Vibrasyon Analizi ve Yapay Zeka İzleme ile CNC Spindle Arızasını Nasıl Tahmin Edilebilir?

PFT, Shenzhen

Planlanmamış duraklama sürelerini ve pahalı onarımları en aza indirmek için yaklaşan CNC filikası arızasının erken tespiti çok önemlidir.Bu makale, tahmin edici bakım için titreşim sinyali analizini yapay zeka (AI) ile birleştiren bir metodolojiyi ayrıntılı olarak anlatıyor. Değişen yükler altında çalışan spindellerden gelen titreşim verileri hızlandırıcılar kullanarak sürekli olarak toplanır.Frekans alanı bileşenleri (FFT spektrum zirveleri), ve zaman frekansı özellikleri (dalga enerjisi) çıkarılır. 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%Bu yaklaşım, geleneksel eşiğe dayalı titreşim izlemesine göre önemli ölçüde bir iyileşme sağlar, proaktif bakım planlamasını ve operasyonel riskin azaltılmasını sağlar.

1 Giriş

CNC makine aletleri, modern hassas üretimlerin omurgasını oluşturur.ve genel verimlilikSpindle'in aniden arızalanması felaket bir duraklama süresi, hurdaya bırakılmış parçalar ve pahalı acil onarımlara yol açar, bu da üreticilere saatte binlerce dolara mal olur.,sabit zaman aralıklarına veya basit çalışma saatleri sayaçlarına dayanan, verimsiz ̇ potansiyel olarak sağlıklı bileşenleri değiştiren ya da ihtimalle artan arızaları kaybeden.Başarısızlık sonrası reaktif bakım çok pahalıdırSonuç olarak, durum tabanlı izleme (CBM), özellikle titreşim analizi ön planda yer almıştır.Ağırhatalar, geleneksel titreşim izleme sıklıkla hataların erken tespitiyle mücadele eder.başlayanBu makale, süpürge arızalarını önceden doğru bir şekilde tahmin etmek için AI'ye dayalı analitiklerle birleştirilen gelişmiş titreşim sinyali işleme dayalı entegre bir yaklaşım sunar.

2 Araştırma Yöntemleri

2.1 Tasarım ve Veri Alımı

Temel hedef, felaket bir arıza öncesinde erken aşamada bozulmanın göstergesi olan ince titreşim işaretlerini tanımlamaktır.Veriler, 18 ay boyunca 3 vardiyalı otomotiv bileşenleri üretiminde çalışan 32 yüksek hassasiyetli CNC freze fırçasından toplandıPiezoelektrik hızlandırıcılar (duyarlılık: 100 mV/g, frekans aralığı: 0,5 Hz ila 10 kHz) her bir spindle korpusuna radyal ve eksenel olarak monte edildi.Veri alma birimleri 25'te titreşim sinyalleri örnekledi..6 kHz. Çalışma parametreleri (spindle hızı, yük tork, besleme hızı) CNC'nin OPC UA arayüzü ile eşzamanlı olarak kaydedildi.

2.2 Özellik Mühendisliği

Çiğ titreşim sinyalleri 1 saniyelik dönemlere ayrıldı. Her dönem için kapsamlı bir özellik seti çıkarıldı:

• Zaman Alanı:Kök orta kare (RMS), Crest faktörü, Kurtosis, Skewness.

• Frekans Alanı (FFT):Karakteristik taşıma hatası bantları (BPFO, BPFI, FTF, BSF) içinde baskın zirve amplitudları ve frekansları, belirli bantlardaki toplam enerji (0-1kHz, 1-5kHz, 5-10kHz), spektral kurtoz.

• Zaman Frekansı Alanı (Wavelet Paket Dönüşümü - Daubechies 4):Enerji entropi, hata frekanslarıyla ilişkili parçalanma düğümlerindeki göreceli enerji seviyeleri.

• Operasyonel bağlam:Döner hızı, yük oranı.

2.3 Yapay zeka modeli geliştirme

Bir takım model mimarisi kullanıldı:

1. LSTM Ağı:60 ardışık 1 saniyelik özellik vektöründen oluşan işlemli diziler (yani 1 dakikalık operasyonel veri) zamanlı bozulma kalıplarını yakalamak için.LSTM katmanı (64 birim) zaman aşamalarında bağımlılıkları öğrendi.

2. Eğitimi arttırma makinesi (GBM):Aynı dakikalık düzeyde toplu özellikler (ortalama, std dev, max) ve LSTM'den çıkış durumu alındı.Maksimum derinlik 6) yüksek sınıflandırma sağlamlığı ve özellik önemi anlayışları sağladı.

3. Çıktı:Bir sigmoid nöron, önümüzdeki 72 saat içinde başarısız olma olasılığını verir (0 = Sağlıklı, 1 = Yüksek Başarısızlık olasılığı).
   Eğitim ve doğrulama:Eğitim (%70) ve doğrulama (30%) için 24 spindildeki veriler (bunlardan 18 arıza olayı dahil) kullanıldı.Replikasyon çalışmaları için örnek ağırlıkları talep üzerine mevcuttur (NDA'ya tabi).

