จะผสานรวมปัญญาประดิษฐ์ (AI) เพื่อทำนายการสึกหรอของเครื่องมือในเครื่องตัดโปรไฟล์อลูมิเนียมแบบ CNC ได้อย่างไร?

เหตุใดการคาดการณ์การสึกหรอของเครื่องมือด้วยปัญญาประดิษฐ์จึงมีความสำคัญยิ่งต่อการกลึงอลูมิเนียมด้วยเครื่อง CNC

เมื่อเครื่องมือตัดโปรไฟล์อลูมิเนียมล้มเหลวอย่างไม่คาดคิด ผู้ผลิตจะสูญเสียเงินประมาณ 740,000 ดอลลาร์สหรัฐต่อปีจากเวลาที่เครื่องหยุดทำงาน (downtime) ตามรายงานของ Ponemon ปี 2023 ปัญหานี้ยิ่งรุนแรงขึ้นกับโลหะผสมเกรด 6061-T6 ซึ่งมีแนวโน้มเร่งการสึกหรอของเครื่องมือ เนื่องจากการเกิดขอบเศษโลหะสะสม (built-up edges) และรอยแตกร้าวจากความร้อน (thermal cracks) บนพื้นผิวบริเวณที่ตัด วิธีการแบบดั้งเดิมที่โรงงานเปลี่ยนเครื่องมือตามกำหนดเวลาในปฏิทินนั้น ส่งผลให้ทิ้งอายุการใช้งานที่ยังคงใช้ได้จริงของเครื่องมือไปประมาณ 30% หรือแย่กว่านั้น อาจก่อให้เกิดความล้มเหลวครั้งใหญ่ขณะทำงานที่ความเร็วสูงสุด ระบบปัญญาประดิษฐ์ (AI) แบบอัจฉริยะกำลังเปลี่ยนแปลงแนวทางนี้โดยสิ้นเชิง ระบบที่ว่าจะวิเคราะห์ข้อมูลเซ็นเซอร์แบบเรียลไทม์หลายประเภท เช่น การสั่นสะเทือนของเครื่องจักร การเปลี่ยนแปลงของภาระที่เพลาหลัก (spindle load) รวมถึงแม้แต่เสียงที่เกิดขึ้นจากอุปกรณ์เอง เพื่อตรวจจับสัญญาณเล็กน้อยของการสึกหรอตั้งแต่ระยะแรก ก่อนที่ชิ้นส่วนจะเริ่มเบี่ยงเบนจากค่ามาตรฐานที่กำหนด ขั้นตอนต่อไปนั้นน่าทึ่งมาก: ระบบการเรียนรู้ของเครื่อง (machine learning) จะนำข้อมูลดิบเหล่านั้นมาประมวลผลและแปลงเป็นการคาดการณ์ที่สามารถใช้งานได้จริง ซึ่งหมายความว่าการบำรุงรักษาสามารถดำเนินการได้ในช่วงกลางคืน โดยไม่รบกวนกระบวนการผลิต และผู้ปฏิบัติงานสามารถปรับอัตราการป้อนวัสดุ (feed rates) และความเร็วในการตัด (cutting speeds) แบบทันทีทันใด บริษัทที่นำเทคโนโลยีเหล่านี้มาใช้ มักประสบผลลดลงของเวลาที่เครื่องหยุดทำงานโดยไม่ได้วางแผนไว้ (unplanned downtime) ราว 41% และยืดอายุการใช้งานของเครื่องมือตัดได้อีก 17% สำหรับโรงงานขนาดใหญ่ที่ผลิตโปรไฟล์จำนวนหลายพันชิ้นต่อวันในอุตสาหกรรมการบินและอวกาศ รวมถึงโรงงานผลิตรถยนต์ การปรับปรุงเหล่านี้ส่งผลโดยตรงต่อตัวชี้วัดประสิทธิภาพโดยรวมของอุปกรณ์ (Overall Equipment Effectiveness: OEE) ที่ดีขึ้นทั่วทั้งระบบ

การผสานเซ็นเซอร์และการประมวลผลสัญญาณเบื้องต้นเพื่อระบุลักษณะการสึกหรอเฉพาะสำหรับอลูมิเนียม

