Содержание к диссертации
Введение
Глава 1. Аналитический обзор разработок по проблеме состояния режущего инструмента на многооперационных станках 16
1.1 Актуальность проблемы диагностирования состояния режущего инструмента на станках с ЧПУ 16
1.2 Проблема надежности режущего инструмента в условиях автоматизированного производства 19
1.3 Методы диагностирования и оценки состояния режущего инструмента на многооперационных станках 24
1.3.1 Анализ зарубежных исследований в области диагностики состояния режущего инструмента 25
1.3.2 Анализ отечественных исследований в области диагностики состояния режущего инструмента 29
1.4 Подходы к формированию систем мониторинга и диагностики состояния режущего инструмента. Методы интеллектуального анализа данных 33
1.4.1 Подход к мониторингу состояния инструмента с использованием адаптивной нейро-нечеткой системы вывода «ANFIS» 36
1.4.2 Онлайн-диагностика состояния режущего инструмента при помощи использования мэл-частотных кепстральных коэффициен тов .40
1.4.3 Диагностирование износа режущих инструментов и прогнозирование их остаточной стойкости в реальном времени обработки на станках с ЧПУ 44
1.5 Способы диагностирования состояния инструмента на станочных системах при работе в условиях автоматизированного производства 47
1.5.1 Разработка алгоритма управления процессом резания с помощью автоматизированной оценки состояния инструмента 49
1.6 Выводы по главе. Постановка цели и задач работы 51
Глава 2. Принципы построения интеллектуального информационно-управляющего модуля диагностики состояния инструмента многооперационного станка .54
2.1 Подход к управлению состоянием режущего инструмента 54
2.2 Системная архитектура модуля e-MindMachine
2.2.1 Узел «База данных – инструмент» 60
2.2.2 Узел «Система знаний наблюдения и управления» 60
2.3 Принципы функционирования блока «Инструмент» модуля e-Mind Machine многооперационного станка 62
2.3.1 Структура блока «Инструмент» 64
2.3.2 Функции узлов блока «Инструмент»
2.3.2.1 Регистрирующий узел .65
2.3.2.2 Узел наблюдений и управления .67
2.3.2.3 Узел мониторинга состояния инструментов 71
2.3.2.4 Узел управления диагностическими устройствами .72
2.3.2.5 Узел адаптации и специальных режимов резания .73
2.3.2.6 Информационный узел .74
2.4 Методы оценки параметров нечетких границ стойкости режущего инструмента .74
2.4.1 Оценка параметров нечеткой границы на основе статистической обработки данных 75
2.4.2 Оценка параметров нечеткой границы на базе ускоренных ис-пытаний 77
2.4.3 Оценка параметров нечеткой границы на основе использования методологии искусственного интеллекта 78
2.4.4 Оценка параметров нечеткой границы при помощи метода контрольных карт .79
2.5 Выводы по главе 86
Глава 3. Экспериментальное исследование эффективности предложенного подхода на базе принципов функционирования блока «Инструмент».. 88
3.1 Постановка целей и задач экспериментального исследования .88
3.2 Описание экспериментального стенда, выбор материала заготовки и режущего инструмента 3.2.1 Описание экспериментального стенда .90
3.2.2 Выбор режущего инструмента и материала заготовки
3.3 Метод экспериментальной оценки параметров нечеткой границы на основе статистической обработки данных .92
3.4 Метод экспериментальной оценки параметров нечеткой границы на базе ускоренных испытаний .97
3.5 Метод оценки параметров нечеткой границы на основе использования методологии искусственного интеллекта
3.6 Способ экспериментальной оценки параметров нечеткой границы при помощи метода контрольных карт .103
3.7 Разработка компьютерной модели экспериментальной оценки параметров нечеткой границы. 106
3.8 Выводы по главе 111
Глава 4. Разработка системы идентификации состояния режущего инструмента на основе методов искусственного интеллекта 114
4.1 Разработка системы мониторинга состояния инструмента 114
4.2 Извлечение векторов свойств .115
4.2.1 Вычисление спектральной плотности мощности (функция плотности спектра мощности) .116
4.2.2 Вычисление энергии сигнала в окнах мел-фильтра 117
4.2.3 Вычисление кепстральных коэффициентов сигнала
