Estimarea uzurii sculei

S-au concentrat eforturi considerabile de cercetare în domeniul monitorizării stării sculelor pentru a detecta defecțiunile sculei, cum ar fi uzura și ruperea sculei. S-a raportat că aproximativ 20% din timpul de nefuncționare al mașinii-unelte a fost cauzat de defecțiunea sculei, ce are ca rezultat probleme în privința dimensiunilor piesei de prelucrat și integritatea suprafeței (Liang et al. 2004). Sistemele de monitorizare directă a uzurii sculelor nu sunt ușor de implementat din cauza lipsei unor metode ingenioase de măsurare. Astfel, sunt necesare măsurători indirecte pentru estimarea uzurii sculelor de tăiere. O serie de tipuri de semnale pot fi utilizate pentru monitorizarea stării sculei, incluzând AE (Acoustic Emission), vibrații, forțe de tăiere și putere/curent ax.

Axinte și Gindy (2003) au investigat corelația dintre starea sculelor de broșare și ieșirile multisenzor din AE, vibrații, forțe de tăiere și presiune hidraulică folosind analiza domeniului timp și frecvență. Kim şi colab. (2002) au propus o detectare online a uzurii burghiului pe baza consumului de putere al motorului axului în timpul unui proces de găurire. În (Ibrahim Nur et al. 1995), transformatele wavelet sunt aplicate semnalului de forță brut pentru a elimina detaliile inutile pentru detectarea defecțiunilor sculei la frezarea finală. Li şi colab. (2006) au efectuat un studiu experimental al propagării uzurii sculei și al variațiilor forței de așchiere la frezarea finală a Inconel 718 cu inserții de carbură acoperite, unde se credea că propagarea uzurii sculei este responsabilă pentru creșterea treptată a forței de vârf medii în treceri succesive de tăiere. Dezvoltarea unui model de observare a uzurii sculelor pentru monitorizarea uzurii flancurilor în frezarea aliajelor pe bază de nichel a fost introdusă în (Li et al. 2009) pentru a estima creșterea uzurii flancului din semnalele forței de tăiere măsurate.

Recent, au fost folosite unele tehnici avansate pentru detectarea uzurii sculelor, incluzând utilizarea microscopului cu infraroșu (Arrazola și colab. 2008), senzorul de viziune (Zhang et al. 2012) și sistemul de măsurare laser online (Gandarias et al. 2006). Wang şi colab. (2008) au propus un estimator de uzură a sculei CBN (Cubic boron nitride) bazat pe o rețea neuronală complet generalizată conectată direct, care este instruită de algoritmul de filtru Kalman. Ozel și Karpat (2005) au folosit o rețea neuronală cu trei straturi (MLP - A multilayer perceptron) cu o metodă de instruire diferită, metoda de instruire Levenberg-Marquardt împreună cu regularizarea Bayesiană, pentru a prezice rugozitatea suprafeței și uzura sculei la strunjirea dură.

În (Susanto și Chen 2003), a fost investigat un sistem de monitorizare a uzurii sculelor în proces, bazat pe logica fuzzy, într-o operație de frezare frontală. Setul triunghiular fuzzy a fost selectat ca bază de fuzzificare cu două seturi fuzzy independente de viteză de avans și adâncime de tăiere. Aceste funcții de apartenență (membership funcțions) au fost definite pe baza observațiilor experimentale și a rulărilor experimentale. Un astfel de sistem a câștigat o acuratețe bună în prezicerea uzurii sculelor.

Chungchoo și Saini (2002) au folosit o altă rețea neuronală fuzzy online cu forțe de tăiere și RMS ale semnalului AE ca intrare pentru estimarea uzurii sculei. A fost împărțită în patru părți: prima parte a fost de a clasifica uzura sculei folosind logica fuzzy; în partea următoare, ieşirea din partea anterioară a fost normalizată şi limitată între 0 şi 1; a treia parte a estimat uzura flancului și craterului folosind o rețea neuronală de propagare inversă (MLSB) a celor mai mici pătrate modificată; partea finală a ajustat rezultatele celei de-a treia părți prin alte reguli de logică fuzzy.