การสั่นสะเทือน การปล่อยคลื่นเสียง (acoustic emission) และกระแสไฟฟ้าของแกนหมุน (spindle current) เป็นตัวบ่งชี้แบบเรียลไทม์ที่สำคัญของการสึกหรอที่บริเวณด้านข้าง (flank wear) ในระยะเริ่มต้นของอลูมิเนียมเกรด 6061-T6

เมื่อพูดถึงการตรวจจับสัญญาณเบื้องต้นของความสึกหรอของเครื่องมือในระหว่างการตัดโปรไฟล์อลูมิเนียม เทคโนโลยีหลักสามประเภทนี้โดดเด่นเป็นพิเศษ: เซ็นเซอร์วัดการสั่นสะเทือน หัววัดการปล่อยคลื่นเสียง (acoustic emission probes) และระบบตรวจสอบกระแสไฟฟ้าที่ขับเคลื่อนแกนหมุน (spindle current monitoring systems) ปัญหาคือ อลูมิเนียมมีจุดหลอมเหลวต่ำมาก ซึ่งกลับเร่งกระบวนการสึกหรอแบบยึดเกาะ (adhesive wear) ให้เร็วขึ้น สิ่งที่เกิดขึ้นตามมาคือ ชิ้นส่วนเล็กๆ เริ่มก่อตัวขึ้นตามขอบคมของการตัด ทำให้เกิดการสั่นสะเทือนความถี่สูงที่สังเกตได้ชัดเจนในช่วง 15 ถึง 25 กิโลเฮิร์ตซ์ พร้อมทั้งคลื่นเสียงความถี่สูง (AE bursts) ที่เกินระดับ 4 เมกะเฮิร์ตซ์ โดยเฉพาะอย่างยิ่งสำหรับโลหะผสมเกรด 6061-T6 เมื่อกระแสไฟฟ้าที่ไหลผ่านแกนหมุนเริ่มเปลี่ยนแปลงมากกว่า 8% จากค่าปกติ มักบ่งชี้ว่าความสึกหรอที่ผิวด้านข้างของใบมีด (flank wear) กำลังแย่ลง เนื่องจากแรงเสียดทานที่เพิ่มขึ้นทำให้เครื่องจักรต้องใช้พลังงานมากขึ้น ด้วยการรวมแหล่งสัญญาณทั้งสามประเภทนี้เข้าด้วยกัน ผู้ผลิตสามารถตรวจจับปัญหาความสึกหรอได้ทันที ทันก่อนที่จะส่งผลต่อความแม่นยำของขนาดชิ้นส่วนสำเร็จรูป

การวิเคราะห์แบบ Ensemble EMD ร่วมกับการแปลงฮิลเบิร์ต (Hilbert transform) เพื่อแยกฮาร์โมนิกของการสั่นสะเทือนแบบ chatter ที่ถูกบดบังโดยอัตราการลดทอน (damping ratio) ต่ำของอลูมิเนียม

อลูมิเนียมมีคุณสมบัติในการดูดซับการสั่นสะเทือนตามธรรมชาติที่แย่มาก โดยทั่วไปต่ำกว่า 0.05 ซึ่งหมายความว่ามันมักจะเพิ่มความเข้มของเสียงรบกวนจากพื้นหลัง และบดบังความถี่ของสัญญาณการสั่นสะเทือนแบบ chatter ที่สำคัญ วิศวกรใช้เทคนิค Ensemble Empirical Mode Decomposition (หรือเรียกย่อว่า EEMD) เพื่อกรองฮาร์โมนิกจากการหมุนของแกนหมุน (spindle rotation harmonics) ออกจากข้อมูลดิบจากเซ็นเซอร์ ในขณะเดียวกัน พวกเขาใช้เทคนิคการแปลงฮิลเบิร์ต (Hilbert transform) เพื่อวัดค่าแอมพลิจูดชั่วคราวเหล่านั้น เมื่อนำกระบวนการสองขั้นตอนนี้มาใช้ร่วมกัน จะสามารถตรวจจับสัญญาณ chatter ที่มีความถี่ต่ำกว่า 500 เฮิร์ตซ์ ซึ่งเป็นสัญญาณเตือนหลักก่อนที่เครื่องมือจะเสียหายอย่างสิ้นเชิง และวิธีนี้ได้พิสูจน์แล้วว่ามีประสิทธิภาพในสภาพแวดล้อมโรงงานจริง โดยผลการทดสอบภาคสนามระบุว่ามีอัตราความสำเร็จประมาณ 92% จุดเด่นของแนวทางนี้อยู่ที่ความสามารถในการลดจำนวนสัญญาณเตือนปลอม (false alarms) ที่เกิดจากปัจจัยต่าง ๆ เช่น การกระเด็นของสารหล่อลื่น (coolant) หรือความแตกต่างเล็กน้อยระหว่างชิ้นงาน ทำให้ผู้ผลิตสามารถทำนายเวลาที่เครื่องมือจำเป็นต้องเปลี่ยนได้อย่างแม่นยำยิ่งกว่าเดิม