4.3 Оценка радиального износа режущего инструмента .121
4.4 Интерфейс системы мониторинга состояния РИ .125
4.5 База данных системы мониторинга состояния РИ .129
4.6 Разработка экспертной системы управления состоянием РИ .130
4.7 Выводы по разделу 133
Выводы по диссертационной работе 135
Список использованных источников
- Проблема надежности режущего инструмента в условиях автоматизированного производства
- Онлайн-диагностика состояния режущего инструмента при помощи использования мэл-частотных кепстральных коэффициен тов
- Принципы функционирования блока «Инструмент» модуля e-Mind Machine многооперационного станка
- Вычисление кепстральных коэффициентов сигнала
Введение к работе
Актуальность темы. Проблема диагностирования состояния режущего инструмента (РИ), вкупе с оценкой его износа, остается актуальной на протяжении многих лет. Проблеме состояния режущего инструмента на станке в условиях автоматизированного промышленного производства были посвящены труды таких ученых, как: Грановский Г.И., Матюшин В.М., Григорьев С.Н., Гурин В.Д., Синопальников В.А., Решетов Д.Н., Проников А.С., Гречишников В.А., Рыжкин А.А., Заковоротный В.Л., Сосонкин В.Л., Ар-шанский М.М., Мартинов Г.М., Кудинов Н.В., Балашкин Б.С., Пуш В.Э., Зо-риктуев В.Ц., Соломенцев Ю.М. Козочкин М.П., Кривоухов В.А., Зорев Н.И., Лоладзе Т.Н., Бобров В.Ф. и др. Основное внимание в этих работах уделялось проблемам точности, стойкости и надежности режущего инструмента.
Исходя из статистики, операторам, обслуживающим станки с ЧПУ, для поддержания текущей работоспособности, поднастройки технологической системы и устранения причин возможных отказов приходится вмешиваться в работу станка по управляющей программе в период от 6 до 22 минут с момента начала операции обработки. По результатам проведенных японской службой Takeyama исследований, простои оборудования с ЧПУ из-за отказов в связи с незапланированным износом и поломкой режущего инструмента составляет от 39 до 50 процентов времени работы, что требует дополнительных затрат на использование большего количества РИ для обработки такой же партии деталей.
С 90-х годов прошлого века экономически развитые государства мира принимают участие в реализации проекта SIMON (Sensor Fused Intelligent Monitoring System for Machining), который является одной из составных частей программы создания технологии XXI века. Системы мониторинга, поддерживающие надежное функционирование режущего инструмента на металлорежущих станках, предназначены для сведения возможного ущерба от затупления или поломки РИ к минимальным показателям. Система мониторинга должна, на основе оценки износа инструмента, инициировать процесс своевременной его замены.
Исходя из всего, сказанного выше, можно сделать вывод о том, что система мониторинга состояния и учета износа режущего инструмента должна выполнять следующие задачи:
максимально быстро обнаруживать происходящие в процессе обработки поломки;
идентифицировать поломки режущего инструмента;
классифицировать и оценивать износ режущего инструмента, вы
званный механическими повреждениями или воздействиями внеш
ней среды.
Автоматический контроль состояния режущего инструмента позволяет:
повысить надежность процесса металлообработки (определять правильность его протекания, автоматически восстанавливать работоспособность станка при отказах инструмента;
уменьшить расход инструмента;
улучшить качество обработки и сократить брак;
предохранить механизмы и узлы станка от поломки и преждевременной потери точности;
реализовать автоматическое управление.
Таким образом, выбранная тема для диссертационного исследования сосредоточена на создании универсальной системы диагностирования в составе управляющего модуля, способного осуществлять контроль износа и управление состоянием инструмента многооперационного станка в системе интеллектуального мониторинга.
Цель работы: повышение надежности обработки на многооперационных станках в компьютеризированном производстве за счет оценки и управления состоянием инструмента.