Există însă și alte abordări în monitorizarea stării sculelor. Versiunea cu cele mai mici pătrate a mașinilor vector suport (LS-SVM) a fost utilizată pentru monitorizarea online a uzurii sculelor la strunjire (Salgado și Alonso 2007), în timp ce Wang și colab. (Wang et al. 2002) au propus modele Markov ascunse (HMM) pentru monitorizarea uzurii sculelor. Achiche et al. (2002) au folosit o tehnică hibridă bazată pe logica fuzzy și algoritmul genetic (GA). GA a ajutat la construirea automată a bazei de cunoștințe fuzzy din același set de date experimentale fără a necesita niciun expert uman și a oferit un mare avantaj în timpul scurt de învățare. Metoda, numită regresie vector de suport (SVR), a fost, de asemenea, adoptată pentru a detecta ruperea sculei în procesul de frezare (Cho et al. 2005). SVR este o teorie a învățării statistice, care permite mașinilor de învățare să generalizeze bine la datele nevăzute. Această cercetare a arătat că SVR a funcționat bine cu o valoare de prag strânsă pentru determinarea ruperii sculei. Însă, a trebuit instruită printr-un proces de reglare relativ complicat al parametrilor de proiectare.

Detectarea ruperii sculei

Ruperea sculei este una dintre cele mai critice condiții de defecțiune într-un proces de prelucrare. Detectarea ruperii sculei este considerată ca un rol important în monitorizarea procesului de prelucrare pentru a obține o prelucrare inteligentă. Deoarece ruperea sculei este de obicei însoțită de o schimbare bruscă a semnalelor de detectare, această caracteristică poate fi folosită pentru detectarea ruperii sculei. Însă, în unele operațiuni de prelucrare, cum ar fi frezarea sau găurirea, care este caracterizată ca un proces de tăiere întrerupt, modul de a distinge ruperea sculei de faza de tăiere normală și ieșire din tăiere cu un algoritm robust în timp real rămâne o problemă dificilă.

Li şi colab. (2007) au prezentat un algoritm recursiv de monitorizare a factorului crest (RCFMA) pentru detectarea ruperii sculei. Factorul crest, cunoscut și sub numele de raport vârf-medie, este raportul dintre valoarea de vârf și valoarea RMS a unei forme de undă. Poate fi folosit pentru estimarea cantității de impact. Un factor crest ridicat corespunde unui semnal care are o tensiune de vârf ridicată în comparație cu nivelul mediu al semnalului. În general, cu cât factorul crest este mai mare, cu atât energia conținută în armonicile de frecvență mai înaltă este mai mare. RCFMA este implementat în domeniul timp și potrivit atât pentru procesarea punct cu punct, cât și pentru procesarea bloc. Valoarea RMS utilizată nu provine din semnalul curent, ci din blocul de date precedent. Într-o situație de procesare bloc, ecuația de calcul pentru așa-numitul factor crest recursiv Cf este

unde x'RMS este valoarea RMS din blocul de date precedent. Pentru a lua în considerare faza de introducere în tăiere unde x'RMS poate lua valoarea zero, o valoare RMS de referință, RMSf, este utilizată pentru comparație cu fiecare x'RMS nou. Odată ce noul x'RMS este mai mic decât RMSf, va lua valoarea RMSf în calculul Cf. Într-o situație de procesare punct cu punct, Cf este calculată odată ce sosește un nou semnal xi și x'RMS este valoarea RMS a revoluției anterioare a frezei din blocul de date istoric.

Figura 21 prezintă un set de semnale înregistrate în domeniul timp pentru un proces de frezare fante în care freza cu 4 caneluri a fost ruptă la aproximativ 1–1,2 s. Semnalele de detectare includ componentele forței de tăiere în direcțiile x, y și z, semnalul de zgomot și semnalele de accelerație captate de pe pană și pe dispozitivul de lucru. Din Fig. 4 reiese clar că au existat schimbări rapide și ascuțite ale semnalului pentru toate cele șase canale de monitorizare. Semnalele de la diferiți senzori erau la un ordin diferit de mărime. Rezultatele detectării RCFMA în modul de procesare punct cu punct și modul de procesare bloc sunt prezentate în Fig. 22 și, respectiv, 23. Se poate observa că RCFMA produce rezultate de monitorizare normalizate în ciuda diversității ordinului de mărime a semnalului original. În condiții normale de tăiere, factorul crest recursiv (RCF) ia o valoare mai mică de doi pentru toate cele șase canale. Când apare ruperea sculei, are loc o creștere bruscă a RCF la o valoare mai mare de trei. Această caracteristică a RCF permite alegerea unui criteriu comun de detectare a ruperii sculei.

