Липецк, Липецкая область, Россия
УДК 621 Общее машиностроение. Ядерная техника. Электротехника. Технология машиностроения в целом
В статье описываются принципы создания гибридной модели прогнозирования и комплексной диагностики неисправностей металлорежущих станков с ЧПУ. Предложено усовершенствовать конфигурацию системы диагностики и включить в нее нейро-нечеткую сеть с алгоритмом динамической байесовской сети и фильтром частиц, чтобы обеспечить более раннее и точное прогнозирование неисправностей. Это позволит прогнозировать некоторые неисправности на начальных этапах работы станков с ЧПУ, когда могут быть предприняты экономически эффективные меры, чтобы избежать серьезных неисправностей или повреждений
СТАНОК С ЧПУ, НЕИСПРАВНОСТЬ, КОМПЛЕКСНАЯ ДИАГНОСТИКА И ПРОГНОЗИРОВАНИЕ, ЭКСПЕРТНАЯ СИСТЕМА.
|
DOI:
|
|
|
УДК 621.9.06:004.45
|
|
|
05.02.08 – технология машиностроения
|
|
|
ДИАГНОСТИКИ СТАНКОВ С ЧПУ
|
SYSTEM DEVELOPMENT DIAGNOSTICS OF CNC MACHINES
|
|
к.т.н., доцент кафедры технологии машиностроения Липецкого государственного технического университета (РФ) e-mail: soy4astnik@mail.ru
|
candidate of technical sciences, associate professor of the department of machine-building technology of Lipetsk State Technical University (RF) e-mail: soy4astnik@mail.ru
|
|
Козлов Александр Михайлович, д.т.н., профессор, заведующий кафедрой технологии машиностроения Липецкого государственного технического университета (РФ)
|
Kozlov Alexander Mikhailovich, doctor of technical sciences, professor, head of the department of technology of mechanical engineering of Lipetsk State Technical University (RF)
|
|
Аннотация.
|
Annotation. The article describes the principles of creating a hybrid prediction model and a comprehensive diagnosis of malfunctions of CNC ma-chine tools. It was proposed to improve the configuration of the diagnostic system and include a neuro-fuzzy network with a dynamic Bayesian network algorithm and a particle filter in it in order to provide earlier and accurate prediction of faults. This will make it possible to predict some malfunctions in the initial stages of the operation of CNC machines, when cost-effective measures can be taken to avoid serious malfunctions or damage
|
|
Ключевые слова: СТАНОК С ЧПУ, НЕИСПРАВНОСТЬ, КОМПЛЕКСНАЯ ДИАГНОСТИКА И ПРОГНОЗИРОВАНИЕ, ЭКСПЕРТНАЯ СИСТЕМА. |
Keywords: CNC MACHINE, MALFUNCTION, COM-PLEX DIAGNOSTICS AND FORECAST-ING, EXPERT SYSTEM.
|
|
1Автор для ведения переписки |
|
- Состояние вопроса исследования и актуальность работы
Современные станки с числовым программным управлением (ЧПУ) представляют собой весьма сложное и дорогостоящее оборудование. Вследствие этого весьма логичным является стремление предприятий использовать эти станки с максимальной загрузкой. В производстве наибольшую долю составляют токарные и фрезерные станки. Наиболее сложными являются фрезерные станки с ЧПУ. Процесс фрезерования осуществляется инструментом, не имеющим сплошной режущей кромки. Каждый зуб фрезы периодически врезается и выходит из зоны резания, что вызывает возникновение дополнительных вибраций и, в целом, снижает срок эксплуатации станка. Целый ряд публикаций посвящен вопросам исследования и путей снижения вибраций при фрезеровании и повышения стойкости инструмента [1-7]. Это обусловлено тем, что сбой в работе станка (отказ) характеризуется потерей работоспособности станка в целом или частично, что влечет за собой значительные экономические потери от его простоя. Вследствие использования в конструкции станка с ЧПУ различных типов оборудования – механических систем, электроники, гидравлики, пневматики, оптики и других, диагностировать и ремонтировать такое оборудование весьма затруднительно. Даже профессионалу трудно за короткое время найти причину поломки и быстро устранить неисправность, что повышает время простоя оборудования и снижает его производительность. Профилактический осмотр и диагностика работоспособности оборудования, прогнозирование его безотказной работы, также требует его остановки и получения данных по состоянию (износу) отдельных узлов, что приводит к потерям времени и не получению готовой продукции. Цель диагностики состояния станка с ЧПУ состоит в том, чтобы сделать точную оценку неисправности оборудования за короткое время, то есть выявить вышедшую из строя деталь и причины отказа, а затем определить путь устранения неполадок.