Задачи исследования. Для достижения цели диссертационной работы были поставлены следующие задачи:
-
разработка структуры и алгоритма функционирования блока «Инструмент» интеллектуального управляющего модуля станка;
-
разработка модели системы диагностирования состояния инструмента и прогнозирования его остаточной стойкости в режиме онлайн в составе блока «Инструмент» интеллектуального управляющего модуля;
-
практическая реализация разработанной системы; проведение станочных испытаний;
-
оценка значений нечеткой пограничной полосы стойкости режущего инструмента для дальнейшего использования при решении задачи управления его состоянием;
-
реализация структуры и алгоритмов функционирования системы идентификации состояния режущего инструмента;
-
формирование базы данных системы мониторинга состояния инструмента.
Научная новизна работы заключается в создании структуры, принципов и алгоритмов функционирования блока «Инструмент» интеллектуального управляющего модуля e-Mind Machine, позволяющего автоматически управлять состоянием режущих инструментов многооперационного станка.
Найдены условия и принципы анализа состояний инструмента в процессах работы многооперационных станков с автоматической системой замены РИ, и управления этим состоянием для обеспечения работоспособного функционирования. Отличительной особенностью является то, что для оценки состояния инструмента введены концептуальные понятия нечеткой границы и пограничных полос размерного износа и общей стойкости режущего инструмента на базе представлений теории нечетких знаний. Введение этих понятий связано с необходимостью адаптации режимов резания и принятия решений в зависимости от складывающейся ситуации по состоянию инструмента и его влиянию на точность обработки детали.
Ключевым аспектом и оригинальностью подхода является возможность определения значения остаточной стойкости инструмента, а также прогнозирование времени его отказа. В отличие от известных подходов, данный способ обусловлен использованием в составе системы интеллектуального мониторинга состояния инструмента.
Результаты работы. В диссертационной работе получены следующие научные результаты:
-
Метод контроля и управления состоянием инструмента реализован на базе интеллектуального информационно-управляющего модуля. Данный модуль обеспечивает информационную поддержку знаний о себе конкретного станка, в т.ч. знаний о процессе обработки, инструменте, заготовке, общем состоянии станка. Модуль оснащен блоком информационного обмена между оператором УЧПУ, сервисной службой, а также службой контроля верхнего уровня.
-
На основе технологий искусственного интеллекта, в т.ч. разработанной и описанной базы данных системы мониторинга состояния инструмента осуществляется поиск различных закономерностей, как функциональных, так и логических, в накопленных станком данных. Введено концептуальное понятие условной границы стойкости инструмента на некотором интервале времени / пути / объема удаленного материала при резании до начала катастрофического износа. Разработана методика оценки гарантирующего значения в нечеткой границе стойкости инструмента.
3. Сформирована база правил нечеткого прогнозирования износостой
кости режущего инструмента на основе нейро-нечеткой сети. Реали-
5
зованы правила и значения выходной переменной – коэффициента коррекции стойкости инструмента для управления состоянием РИ, учитывающие специфику влияния параметров процесса резания, и позволяющие повысить его стойкостной ресурс.
-
Введенная модификация контрольных карт индивидуальных значений предусматривает наглядную оценку близости статистических значений износа инструмента к допустимому значению стойкости. Предложена структура системы идентификации состояния инструмента, основанная на анализе сигналов виброакустической эмиссии. Получен и представлен в диссертации набор mel-частотных спектральных коэффициентов, вычислены кепстральные коэффициенты сигнала.
-
Разработан и описан интеллектуальный модуль e-Mind Machine, в соответствии с полученными математическими зависимостями, позволяет динамически управлять процессом резания, диагностируя состояние инструмента многооперационного станка. Модуль соответствует мировой тенденциям организации интеллектуальных систем управления, информационного обмена данными и построения информационных систем промышленных предприятий.
Практическая значимость работы заключается в следующих результатах:
-
Разработана система, моделирующая нелинейную зависимость времени стойкости инструмента от локального изменения твердости поверхности заготовки и основных варьируемых факторов режима обработки – величины подачи и скорости резания.
-
Разработана адаптивная нейро-нечеткая система мониторинга состояния инструмента, использующая алгоритм извлечения вектора свойств, систему нечеткого логического вывода и информацию о параметрах резания для оценки радиального износа.
-
Созданы оболочка, структура и интерфейс системы мониторинга состояния режущего инструмента. Система моделирует нелинейную зависимость радиального износа инструмента от значений кепст-ральных коэффициентов и основных варьируемых факторов режима обработки – скорости резания, величины подачи, глубины резания и твердости поверхности заготовки для инструмента определнного диаметра.