Altintas (2000) a introdus un algoritm de detectare a ruperii sculei folosind forțele de tăiere rezultate medii pe perioada de dinte, Fa(m). Când ruperea și runout-ul dinților nu sunt prezente și freza nu se află într-o zonă geometrică tranzitorie, forțele medii de tăiere, teoretic egale, vor exista pentru fiecare dinte de pe o freză. Astfel, primele diferențe ale forțelor medii de tăiere vor fi zero. În caz contrar, forțele medii de tăiere vor reflecta modificările încărcării așchiilor și vor fi diferite de zero. Un filtru adaptiv de serie cronologică de ordinul întâi poate elimina tendința DC de variație lentă cauzată de modificările geometriei piesei de prelucrat, iar runout al fiecărui dinte poate fi eliminat comparând performanța dintelui în sine cu o revoluție înainte. Cele două filtre sunt rulate recursiv în paralel la fiecare perioadă de dinte. Când forțele de tăiere cresc de la un nivel de prelucrare în aer la începutul tăierii, reziduurile maxime ale ambelor filtre sunt măsurate în primele cinci rotații ale axului, în care se presupune că freza nu este ruptă. Pragurile de rupere sunt selectate prin scalarea reziduurilor maxime de factori definiți de utilizator și sunt utilizate în timpul restului prelucrării cu freza. Se presupune un eveniment de rupere a sculei ori de câte ori ambele reziduuri își depășesc pragurile, urmat de o verificare suplimentară de asigurare tranzitorie în următoarea rezoluție.

Detectare chatter

Vibrația sculă-piesa de prelucrat este un fenomen dăunător comun și un obstacol major în obținerea unei productivități mai mari și a unei acuratețe mai bune. Chatter-ul mașinii-unelte este o vibrație autoexcitată între unealta de tăiere și piesa de prelucrat la viteze mari de îndepărtare a metalului, care afectează finisajul produsului finit, acuratețea prelucrării și durata de viață a sculei. Forțele de tăiere dintre scula de tăiere și piesa de prelucrat generează deflecții dinamice semnificative ale structurii sculei și ale structurii piesei. Când această interacțiune devine instabilă, apare chatter. Chatter-ul regenerativ are ca rezultat forțe excesive de prelucrare și uzură a sculei, defecțiuni ale sculei și piese rebut, din cauza finisării inacceptabile a suprafeței.

O abordare comună pentru detectarea chatter este de a investiga densitatea spectrală a unui semnal de proces și de a dezvolta o valoare de prag care indică chatter. O metodă de monitorizare în proces a chatter în strunjirea CNC s-a bazat pe analiza PSD (Power-Spectral-Density) a forțelor de tăiere măsurate (Liang et al. 2004). Raportul dintre PSD cumulat pentru o anumită gamă de frecvență corespunzătoare stărilor de tăiere și cel al întregii game de frecvență al fiecărei componente de forță, cuplat cu valori de prag selectate corespunzător, a fost calculat ca indicator pentru clasificarea stărilor de tăiere.

Li şi colab. (2007) au propus o abordare pentru detectarea apariției chatter-ului în domeniul frecvență. În condiții normale de tăiere, componentele de frecvență dominante sunt în jurul frecvenței de trecere a dinților, frecvenței de rotație a axului și armonicilor lor. Când apare chatter, frecvența dominantă se schimbă de obicei la aproape o frecvență structurală dominantă. Acest fenomen a fost utilizat pentru a detecta apariția chatter prin analizarea distribuției densității spectrale de putere (PSD) a semnalelor de detectare dobândite.