กลยุทธ์การสร้างแบบจำลองด้วย AI สำหรับการทำนายการสึกหรอของเครื่องมืออย่างแม่นยำและทนทาน

แบบจำลองการสึกหรอของเครื่องมือที่ใช้ปัญญาประดิษฐ์ (AI) อย่างมีประสิทธิภาพ แปลงข้อมูลดิบจากเซนเซอร์ให้กลายเป็นข้อมูลเชิงลึกที่สามารถนำไปปฏิบัติได้สำหรับการกลึงอลูมิเนียม

เครือข่าย LSTM สำหรับการสร้างแบบจำลองการเปลี่ยนแปลงของการสึกหรอตามช่วงเวลา ในการตัดอัลลอยด์อลูมิเนียมแบบหลายรอบ (RMSE ลดลง 22%)

เครือข่าย LSTM มีความสามารถสูงมากในการติดตามการเปลี่ยนแปลงของสิ่งต่าง ๆ ตามช่วงเวลาในข้อมูลจากเซ็นเซอร์ ซึ่งช่วยสร้างแบบจำลองการสึกหรอของเครื่องมืออย่างแม่นยำขณะตัดอลูมิเนียมผ่านหลายรอบการตัด เมื่อวิเคราะห์รูปแบบของแรงสั่นสะเทือนและเสียงที่เกิดจากเครื่องจักร โมเดล LSTM เหล่านี้สามารถลดข้อผิดพลาดในการทำนายลงได้ประมาณ 22% เมื่อเปรียบเทียบกับวิธีการใช้เกณฑ์คงที่แบบง่าย ๆ สำหรับผู้ผลิตที่จัดการกับรูปร่างชิ้นงานที่ซับซ้อน สิ่งนี้มีความสำคัญอย่างยิ่ง เพราะเมื่อเครื่องมือสึกหรอลงอย่างค่อยเป็นค่อยไป จะส่งผลโดยตรงต่อคุณภาพพื้นผิวของชิ้นงานสุดท้าย จุดแข็งที่ทำให้ LSTM ทำงานได้ดีเยี่ยมคือความสามารถในการจดจำการตัดที่ผ่านมาและปรับการคาดการณ์ให้สอดคล้องกับผลลัพธ์จริงที่เกิดขึ้น ซึ่งมีประโยชน์อย่างยิ่งโดยเฉพาะกับวัสดุอย่างอลูมิเนียม ที่มักจะติดอยู่กับเครื่องมือระหว่างการกลึง จนก่อให้เกิดคราบเหนียว (gummy buildup) ที่รบกวนคุณภาพของผลิตภัณฑ์สำเร็จรูป

การผสานรวม ANN กับ EEMD-Hilbert ช่วยลดจำนวนการแจ้งเตือนผิดพลาดลง 68% ในการใช้งานเครื่องเลื่อย CNC 5 แกนในภาคอุตสาหกรรม