-
Реализована база данных в СУБД Microsoft Office Access 2007 через мост Java Database Connectivity – Open Database Connectivity. Разра-
ботанная БД хранит информацию об инструментах, и оценке радиального износа РИ.
Апробация работы. Теоретические и практические результаты, полученные автором исследования, докладывались на заседаниях кафедры «Робототехника и мехатроника» и кафедры «Металлорежущие станки и инструменты» ФГБОУ ВО ДГТУ, на юбилейной конференции студентов и молодых ученых, посвященной 85-летию ДГТУ, на 8-й международной научно-практической конференции, в рамках 18-й международной агропромышленной выставки «Интерагромаш–2015», а также на 9-й международной научно-практической конференции в рамках 19-й международной агропромышленной выставки «Интерагромаш-2016».
Внедрение результатов работы. Результаты диссертации внедрены на АО «ВНИИ «ГРАДИЕНТ» и используются на многооперационных станках с системой ЧПУ.
Публикации. По теме диссертации опубликовано 12 научных работ (из них 4 – в ведущих рецензируемых научных журналах и изданиях, входящих в перечень ВАК РФ), включая тезисы докладов, опубликованные в рамках международных и региональных научно-технических конференций.
Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, выводов по работе, списка литературы из 65 наименований. Основная часть работы изложена на 146 страницах машинописного текста, содержит 44 рисунка, 9 таблиц. В приложениях представлены коды программ моделирования системы мониторинга, реализованные при помощи пакета Matlab. Также прилагаются акты внедрения результатов диссертационного исследования.
Проблема надежности режущего инструмента в условиях автоматизированного производства
В работе [34] впервые был представлен авторский подход к диагностике состояния инструмента с помощью использования самоорганизующихся карт Кохонена. Генерировался ряд вибрационных характеристик, проявляемых инструментом при сверлении. Обработка сигналов подразумевала использование спектральных характеристик для получения частотно-временной характеристики инструмента. Эта функция является входной для классификации скрытых Марковских моделей. Авторы показали, что самоорганизующиеся карты Кохонена присваивают алгоритм выделения характеристик вибрационных сигналов в рамках процесса самообучения.
Для обнаружения отказов режущего инструмента в реальном времени впервые была представлена методика, основанная на исследовании частотной области получаемых значений [35]. На низких частотах в частотной области выделяется два важных пика, которые впоследствии сравниваются, дабы вычислить коэффициент, который может быть индикатором для контроля поломки инструмента.
В [36] авторы использовали скрытые Марковские сети для оценки износа инструмента во фрезеровании. Из вибрационных характеристик инструмента были выделены среднеквадратическое отклонение силы резания и его производная. Было идентифицировано два состояния режущего инструмента – изношенное и неизношенное. Авторы сообщили, что успех операции диагностики составил 93%.
В статье [37], была представлена новая гибридная технология диагностики изнашивания режущего инструмента, предохраняющая непосредственно физический процесс резания, с помощью применения искусственной нейронной сети. Физическая модель описывает влияние режимов резания на измерение сигналов силы резания, и пытается нормализовать их. Модель ИНС устанавливает связь между нормированными сигналами силы и состоянием износа режущего инструмента. Производительность лучшей модели составила 99,4% за один шаг обучения, и 70,0% за шаг тестирования.
Рисунок 1.3 – Результаты диагностики состояния режущего инструмен та с помощью модели ИНС В работе [38] разработана интеллектуальная система контроля для определения предварительного износа режущего инструмента с использованием модельного подхода. Динамические характеристики силы резания напрямую связаны с режущим инструментом и условиями процесса обработки. Во-первых, модели ИНС обучаются с учетом силы резания, скорости подачи, а также радиальной глубины резания. Во-вторых, остаточная ошибка, полученная из предварительного измерения силы резания, сравнивается с адаптивным пороговым значением для оценки состояния режущего инструмента. Это состояние классифицируется как новый, незначительно изношенный, значительно изношенный, или же непригодный режущий инструмент.