Figura 24 prezintă un exemplu de semnale de detectare înregistrate în domeniul timp pentru întreaga perioadă de tăiere a unui proces de frezare a fantelor în care chatter a avut loc la aproximativ a 2-a secundă. A fost folosită o freză cu 4 caneluri, iar viteza de rotație a frezei a fost de 1.600 rpm. Cele patru canale de semnal includ componentele forței de tăiere la direcțiile x, y și z și semnalul de accelerație preluat de pe pană. Figura 25 arată densitatea spectrală de putere a semnalelor luate înainte de apariția chatter. Este clar că cele mai înalte vârfuri pentru toate semnalele din domeniul frecvență sunt în jur de 106,7 și 26,7 Hz, care sunt frecvența de trecere a dinților și, respectiv, frecvența axului. Densitatea spectrală de putere a semnalelor luate după ce a avut loc chatter este prezentată în Fig. 26. Acum, pentru toate cele patru canale de semnal, componenta de frecvență dominantă este deplasată la o frecvență mai mică la aproximativ 95,4 Hz. Componenta de frecvență la frecvența de trecere a dinților este încă vizibilă în Fig. 26, dar evident slabă în comparație cu componenta dominantă.

Altintas (2000) a prezentat o abordare de detectare a chatterului prin monitorizarea continuă a amplitudinii spectrului de sunet măsurat cu un microfon. Amplitudinea maximă a spectrului de putere care a apărut la frecvența chatter a fost căutată la fiecare 250 ms. A fost selectat un prag de chatter care a fost cu mult peste amplitudinea maximă observată în testele de prelucrare stabile, fără chatter. Sistemul CNC a presupus că chatter era prezentă ori de câte ori amplitudinea spectrului de sunet măsurat a depășit pragul în timpul frezării pe o anumită configurație a mașinii-unelte. Yao și colab. (2010) au propus o metodă pentru detectarea chatterului online în alezare. Un vector de caracteristici bidimensionale, alcătuit cu deviația standard și raportul de energie al transformatei wavelet în banda de frecvență emergentă-chatter, a fost utilizat pentru clasificarea modelului folosind o mașină vector suport (SVM). Griffin și Chen (2009) au folosit tehnica de clasificare prin programare genetică (GP) pentru a investiga două anomalii de polizare, arsura de polizare și chatter de polizare. Demarcația dintre fiecare anomalie a fost identificată din semnalele de emisie acustică convertite în domeniile frecvență-timp folosind transformate Fourier de scurtă durată (STFT). O abordare pentru a detecta debutul chatter folosind multisenzori a fost introdusă în (Kuljanic et al. 2008). Caracteristicile semnalului de la dinamometrul rotativ, accelerometre, emisia acustică și senzorii de putere electrică au fost condensate atât în ​​domeniul timpului, cât și în domeniul frecvență prin intermediul metodelor statistice. Rezultatele au arătat că sistemele multisenzor compuse din trei sau patru senzori au fost soluția cea mai promițătoare pentru identificarea fiabilă și robustă a chatter-ului, deși costul poate fi relativ mare.

Figura 27 prezintă un sistem de detectare chatter pentru operațiunea de frezare, bazat pe abordările inteligenței artificiale (Kuljanic et al. 2009). Semnalele de la două accelerometre și un senzor de forță axială au fost mai întâi procesate prin descompunere wavelet pentru a extrage caracteristicile parametrilor statistici. Aceste caracteristici au fost apoi folosite pentru a detecta chatter-ul de către rețelele neuronale. Ieșirile rețelelor neuronale pentru semnalul senzorului individual au fost combinate, în continuare, pentru a obține un indicator de chatter multisenzor folosind o combinație liniară de indicatori de chatter a senzorilor, rețea neuronală, logică fuzzy și inferență (deducere) statistică. Evaluarea performanțelor acestor strategii a arătat că este posibil să se obțină o detecție eficientă a chatter atât în ​​ceea ce privește acuratețea, cât și robustețea împotriva defecțiunilor, iar sistemul este compatibil cu operarea și automatizarea mașinilor-unelte moderne.