2 Материалы и методы
В современном производстве диагностика оборудования чаще всего проводится с использованием датчиков вибраций, расположенных вблизи наиболее ответственных механизмов станка. Полученные сигналы в виде спектрограмм анализируются и по результатам судят о состоянии механизма [8]. Несмотря на довольно широкое использование такого подхода, по его результатам можно прогнозировать лишь те параметры, которые имеют непрерывный характер изменения и эти изменения можно отслеживать в режиме реального времени (мониторить). Для таких параметров устанавливаются допустимые нижнее и верхнее предельные значения изменений. Одним из таких параметров, наиболее часто используемым при контроле состояния оборудования, является износ режущего инструмента или какого-либо подвижного элемента конструкции станка.
Вместе с тем, при работе оборудования могут возникнуть так называемые «внезапные отказы», причиной которых является не плавное нарастание значений контролируемого параметра, а случайное сочетание нескольких параметров, суммарное воздействие которых на инструмент или узел станка происходит в течение весьма короткого времени, т.е. практически внезапно. В этом случае чаще всего диагностируется функциональный отказ.
В теории надежности прогнозирование отказов и времени безотказной работы основано на математическом моделировании процесса износа. В теоретических подходах к описанию отказов в технической диагностике исследователи используют формулу Байеса [9, 10]. При использовании формулы Байеса можно по наступившему событию с определенной вероятностью определить причину, по которой это событие произошло.
Анализ публикаций последних лет [11-16] показывает, что исследователи все большее внимание уделяют моделям с нечеткой логикой и искусственными нейронными сетями. Поскольку каждая модель неизбежно имеет свои преимущества и недостатки, свои граничные условия применения и т.д., наблюдается тенденция их объединения с целью усиления положительных свойств и снижения влияния недостатков.
В соответствии с указанным направлением, предлагается система диагностики, структура которой представлена на рисунке 1. В предлагаемой системе имеется онлайн-модуль, который содержит самообучающуюся модель, основой которой является дополненная фильтром частиц нейро-нечеткая сеть, использующая формулу Байеса. Входные данные для модели поступают от датчиков (вибродатчики, или датчики температуры).
Исследования проводились на примере растачивания отверстия и оценки износа резцов, но может применяться для оценки работоспособности и других подвижных элементов станка, например, подшипников.
На первом этапе в модуле «онлайн» для всех наблюдаемых инструментов или узлов станка прогнозируется вероятное возникновение параметрических отказов. Получаемые от
1. Амбросимов, С. К. Исследование динамики процесса резания при выходе зуба из зоны обработки при фрезеровании / С. К. Амбросимов, А. Н. Большаков // Фундаментальные и прикладные проблемы техники и технологии. - Орел 2010. - №1. - С. 29-34.
2. Амбросимов, С. К. Решение некоторых задач обработки резанием методами алгебры логики / С. К. Амбросимов, И. Ю. Поддубных // Вестник ЛГТУ, № 2 (43). 2020. С. 26-30.
3. Свинин, В. М. Исследование регенеративных автоколебаний при многолезвийной обработке // Обработка металлов, 2005. № 3 (28). С. 28-30.