Также авторы предлагали альтернативный метод, в котором исследование контроля износа инструмента в процессе высокоскоростной механообработки основывалось на анализе различных сигнатур сигналов временной и частотной областей. Авторами использовалась информация, снятая с динамометров, акселерометров и датчиков виброакустической эмиссии, для получения отклонения необходимых переменных. Тесты были разработаны для различных скоростей резания и подач, чтобы определить результативность новых и изношенных режущих инструментов. Данные были преобразованы из временной в частотную область с использованием быстрого преобразования Фурье. Был сделан вывод о том, что вторая гармоника частоты возбуждения зуба инструмента в виброакустическом сигнале является лучшим индикатором для определения состояния износа режущего инструмента.
Работа [39], предлагает подход, основанный на применении сети Байе-са. Подход объединяет несколько измерительных процессов в последовательных операциях обработки, чтобы определить причины изменения некоторых факторов процесса резания. Это обеспечивает вероятностный уровень достоверности прогноза. Сеть обучалась с набором из 16 экспериментов, а оценивалась с 18 новыми экспериментами. В итоге сеть была диагностирована с 60% корректных состояний в 16 из 18 случаев.
Предложение использовать блок распознавания речевых структур в системах диагностики состояния износа режущего инструмента прозвучало в статье [40]. Кроме того, представлен новый подход к онлайн-мониторингу состояния износа режущего износа в торцевом фрезеровании. Предложение основано на непрерывной сортировке скрытых Марковских моделей. Характеристические векторы были рассчитаны из сигналов вибрации между режущим инструментом и обрабатываемой деталью. Векторы формировались на основе коэффициентов косинусного преобразования Фурье спектра уровней звукового давления. Успех диагностики состояния режущего инструмента составил 99,86% и 84,55%, на шаг обучения и тестирования, соответственно. Также предлагается косвенный подход мониторинга на основе измерения вибрации в процессе фрезерования. Авторы сравнили производительность трех различных алгоритмов: Скрытых Марковских моделей, искусственных нейронных сетей и квантизацию векторов при обучении (Learning Vector Quantization). Алгоритм СММ показал наибольшую точность диагностики – 84,24% точностью, а LVQ алгоритм – точность в 60,31%. В таблице 1.1 приведены все работы, обсуждающиеся в этом разделе.
Онлайн-диагностика состояния режущего инструмента при помощи использования мэл-частотных кепстральных коэффициен тов
Связи между e-Mind Machine и УЧПУ станка предусматривают возможность использования принимаемых интеллектуальной системой управления решений для составления или коррекции управляющей программы, а также пополнения баз данных и знаний. Блок информационного обмена, посредством связи с операторами, обеспечивает доступ к e-MM через информационную сеть предприятия.
Узел базы данных инструмента (БД-инструмент) представляет собой таблицу (Operations), которая содержит в себе информацию об операциях и состоит из следующих разделов: 1. индекс инструмента, (Tool index); 2. диаметр инструмента (Tool diameter); 3. скорость резания (Speed of cut); 4. подача на зуб фрезы (Feed per tooth); 5. радиальная глубина удаляемого слоя материала (Depth of cut); 6. твердость материала заготовки (Workpiece hardness); 7. вычисленный радиальный износ инструмента (Estimated h); 8. время работы инструмента (Run time); 9. дата и время конца операции (Operation date).
Стойкость инструмента в различных случаях оценивается временем (T) или путем резания (L), площадью обработанной поверхности (A), объемом снятого материала (Q) с заготовки. При этом используются показатели оценки стойкости: размерная стойкость Tr, размерный износ по передней hr и задней hз поверхности, общая стойкость до затупления или поломки - T.
Из за существенного разброса значений общей стойкости, оцениваемых временем наступления катастрофического износа, количественные данные могут быть неточными. Причинами этого являются нестабильность качества инструмента, заготовки и нестационарный характер процесса резания. Величина период стойкости T зависит от механических и теплофизических свойств обрабатываемого материала и инструмента, его геометрических параметров и режимов резания, а также динамических свойств станка.
Статистические методы позволяют оценить стойкость Т с некоторой долей вероятности при проведении специальных исследований и в специфических условиях обработки. В производственных условиях такая возможность отсутствует, и даже при обработке других заготовок из того же материала и инструментов той же модели, что и в условиях экспериментов, доверительность оценкиТ становится весьма приблизительной.