Fig. 27 Schița unui sistem multisenzor de detectare a chatter (Kuljanic et al. 2009)

Integritatea suprafeței și așchia

Integritatea suprafeței este starea suprafeței unei piese de prelucrat după prelucrare. În ceea ce privește monitorizarea procesului de prelucrare, acesta indică în principal caracteristicile topografiei, mai degrabă decât caracteristicile stratului de suprafață, care includ rugozitatea suprafeței, ondulația (waviness), erorile de formă și defecte. Pentru a monitoriza integritatea suprafeței, sunt utilizate atât măsurători directe, cât și indirecte. O măsurătoare directă în timpul procesului a rugozității suprafeței folosind metoda FFC -fringe field capacitive în timpul polizării a fost dată în (Nowicki și Jarkiewicz 1998). Această metodă permite un control al rugozității suprafeței (Ra > 0,1 μm), împreună cu avantaje nesensibile la materiale, lichide de lucru și alte perturbări. Dar, detecțiile directe ale integrității suprafeței sunt mai puțin utilizate, deoarece necesită aparate speciale sau senzori special proiectați, care este întotdeauna dificil de instalat sau utilizat. Pe de altă parte, pentru măsurătorile indirecte de integritate a suprafeței, vibrațiile, forțele și semnalele AE sunt cele mai utilizate surse de semnal.

Pentru a dezvolta tehnici adecvate de evaluare calitativă/cantitativă a integrității suprafeței prelucrate, se efectuează analize în domeniile timp și frecvență ale semnalelor senzoriale în diferite operații de prelucrare pentru extragerea caracteristicilor. De exemplu, caracteristicile derivate din semnalele AE utilizând analiza domeniului timp-frecvență au fost corelate cu apariția anomaliilor suprafeței piesei de prelucrat (de exemplu, împotrivirea, rezistența materialului) în aplicațiile de frezare cu mai mulți dinți de Marinescu și Axinte (2009). Calitatea suprafeței, în ceea ce privește acuratețea geometrică, formarea bavurilor, urmele de chatter și anomaliile suprafaței, a fost detectată în broșare, pe baza analizei în domeniul timp și frecvență a semnalelor AE, vibrațiilor și forței de tăiere (Axinte et al. 2004). Abordările inteligenței artificiale au fost utilizate pentru monitorizarea integrității suprafeței, cum ar fi utilizarea rețelelor neuronale artificiale (ANN-uri) (Tsai et al. 1999), sistemelor logice fuzzy (Latha și Senthilkumar 2010) și sistemelor neuro-fuzzy (Abburi și Dixit 2006). Huang și Chen (2003) au dezvoltat un sistem de predicție a rugozității suprafeței bazat pe rețele neuronale în proces. Alte abordări, cum ar fi algoritmul de programare a expresiei genetice (GEP) (C¸olak et al. 2007) și mașinile de suport vector (Salgado et al. 2009) au fost, de asemenea, utilizate pentru monitorizarea integrității suprafeței.

Andreasen și Chiffre (1998) au folosit valori de prag de vârf și RMS ale forțelor de tăiere pentru a detecta automat ruperea așchiilor într-un strung CNC. Ruperea așchiilor a fost detectată dacă un vârf sau RMS avea o amplitudine care depășește pragul corespunzător. În (Kim și Ahn 2002), a fost propusă o metodă de monitorizare pentru a detecta starea eliminării așchiilor la găurire, bazată pe rețeaua neuronală și detectarea puterii motorului axului. Varianța/media, abaterea medie absolută, gradientul și numărul de evenimente ale semnalului de putere a axului au fost calculate ca vectori caracteristici și apoi prezentate rețelei neuronale cu un algoritm de propagare inversă a erorii pentru a lua o decizie cu privire la starea de eliminare a așchiei. Rezultatele experimentale au arătat că sistemul de monitorizare propus ar putea recunoaște cu succes starea eliminării așchiilor pe o gamă largă de condiții de găurire. Jemielniak și colab. (2006) au raportat două metode, respectiv, pentru detectarea formei așchiei la strunjire în diferite laboratoare. Prima metodă utilizată a fost analiza transformatei pachetelor wavelet. Au fost calculate mai multe caracteristici ale fiecărui pachet, abaterea standard, varianța, momentul de gradul 3, momentul de gradul 4 și energia și s-au sortat în funcție de formele de așchie observate pentru a identifica caracteristicile care au prezentat intervale de valori separate pentru diferite forme de așchie. Cealaltă a folosit rețeaua neuronală pentru recunoașterea modelelor. Specimenele semnalului forței de tăiere au fost mai întâi procesate pentru a realiza estimarea spectralăa lor printr-o metodă parametrică. Apoi, aceste caracteristici extrase au fost prezentate ANN-urilor de propagare înapoi cu feed-forward cu trei straturi.