4. Active Vibration Control for a CNC Milling Machine / Derek Gwynne Ford, Alan Myers, Frerk Haase, Stephen Lockwood and Andrew Peter Longstaff // Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science published online 4 April 2013. DOI :https://doi.org/10.1177/0954406213484224.
5. Svinin V. M., Astakhov D. M. Control of self-excited vibrations in face milling with two-rim mill // IOP Conf. Series: Materials Science and Engineering 632, (2019), 012111, IOP Publishing.
6. Козлов, А. М. Методика оценки колебаний системы при торцовом фрезеровании портативным оборудованием / А. М. Козлов, Е. В. Кирющенко, С. Ф. Кузнецов // Справочник. Инженерный журнал. - 2014, № 7 (208). - С. 46-49.
7. Kozlov, A. M. The study of oscillations excitation patterns in the process of milling with portable equipment / A M Kozlov, E V Kiryuschenko and A V Khandozhko // IOP Conf. Series : Materials Science and Engineering 177 (2017) 012136.
8. Jardine, A. K., Lin, D., Banjevic, D. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mech. Syst. Signal Process. 2006, 20, 1483-1510.
9. Khalyasmaa, A. I. Assessment of Power Transformers Technical State Based on Technical Diagnostics / A. I. Khalyasmaa, S. A. Dmitriev, S. Kokin // Applied Mechanics and Materials 2014. 492 : рр. 218-222.
10. Wilson, Q. Wang. Prognosis of machine health condition using neuro-fuzzy systems / Wilson Q. Wang, M. Farid Golnaraghi, Fathy Ismail // Mechanical Systems and Signal Processing. - Volume 18, Issue 4, July 2004, 813-83.
11. Jang, J. Neuro-Fuzzy and Soft Computing-A Computational Approach to Learning and Machine Intelligence / J. Jang, C. Sun, E. Mizutani // IEEE Transactions on Automatic Control 199742(10) : 1482 - 1484.
12. Zhao, R., Wang, D., Yan, R., Mao, K., Shen, F., Wang, J. Machine Health Monitoring Using Local Feature-Based Gated Recurrent Unit Networks. IEEE Trans. Ind. Electron. 2017, 65, 1539-1548.
13. Stetco, A. A. Wind Turbine operational state prediction : Towards featureless, end-to-end predictive maintenance. In Proceedings of the International Conference on Big Data (Big Data), Los Angeles, CA, USA, 9-12 December 2019 ; pp. 4422-4430.
14. Duan, J. S. A novel ResNet-based model structure and its applications in machine health monitoring. J. Vib. Control 2021, 27, 1036-1050.
15. Liu, R., Wang, F., Yang, B., Qin, S. J. Multiscale Kernel Based Residual Convolutional Neural Network for Motor Fault Diagnosis Under Nonstationary Conditions. IEEE Trans. Ind. Informatics 2020, 16, 3797-3806.
16. Flores-Quintanilla J. L. Towards a new fault diagnosis system for electric machines based on dynamic probabilistic models / J. L. Flores-Quintanilla, R. Morales-Menéndez, R. A. Ramirez-Mendoza // Proceedings of the 2005, American Control Conference, 2005, 2775-2780.
17. Liu, Z., Jia, Z., Vong, C. M., Bu, S., Han, J., Tang, X. Capturing high-discriminative fault features for electronics-rich analog system via deep learning. IEEE Trans. Ind. Inform. 2017, 13, 1213-1226.
18. He, M., He, D. Deep Learning Based Approach for Bearing Fault Diagnosis. IEEE Trans. Ind. Appl. 2017, 53, 3057-3065.
19. Morales-Menendez, R. Dynamic modeling of processes using linear Gaussian Jump Markov models / R. Morales-Menendez, F. Kant, and Favela // Modelling, identification and control. - Grindelwald, Switzerland, February, 2004.
20. Седых, И. A. Гибридный алгоритм с подбором коэффициента обучения для радиально базисных нейронных сетей в программе Mathcad / И. A. Седых, В. А. Истомин // Вестник ЛГТУ. - № 2 (36). 2018. - С. 20-25.