Получить представление о подсистемах, охватываемых каждым блоком, можно из рисунка 2.2. Каждый из блоков также был подробно рассмотрен в работе [68]. Настоящее же диссертационное исследованиесосредоточе-но на разработке блока «Инструмент» e-Mind Machine. Блок «Инструмент» предназначен для автоматизации мониторинга и управления состоянием инструмента при работе сложной станочной системы на производстве. 2.3 Принципы функционирования блока «Инструмент» модуля e-Mind Machine многооперационного станка
Проблема мониторинга и управления состоянием инструмента представляется постановкой совокупности задач автоматизации, определяемых необходимостью наблюдения за состоянием РИ на станке, их своевременной замены, а также управления состоянием для экономии затрат, связанных с инструментом.
К совокупности таких задач относятся: минимизация времени на обслуживание инструментов; контроль износа по стадиям обработки деталей и/или при непрерывном наблюдении и оценке; управление режимами резания; адаптация режимов резания для обеспечения обработки поверхности без прерывания на замену РИ; рациональная организация и управление оперативной сменой инструментов в процессе обработки.
Перечень задач может быть дополнен или изменен в соответствии со спецификой технологических условий и оснащения станков.
Блок «Инструмент» в e-Mind Machine многооперационного станка и в соответствующей подсистеме СЗ е-ММ включает совокупность данных и знаний по состоянию режущих инструментов - ST, предназначенных для выполнения всех переходов операции обработки определенной партии деталей. ST = (Su S2, S3, ... ,Sn, Щ, (2.8) где Si, S2, S3, ... , S„- векторы состояния п инструментов, находящихся в станочной системе для выполнения текущей операции, Us - вектор управлений состоянием инструментов. Каждый вектор St формируется совокупностью наследуемых и оперативных данных и знаний в соответствии с введенными ранее представлениями [68]. Sf = (Fu Kt), (2.9) где Fj, - множество данных, соответствующих наследуемым и опера-тивнымфакторам (параметрам), К{ - знания о текущем состоянии 1-го инструмента и прогнозе. Fi=(Fhi, Foi), Fh = ( fhf2,..., fn ); (2.10) F0 = (fl, f2,-, fn).
Под наследуемым множеством Fh подразумевается: совокупность параметров по числу п инструментов, данные по которым получают при наладке станка или при обслуживании инструментального магазина станка оператором; совокупность факторовпо числу п инструментов, измеряемых и/или оцениваемых непосредственно в процессе обработки, отнесена к оперативному множеству F0. 2.3.1 Структура блока «Инструмент» Внешняя структура блока «Инструмент» представлена на рисунке 2.3. Структура включает ряд узлов, назначение которых приведено ниже: регистрирующий узел содержит: БД по инструментам; данные по выполняемой на станке операции обработке каждым инструментом. Узел формирует совокупность наследуемых данных Fh. узел наблюдений за изменениями состояний инструментов F0 на стадиях их использования и управления Us; узел мониторинга состояния инструментов: предназначен для оценки поведения инструмента и прогнозирования параметров износа и стойкости РИ. узел управления диагностическим оборудованием: позволяет обеспечить выбор соответствующей стратегии и алгоритма работы устройств диагностики; узел адаптации и специальных режимов резания: применяется при использовании инструментов в периоды близкие к порогам их стойкости. информационный узел: обмен данными с другими модулями, бло ками системы знаний станка, УЧПУ, оператором и сетью технологи ческого обеспечения.
Принципы функционирования блока «Инструмент» модуля e-Mind Machine многооперационного станка
Целью проведения эксперимента является тестирование разработанных и представленных в главе 2 методов оценки параметров нечетких границ стойкости режущего инструмента в составе узла наблюдений и управления блока «Инструмент» модуля e-Mind Machine многооперационного станка. Подтверждение эффективности проводимых исследований позволит наглядно проиллюстрировать возможности модуля е-ММ в вопросах контроля и управления состоянием инструмента на многооперационных станках.