เมื่อเราผสานเครือข่ายประสาทเทียมเข้ากับวิธีการแยกแบบ Ensemble Empirical Mode Decomposition (EEMD) และการแปลงฮิลเบิร์ต (Hilbert transform) เราสามารถแยกสัญญาณที่บ่งชี้ถึงการสึกหรอที่แท้จริงออกจากสัญญาณรบกวนพื้นหลังทั้งหมดในข้อมูลเซ็นเซอร์ได้อย่างแท้จริง แนวทางผสมผสานนี้ช่วยลดจำนวนคำเตือนปลอมลงประมาณสองในสามในระบบเครื่องเลื่อย CNC แบบ 5 แกนที่มีความซับซ้อน เนื่องจากสามารถแยกแยะความแตกต่างระหว่างการสึกหรอของเครื่องมือที่เกิดขึ้นจริง กับการสั่นสะเทือนตามปกติที่เกิดขึ้นจากตัวเครื่องเองได้ ขั้นตอนแรกคือ ส่วน EEMD-Hilbert จะแยกกระแสไฟฟ้าที่เปลี่ยนแปลงอยู่ตลอดเวลาจากเพลาหมุน (spindle) ออกเป็นส่วนย่อยๆ ที่เรียกว่า intrinsic mode functions (IMFs) กระบวนการนี้ช่วยกำจัดการสั่นพ้องความถี่ต่ำที่รบกวนซึ่งเกิดขึ้นจากการทำงานกับวัสดุอะลูมิเนียม หลังจากทำความสะอาดคุณลักษณะเหล่านี้แล้ว ข้อมูลจะถูกป้อนเข้าสู่ตัวจำแนกประเภทที่ใช้เครือข่ายประสาทเทียม ซึ่งสามารถให้ผลการทำนายที่แม่นยำแม้ในสภาพแวดล้อมที่มีการสั่นสะเทือนรุนแรงรอบตัว จากการทดสอบแนวทางนี้ในการตัดชิ้นส่วนภาคอวกาศจริง ซึ่งต้องการความแม่นยำสูงในรูปร่างของชิ้นงาน พบว่าระบบนี้ยังคงให้ประสิทธิภาพที่ดีอย่างต่อเนื่องทุกคืน ตลอดวงจรการผลิตแบบไม่หยุดนิ่งที่ดำเนินการ 24 ชั่วโมงต่อวัน 7 วันต่อสัปดาห์

จากทำนายด้วยปัญญาประดิษฐ์สู่การดำเนินการเชิงปฏิบัติ: การปรับแต่งพารามิเตอร์และการป้องกันการหยุดทำงาน

การปรับค่าอัตราการป้อน/ความเร็วแบบวงจรปิดที่ขับเคลื่อนด้วยการพยากรณ์การสึกหรอ ช่วยลดเวลาการหยุดทำงานโดยไม่ได้วางแผนไว้ลง 41% บนไลน์การผลิตที่มีปริมาณสูง

การใช้ปัญญาประดิษฐ์ (AI) สำหรับระบบควบคุมแบบลูปปิดในการตัดโปรไฟล์อลูมิเนียมด้วยเครื่อง CNC ช่วยเปลี่ยนข้อมูลเชิงทำนายเหล่านั้นให้กลายเป็นการประหยัดต้นทุนที่จับต้องได้จริงบนพื้นโรงงาน เมื่อระบบตรวจพบการสึกหรอของเครื่องมือใกล้ถึงระดับอันตรายผ่านการตรวจสอบแบบเรียลไทม์ มันจะปรับอัตราการป้อนวัสดุ (feed rates) และความเร็วรอบของหัวกัด (spindle speeds) โดยอัตโนมัติ เพื่อรักษากำลังการตัดให้อยู่ในเกณฑ์ควบคุมได้ แล้วสิ่งนี้หมายความว่าอย่างไร? นั่นหมายถึงอายุการใช้งานของเครื่องมือยาวนานขึ้น โดยไม่ต้องเสียสละความแม่นยำด้านมิติที่เข้มงวดซึ่งจำเป็นสำหรับชิ้นส่วนอลูมิเนียมเกรด 6061-T6 โรงงานที่นำเทคโนโลยีนี้ไปใช้งานจริงรายงานว่าสามารถลดเวลาหยุดทำงานโดยไม่คาดคิดลงได้เกือบครึ่งหนึ่ง (ประมาณ 41%) บนไลน์การผลิตที่มีภาระงานหนัก ซึ่งเท่ากับการกู้คืนเวลาการทำงานที่มีประสิทธิผลกลับมาได้ประมาณ 16 วันเต็มต่อเครื่องจักรแต่ละเครื่องในแต่ละปี โดยการผสานการวิเคราะห์ข้อมูลอย่างชาญฉลาดเข้ากับการควบคุมเครื่องจักรโดยตรง ผู้ผลิตจึงเห็นการปรับปรุงที่จับต้องได้ทั่วทั้งกระบวนการดำเนินงาน

