fallimento).
   Formazione e convalida:Per la formazione (70%) e la convalida (30%) sono stati utilizzati dati provenienti da 24 fusibili (di cui 18 eventi di guasto).I pesi dei modelli sono disponibili su richiesta per gli studi di replicazione (soggetto a NDA).

3 Risultati e analisi

3.1 Performance predittiva

Il modello di gruppo ha superato significativamente gli allarmi di soglia RMS tradizionali e gli approcci a modello singolo (ad esempio, SVM, CNN di base) sul set di prova:

• Precisione media:92%

• Richiamo (tasso di rilevazione dei guasti):88%

• Percentuale di falsi allarmi:5%

• Tempo di consegna medio:68 ore
  Tabella 1: Confronto delle prestazioni sul set di prova
  Modello, media, precisione, richiamo, tasso di falso allarme, tempo di consegna medio.
  E' un'esperienza molto interessante.
  ♫ RMS Threshold (4 mm/s) ♫ 65% ♫ 75% ♫ 22% ♫ 24 ♫
  - SVM (RBF Kernel) 78% 80% 15% 42
  1D CNN 85% 82% 8% 55
  |Il gruppo proposto (LSTM+GBM)|92%|88%|5%|68|

3.2 Risultati chiave e innovazione

• Detezione precoce delle firme:Il modello ha identificato in modo affidabile sottili aumenti dell'energia ad alta frequenza (banda 5-10 kHz) e valori di cortosi in aumento 50 ore prima del fallimento funzionale,correlazione con l'iniziazione degli spall con cuscinetti microscopiciQuesti cambiamenti sono stati spesso mascherati dal rumore operativo negli spettri standard.

• Sensibilità al contesto:L'analisi dell'importanza delle caratteristiche (via GBM) ha confermato il ruolo critico del contesto operativo.

• Superiore alle soglie:Il semplice monitoraggio del sistema di controllo delle rotazioni non ha fornito un tempo di consegna sufficiente e ha generato frequenti falsi allarmi durante le operazioni a carico elevato.Il modello di IA ha adattato dinamicamente le soglie in base alle condizioni operative e ai modelli complessi appresi.

• Validazione:La figura 1 illustra la probabilità di uscita del modello e le caratteristiche chiave di vibrazione (Kurtosis, High-Frequence Energy) per uno spinello che sviluppa un guasto esterno del cuscinetto della corsia.Il modello ha innescato un allarme (probabilità > 0).85) 65 ore prima dell'attacco completo.

4 Discussione

4.1 Interpretazione

L'elevata precisione predittiva deriva dalla capacità del modello di fondere le caratteristiche di vibrazione multi-dominio nel loro contesto operativo e apprendere le traiettorie di degrado temporale.Gli strati LSTM hanno catturato efficacemente la progressione delle firme di guasto nel tempo, una dimensione spesso trascurata nelle analisi di istantanea.quando i difetti superficiali incipienti generano onde di stress transitorie con impatto su frequenze più elevate.

4.2 Limitazioni

• Portata dei dati:La validazione attuale riguarda principalmente i guasti dei cuscinetti e degli squilibri, mentre le prestazioni per guasti meno comuni (ad esempio, guasti dell'avvolgimento del motore, problemi di lubrificazione) richiedono ulteriori studi.

• Dipendenza dai sensori:La precisione dipende dal corretto montaggio e calibrazione dell'accelerometro.

• Carico di calcolo:L'analisi in tempo reale richiede hardware di edge computing vicino alla macchina.

4.3 Implicazioni pratiche

• Riduzione del tempo di inattività:Gli avvisi proattivi consentono di pianificare la manutenzione durante gli arresti pianificati, riducendo al minimo le interruzioni.

• Minori costi:Previene danni catastrofici (ad esempio, alberi di fusione distrutti), riduce i bisogni di inventario di ricambi (sostituzione puntuale) e ottimizza il lavoro di manutenzione.

• Attuazione:Le soluzioni basate sul cloud stanno emergendo, abbassando le barriere per i produttori più piccoli.Il ROI è generalmente raggiunto entro 6-12 mesi per i mandrini ad elevato utilizzo.

5 Conclusioni

Questo studio dimostra l'efficacia dell'integrazione dell'estrazione completa delle caratteristiche di vibrazione con un modello di IA complessiva LSTM-GBM per la previsione precoce del guasto del mandrino CNC.L'approccio raggiunge un'elevata precisione (92%) e un tempo di consegna significativo (in mediaLe principali innovazioni includono la fusione di caratteristiche multi-dominio, il monitoraggio delle vibrazioni e la rilevazione delle vibrazioni.modellazione esplicita dei modelli di degradazione temporale tramite LSTM, e la robustezza fornita dall'apprendimento di gruppo GBM.