Решение поставленной задачи позволит выявить закономерности между реальными условиями процесса резания и представленными в главе 2 математическими зависимостями для оценки параметров FB стойкости режущего инструмента. Это может позволить оптимизировать программы ЧПУ в режиме онлайн, а также повысить производительность металлорежущего станка. В настоящей работе предлагается использовать четыре метода оценки параметров FB, как то: оценка параметров FB на основе статистической обработки данных (метод описан в п.п. 2.4.1 диссертационной работы); оценка параметров FB без возможности проведения объемных статистических испытаний (метод описан в п.п. 2.4.2 диссертационной работы); оценка параметров FB на основе использования методологии искусственного интеллекта (метод описан в п.п. 2.4.3 диссертационной работы); оценка параметров FB при помощи метода контрольных карт (метод описан в п.п. 2.4.3 диссертационной работы). Выбор таких методов анализа основан на опыте зарубежных экспертов в области применения различных способов интеллектуального анализа данных при обработке на металлорежущих станках [24, 40, 46, 48].
Повышение производительности в рамках данного экспериментального исследования обусловленоповышениемзначений режимов резания, когда это не представляет угрозу для качества обработки, и наоборот, снижением в тех ситуациях, когда требуется обеспечение повышенной точности.
В рамках экспериментального исследования необходимо доказать эффективность и практичность применения методов оценки параметров нечетких границ стойкости инструмента при различных режимах, а также подтвердить повышение точности обработки при работе интеллектуального модуля e-MindMachine на многооперационном станке с ЧПУ.
Для подтверждения описанных в главе 2 теоретических исследований, а также выявления закономерностей необходимо получить статистику изнашивания инструмента до предельно допустимых значений в рамках конкретной операции обработки, и на основе рекомендаций модуля e-MM, сформировать корректирующие коэффициенты к программе обработки.
Испытания проводились в лаборатории Южного центра модернизации машиностроения Донского Государственного Технического Университета. 3.2 Описание экспериментального стенда, выбор материала заготовки и режущего инструмента
Изложенные ранее методы оценки параметров FB реализовывались на базе экспериментальных исследований, проведенных на вертикальном обрабатывающем центре Okuma MB-46 VAE, предоставленным Южным ЦММ ДГТУ (рисунок3.1). Обрабатывающий центр был дополнительно оснащен ПК с программным обеспечением базы данных (БД) и системы знаний (СЗ) модуля e-Mind Machine.
Экспериментальный стенд на базе вертикального обрабатывающего центра Okuma MB-46 VAE Измерительная электронная система Machining Navi M-g представляет собой опциональный измерительный модуль акустического типа, оснащенный THINC-OSP контроллером и виброакустическими датчиками. Датчик измерительной системы закрепляется при помощи магнитного держателя и касается станка непосредственно микрофоном, что позволяет снимать виброакустические колебания в процессе обработки на станке.
В серии экспериментов в качестве материала заготовки использовалась образцы прямоугольной формы (50010060 мм), материал – сталь 45, конструкционная углеродистая качественная (таблица 3.1).
Для проведения экспериментальных исследований в качестве режущего инструмента были выбраны фрезы Links HPRE4-010-080 – твердосплавные, цилиндрические, быстрорежущие, концевые. Диаметр инструмента (D) – 10 мм, число зубьев (z) – 4.Материал фрезы – твердый сплав с покрытием для фрезерной обработки PC5300 (жаропрочные стали). Инструмент был выбран при помощи каталога инструментов Kyocera General Catalog. Размерные и механические свойства режущего инструмента представлены в Теоретические положения данного метода были подробно описаны в главе 2, пункте 2.4.1 настоящей диссертационной работы. Ниже приведен пример определения параметров FB по представленному методу для типовой ситуации №1, как указывалось в пункте 2.4.
Подача на зуб назначена, исходя из рекомендаций [29], где для фрез диаметром 9-12 мм рекомендуемое значение находится в диапазоне 0,04-0,06 мм/зуб. Значения рассчитанного диапазона скоростей резания в соответствии с уже упоминавшейся ранее зависимостью [29] составили V= 100-130 м/мин. Обработка проводилась при усредненных режимах резания. Cv D v Kv V
Вычисление кепстральных коэффициентов сигнала
В данной диссертационной работе, на основе теоретических и экспериментальных исследований, решается проблема контроля и управления состоянием инструмента многооперационного станка с использованием разработанной системы интеллектуального мониторинга.
В ходе выполнения исследований осуществлена постановка цели диссертации, заключающаяся в повышении надежности обработки на многооперационных станках в компьютеризированном производстве за счет оценки и управления состоянием инструмента.