• การเพิ่มประสิทธิภาพอย่างต่อเนื่อง โดยสมดุลระหว่างอายุการใช้งานของเครื่องมือกับระยะเวลาการผลิตต่อรอบ
• การป้องกันไม่ให้เครื่องมือหักอย่างรุนแรงระหว่างการกัดร่องลึก (deep-pocket milling)
• การตอบสนองแบบปรับตัวต่อความท้าทายที่เปลี่ยนแปลงได้จากแรงยึดเกาะของเศษอลูมิเนียม
  ด้วยการแปลงการพยากรณ์การสึกหรอของเครื่องมือให้เป็นการปรับค่าพารามิเตอร์ ผู้ผลิตสามารถรักษาประสิทธิภาพการผลิตอย่างต่อเนื่องได้ โดยไม่กระทบต่อคุณภาพผิวงานหรือก่อให้เกิดการหยุดทำงานฉุกเฉิน แนวทางเชิงรุกนี้แสดงให้เห็นอย่างชัดเจนว่า ระบบการพยากรณ์การสึกหรอของเครื่องมือโดยใช้ปัญญาประดิษฐ์ (AI) สามารถก้าวข้ามขีดความสามารถในการวินิจฉัยไปสู่การปรับปรุงผลผลิตที่จับต้องได้ในสภาพแวดล้อมการกลึงอลูมิเนียมด้วยเครื่อง CNC

คำถามที่พบบ่อย

ระบบการพยากรณ์การสึกหรอของเครื่องมือโดยใช้ปัญญาประดิษฐ์ (AI) ในการกลึงด้วยเครื่อง CNC คืออะไร?

ระบบการพยากรณ์การสึกหรอของเครื่องมือโดยใช้ปัญญาประดิษฐ์ (AI) หมายถึง การใช้ระบบปัญญาประดิษฐ์เพื่อทำนายการเสื่อมสภาพของเครื่องมือในการกลึงด้วยเครื่อง CNC ซึ่งช่วยให้สามารถดำเนินการบำรุงรักษาและปรับแต่งเครื่องมือได้ทันเวลา ก่อนที่จะเกิดความล้มเหลว

ทำไมระบบการพยากรณ์การสึกหรอของเครื่องมือโดยใช้ปัญญาประดิษฐ์ (AI) จึงมีความสำคัญต่อการกลึงอลูมิเนียม?

ระบบนี้ช่วยลดเวลาการหยุดทำงานและยืดอายุการใช้งานของเครื่องมือตัด โดยการตรวจจับสัญญาณแรกเริ่มของการสึกหรอที่เฉพาะเจาะจงกับอลูมิเนียม ซึ่งอาจก่อให้เกิดค่าใช้จ่ายสูงได้ เนื่องจากอลูมิเนียมมีแนวโน้มทำให้เครื่องมือสึกหรออย่างรวดเร็ว

ระบบ AI ตรวจจับการสึกหรอของเครื่องมืออย่างไร?

ระบบเหล่านี้วิเคราะห์ข้อมูลแบบเรียลไทม์จากเซนเซอร์ต่างๆ รวมถึงการสั่นสะเทือน การปล่อยคลื่นเสียง (acoustic emission) และกระแสไฟฟ้าของแกนหมุน (spindle current) เพื่อระบุรูปแบบที่บ่งชี้ถึงการสึกหรอของเครื่องมือตัด

ปัญญาประดิษฐ์ (AI) สามารถเพิ่มประสิทธิภาพในการดำเนินงานเครื่องจักร CNC ได้หรือไม่?

ใช่ ปัญญาประดิษฐ์ (AI) สามารถปรับแต่งอัตราการป้อน (feed rates) และความเร็วในการตัด (cutting speeds) โดยอัตโนมัติ ซึ่งจะช่วยยืดอายุการใช้งานของเครื่องมือตัด ลดเวลาหยุดทำงาน และเพิ่มผลผลิตโดยรวมในการกลึงอะลูมิเนียมด้วยเครื่องจักร CNC