3 Sonuçlar ve Analiz

3.1 Tahmin edici performans

Ensemble modeli, test setinde geleneksel RMS eşik alarmlarını ve tek model yaklaşımlarını (örneğin, SVM, temel CNN) önemli ölçüde aştı:

• Ortalama hassasiyet:% 92

• Geri çağırma (Hata tespit oranı):% 88

• Yanlış alarm oranı:% 5

• Ortalama teslim süresi:68 saat
  Tablo 1: Test setindeki performans karşılaştırması
  Örnek Ortalama hassasiyet Hatırlama Yanlış alarm oranı Ortalama teslim süresi saatler
  Ve bu yüzden, bu çok önemli bir şey.
  RMS Sınırı (4 mm/s) %65 %75 %22 %24
  %78 %80 %15 %42
  1D CNN %85 %82 %8 %55
  |Önerilen Ensemble (LSTM+GBM)|% 92|% 88|% 5|68|

3.2 Temel Bulgular ve Yenilikler

• Erken İmza Bulma:Model, fonksiyonel arıza öncesinde 50 saatten fazla sürede yüksek frekanslı enerjide (5-10 kHz bandında) ve kurtoz değerlerinde belirgin artışlar tespit etti.Mikroskobik bantlı patlama başlangıcı ile ilişkiliBu değişiklikler sıklıkla standart spektrumlarda operasyonel gürültü ile gizlendi.

• Bağlam Duyarlılığı:Özellik önemi analizi (GBM aracılığıyla) operasyonel bağlamın kritik rolünü doğruladı. LSTM'nin etkili bir şekilde öğrendiği 8.000 RPM ile 15.000 RPM'de arıza imzaları farklı şekilde ortaya çıktı.

• Sınırlara üstünlük:Basit bir RMS izlemesi yeterli bir teslim süresi sağlayamadı ve yüksek yük operasyonları sırasında sık yanlış alarmlar üretti.Yapay zeka modeli, çalışma koşullarına ve öğrenilen karmaşık kalıplara dayalı olarak dinamik olarak uyarlanmış eşiği belirler..

• Doğrulama:Şekil 1, modelin çıkış olasılığını ve dış bir yarış yolu rulman hatası geliştiren bir spindle için kilit titreşim özelliklerini (Kurtosis, Yüksek Frekanslı Enerji) göstermektedir.Model bir uyarı tetikledi (Olasılık > 0).85) tam nöbetten 65 saat önce.

4 Tartışma

4.1 Yorum

Yüksek tahminsel doğruluk, modelin çok alanlı titreşim özelliklerini operasyonel bağlamlarında birleştirme ve zamanlı bozulma yörüngelerini öğrenme yeteneğinden kaynaklanır.LSTM katmanları zaman içinde hata imzalarının ilerlemesini etkili bir şekilde yakaladıYüksek frekanslı enerjinin ve kurtozun erken göstergeler olarak egemenliği triboloji teorisiyle uyumludur.Başlayan yüzey kusurları, daha yüksek frekansları etkileyen geçici stres dalgaları ürettiğinde.

4.2 Sınırlar

• Verilerin kapsamı:Mevcut doğrulama öncelikle rulman ve dengesizlik hataları üzerine yapılır. Daha az yaygın arızalar (örneğin, motor sargı hatası, yağlama sorunları) üzerinde performans daha fazla inceleme gerektirir.

• Sensör Bağımlılığı:Hızlandırıcı hareketleri veya hasarları sonuçları etkileyebilir.

• Hesaplama yükü:Gerçek zamanlı analiz makinenin yakınında uç bilgisayar donanımı gerektirir.

4.3 Pratik Sonuçlar

• Kısaltılmış Dinlenme Zamanı:Proaktif uyarılar, planlı duraklamalar sırasında bakım planlamasını sağlar ve kesintiyi en aza indirir.

• Daha Düşük Maliyetler:Felaket hasarları önler (örneğin, yıkılmış spindle şaftları), yedek parça envanter ihtiyaçlarını azaltır (sadece zamanında değiştirme) ve bakım emeğini optimize eder.

• Uygulama:Sensörlere, kenar geçitlere ve yazılım entegrasyonuna ilk yatırım gerektirir. bulut tabanlı çözümler ortaya çıkıyor, küçük üreticiler için engelleri düşürüyor.Yüksek kullanımlı spindeller için ROI genellikle 6-12 ay içinde elde edilir.

5 Sonuç

Bu çalışma, CNC spindle arızasının erken tahmin edilmesi için kapsamlı titreşim özelliği çıkarımını LSTM-GBM ansambl AI modeliyle bütünleştirmenin etkinliğini göstermektedir.Yaklaşım yüksek hassasiyet (92%) ve önemli bir teslim süresi (ortalama. 68 saat), geleneksel titreşim izleme yöntemlerinden önemli ölçüde daha iyi performans göstermektedir.LSTM aracılığıyla zamansal bozulma kalıplarının açık bir şekilde modellenmesi, ve GBM ansambl öğrenimi tarafından sağlanan dayanıklılık.