Как да се интегрира изкуствен интелект за прогнозиране на износването на режещите инструменти в CNC машини за рязане на алуминиеви профили?

Защо AI прогнозирането на износването на режещи инструменти е критично важно за CNC обработката на алуминий

Когато инструментите изведнъж излизат от строя по време на рязане на алуминиеви профили, производителите губят около 740 000 щ.д. годишно поради простои, според доклада на Ponemon за 2023 г. Проблемът се влошава още повече при сплави 6061-T6, които имат тенденция да ускоряват износването на инструментите поради образуването на нежелани наслоявания по рязаната повърхност и термични пукнатини. Традиционните подходи, при които цеховете просто заменят инструментите според календарно време, водят до отхвърляне на около 30 % от потенциално още полезния срок на експлоатация на инструментите или, още по-лошо, до сериозни повреди при работа с максимални скорости. Умните AI системи напълно променят тази ситуация. Тези системи анализират различни видове реалновременни данни от сензори — като вибрациите на машините, промените в товара върху шпиндела и дори звуците, които произвежда оборудването, — за да забележат миниатюрни признаци на износване още преди размерите на обработваните части да излязат извън допустимите толеранции. Следващото, което се случва, е доста впечатляващо: машинното обучение преобразува всички тези сурови данни в конкретни прогнози. Това означава, че поддръжката може да се извърши през нощта, вместо да прекъсва производствения процес, а операторите могат да коригират скоростта на подаване и скоростта на рязане в реално време. Компаниите, които са внедрили тези технологии, обикновено наблюдават намаляване на неплануваните простои с около 41 % и удължаване на срока на експлоатация на режещите инструменти с още 17 %. За големите производствени предприятия, които изготвят хиляди профили ежедневно в авиационни и автомобилни заводи, тези подобрения се отразяват директно в по-високи показатели за общата ефективност на оборудването (OEE) по цялата линия.

Интеграция на сензори и предварителна обработка на сигнали за износване, специфично за алуминий

Вибрации, акустична емисия и ток в шпиндела като ключови индикатори в реално време за ранно износване по фланеца при алуминий 6061-T6

Когато става дума за откриване на ранни признаци на износване на режещия инструмент при рязане на алуминиеви профили, три основни технологии се отличават: вибрационни сензори, зонди за акустично емисионно излъчване (AE) и системи за мониторинг на тока в шпиндела. Проблемът е, че алуминият има толкова ниска температура на топене, което всъщност ускорява процесите на адхезивно износване. Какво се случва тогава? Започват да се образуват микроскопични стружки по режещите ръбове, предизвиквайки характерни високочестотни вибрации в диапазона от 15 до 25 kHz, както и импулси на акустично емисионно излъчване над 4 MHz. По-специално за сплави 6061-T6, когато токът в шпиндела започне да се колебае с повече от 8 % спрямо нормалните стойности, това обикновено означава, че износването по фланга се влошава, тъй като увеличеното триене изисква повече мощност от машината. Като комбинират всички тези различни източници на сигнали, производителите могат да регистрират проблемите с износването веднага, преди те да доведат до отклонения в размерите на готовите детайли.

Ансамблова EMD + Хилбертова трансформация за отделяне на хармониците от вибрации (chatter), замаскирани от ниското отношение на демпфиране на алуминия

Алуминият естествено притежава много слаби демпфиращи характеристики, обикновено под 0,05, което означава, че той има тенденция да усилва фоновия шум и да заглушава важните честоти на вибрации („чатър“). Инженерите използват ансамблова емпирична модална декомпозиция (Ensemble Empirical Mode Decomposition), или накратко EEMD, за филтриране на хармониците от въртенето на шпиндела от суровите показания на сензорите. Едновременно с това те прилагат трансформацията на Хилберт, за да получат моментални измервания на амплитудата. Когато се комбинират, тези два етапа позволяват да се отделят сигнали на вибрации („чатър“) под 500 Hz — те са основните предупредителни признаци преди пълното излизане от строя на инструментите — и са се оказали ефективни в реални заводски условия с успех от около 92 % според полеви изпитания. Ценността на този подход се крие в значителното намаляване на ложните аларми, причинени от фактори като разпръскване на охлаждащата течност или незначителни различия между заготовките, което позволява на производителите да прогнозират много по-точно момента, в който инструментите трябва да бъдат заменени.

Стратегии за моделиране с изкуствен интелект за точна и устойчива прогноза на износването на инструменти

Ефективните AI модели за прогнозиране на износването на режещия инструмент превръщат суровите сензорни данни в практически полезни аналитични резултати за машинна обработка на алуминий.