В результате выполнения работ получены следующие научные результаты, определяющие принципы и условия создания систем мониторинга состояния инструмента многооперационных станков в компьютеризированном производстве.
1. Представлена структура и принципы функционирования блока «Инструмент» интеллектуального модуля e-Mind Machine многооперационного станка. Системная архитектура интеллектуального управляющего модуля eMM предполагает использование системы знаний как основы интеллектуальной платформы, которая, в свою очередь, включает в себя совокупность блоков, охватывающих основные области функционирования многооперационных станков на производстве. В число блоков входят: «Процесс обработки», «Инструмент», «Состояние станка», «Заготовка-деталь», «Информационный обмен».Описаны совокупность узлов блока «Инструмент», функции которых начинаются от сбора и хранения исходной информации по используемым инструментам и заканчиваются диагностикой их состояния. Структура системы знаний модуля e-MM предусматриваем связи между e-Mind Machine и УЧПУ станка, возможность использования принимаемых интеллектуальной системой управления решений для составления или коррекции управляющей программы, а также пополнения баз данных и знаний.
Внешняя структура блока «Инструмент» модуля e-MM. Структура включает в себя узлы: регистрирующий; адаптации и специальных режимов резания; мониторинга состояния инструмента; управления диагностическими устройствами; наблюдений и управления; информационный. Представлено назначение узлов, сформированы совокупности данных и знаний, необходимые для функционирования узлов в составе блока «Инструмент».
Для решения задач управления состоянием инструментов введены понятия нечетких границ стойкости, а также ширины пограничной полосы, отображающие наступление рассматриваемого вида износа. Данные понятия представляют наибольший интерес для научной среды инструментальщиков, поскольку напрямую связаны с вопросами автоматизированной оценки работоспособности режущего инструмента и управления его состоянием при работе многооперационных станков с ЧПУ в режиме «безлюдной технологии».
Приведены типовые ситуации, которые могут возникнуть при определении нечетких границ стойкости инструмента в процессе эксплуатации. Для каждой ситуации предложены методы оценки параметров нечеткой полосы стойкости инструмента. В перечень методов входит оценка параметров нечеткой полосы: на основе статистической обраотки данных; на базе ускоренных испытаний; на основе использования методологии искусственного интеллекта; при помощи метода контрольных карт.
2. Система мониторинга состояния инструмента, состояние которого влияет на размерную точность обработки, использует алгоритм извлечения вектора свойств, систему нечеткого логического вывода и информацию о параметрах резания для оценки радиального износа. Модель системы диагностики ориентирована на определение пограничных значений стойкости Та и Tb нечеткой полосы посредством нахождения величины статистических оценок матожиданий распределений размерного износа инструмента и среднеквад-136 ратических отклонений в моменты времени работы РИ существенно меньше, чем время критического износа.
3. Практическая реализация разработанной системы включает в себя два типа станочных испытаний – объемный и ускоренный; реализован метод диагностики состояния РИ на базе нейро-нечеткой сети, реализующий представление входных переменных и вывода в относительных единицах; введена модификация контрольных карт, предусматривающая наглядную оценку близости статистических значений износа инструмента к допустимому значению стойкости. Установлен вид распределения значений стойкости по допустимой величине износа лезвия. Близость полученного распределния к нормальному доказана с помощью проверки по ассиметрии и эксцессу.
Установлено среднее значение времени стойкости инструмента при импользовании метода ускоренных ипытаний, предуматривающего использование предельных значений режимов резания.
База правил нечеткого прогнозирования износостойкости РИ в качестве входных переменных использует относительные значения скорости резания, подачи на зуб и поверхностной твердости заготовки к соответствующим средним значениям в диапазонах, указанных ранее. В качестве выходной - коэффициент коррекции времени стойкости. Нейронная сеть включает промежуточный слой с 12 нейронами (в соответствии с нечеткими правилами вывода) и один выход. Коэффициент коррекции, с учетом значения которого определяется прогнозируемое значение стойкости РИ, и соотношения входных параметров приняты на основе экспертных заключений и в соответствии с данными каталогов инструментальных фирм. Определены значения, соответствующие предельным значениям скорости резания, подачи и поверхностной твердости заготовки.