Мрежи от тип LSTM за моделиране на времевото износване при многопроходни рязания при екструзия на алуминий (RMSE −22%)

Мрежите LSTM са изключително добри в проследяването на това как нещата се променят с времето в сензорните данни, което помага за създаването на точни модели на износване на режещия инструмент при фрезоване на алуминий през множество проходи. При анализиране на закономерностите във вибрациите и звуците от машината тези LSTM модели намаляват грешките в прогнозирането с около 22 % спрямо простите прагови подходи. Това има голямо значение за производителите, които обработват сложни профилни форми, тъй като постепенното износване на инструмента влияе върху крайното качество на повърхността. Това, което прави LSTM толкова ефективни, е способността им да запомнят минали режещи операции и да коригират прогнозите си въз основа на реално протичащите процеси. Това е особено полезно при материали като алуминия, който има склонност да се лепи за режещите инструменти по време на обработка, образувайки онези досадни лепкави наслоения, които увреждат крайния продукт.

Фузирането на ANN + EEMD-Hilbert намалява броя на лъжливите тревоги с 68 % при индустриални развертвания на 5-осови CNC триони

Когато комбинираме изкуствени невронни мрежи с методите за ансамблова емпирична модална декомпозиция (EEMD) и Хилбертова трансформация, ние всъщност можем да отделим истинските признаци на износване от целия фонов шум в сензорните данни. Таза комбинация намалява броя на фалшивите предупреждения при сложните 5-осови CNC-режещи машини с около две трети, тъй като тя разграничава реалното износване на режещия инструмент от обичайните вибрации, произвеждани от самата машина. Първоначално частта EEMD–Хилберт разлага променливите токове от шпиндела на по-малки компоненти, наречени вътрешни модални функции. Този процес елиминира дразнещите резонансни ниски честоти, които възникват при обработка на алуминиеви материали. След почистването на тези характеристики те се подават на класификатора, базиран на невронна мрежа, който прави точни прогнози дори при наличието на значителни вибрации в околността. Този подход е тестван в реални аерокосмически режещи операции, където детайлите изискват прецизни профили, и той продължава да демонстрира отлични резултати нощ след нощ по време на непрекъснатите производствени цикли, които работят 24 часа в денонощието, седем дни в седмицата.

От AI прогнозиране до оперативно действие: оптимизация на параметрите и предотвратяване на простои

Затворената обратна връзка за корекция на подаването/скоростта, управлявана от прогнози за износване, намалява неплановите простои с 41 % в линии с висок обем производство

Използването на изкуствен интелект за затворена обратна връзка при CNC рязане на алуминиеви профили превръща тези предиктивни аналитични данни в реални икономии на пари в производствената зала. Когато системата открие чрез непрекъснатото си наблюдение в реално време, че износването на режещия инструмент наближава критични стойности, тя автоматично коригира скоростта на подаване и оборотите на шпиндела, за да поддържа рязащите сили под контрол. Какво означава това? По-дълъг срок на експлоатация на инструментите, без да се жертва точността по размери, необходима за детайли от алуминиев сплав 6061-T6. Заводите, които са внедрили тази технология, съобщават за намаляване на неочакваната спирка почти наполовина (около 41 %) в условията на натоварени производствени линии. Това се равнява на възстановяване на около 16 пълни работни дни годишно за всяка машина. Чрез комбиниране на интелигентен анализ на данните с директно управление на машините производителите постигат осезаеми подобрения в цялата си операционна дейност.

• Непрекъснато оптимизиране, балансиращо продължителността на живота на инструмента и времето за цикъл
• Предотвратяване на катастрофално счупване на инструмента по време на фрезовани операции с дълбоки джобове
• Адаптивни отговори на променливите предизвикателства, свързани с адхезията на алуминиеви стружки
  Чрез преобразуване на прогнозите за износване в корекции на параметрите производителите постигат устойчиво повишена продуктивност, без да компрометират качеството на повърхностната обработка или да предизвикват аварийни спирания. Този проактивен подход илюстрира как системите за предиктивно износване на инструменти, базирани на изкуствен интелект, преминават от диагностични възможности към конкретни подобрения на производителността в среда за CNC-обработка на алуминий.

Често задавани въпроси

Какво представлява предиктивното износване на инструменти, базирано на изкуствен интелект, в CNC-обработката?

Предиктивното износване на инструменти, базирано на изкуствен интелект, се отнася до използването на системи с изкуствен интелект за прогнозиране на деградацията на инструментите при CNC-обработка, което позволява навременна поддръжка и корекции преди настъпване на откази.

Защо е важно предиктивното износване на инструменти, базирано на изкуствен интелект, за обработката на алуминий?

То помага за намаляване на простоите и удължаване на експлоатационния живот на режещите инструменти чрез ранно откриване на признаци на износване, специфични за алуминия, който може да доведе до значителни разходи поради склонността си да предизвиква бързо износване на инструментите.

Как AI-системите откриват износването на инструментите?

Тези системи анализират данни в реално време от различни сензори, включително вибрации, акустично излъчване и ток на шпиндела, за да идентифицират модели, които показват износване на режещия инструмент.

Може ли изкуственият интелект да подобри ефективността на операциите по фрезоване с ЧПУ?

Да, изкуственият интелект може автоматично да оптимизира скоростите на подаване и рязане, като по този начин подобрява продължителността на експлоатация на инструментите, намалява простоите и повишава общата продуктивност при фрезоване с ЧПУ на алуминий.