Как предсказать сбой CNC-шпинделя с помощью анализа вибрации и мониторинга ИИ

PFT, Шэньчжэнь

 Раннее обнаружение надвигающегося отказа шпинделя ЧПУ имеет решающее значение для минимизации незапланированных простоев и дорогостоящего ремонта. В этой статье подробно описывается методология, сочетающая анализ вибрационных сигналов с искусственным интеллектом (ИИ) для профилактического обслуживания. Данные о вибрации от работающих шпинделей при различных нагрузках непрерывно собираются с помощью акселерометров. Извлекаются ключевые характеристики, включая статистику временной области (RMS, куртозис), компоненты частотной области (пики спектра FFT) и характеристики время-частотной области (энергия вейвлета). Эти характеристики служат входными данными для ансамблевой модели машинного обучения, сочетающей сети долгой краткосрочной памяти (LSTM) для распознавания временных паттернов и машины градиентного бустинга (GBM) для надежной классификации. Валидация на наборах данных с высокоскоростных фрезерных центров демонстрирует способность модели обнаруживать развивающиеся дефекты подшипников и дисбаланс за 72 часа до функционального отказа со средней точностью 92%. Этот подход обеспечивает значительное улучшение по сравнению с традиционным мониторингом вибрации на основе пороговых значений, позволяя планировать профилактическое обслуживание и снижать эксплуатационные риски.

1 Введение

Станки с ЧПУ являются основой современного точного производства. Шпиндель, возможно, самый важный и дорогостоящий компонент, напрямую влияет на точность обработки, качество поверхности и общую производительность. Внезапный отказ шпинделя приводит к катастрофическим простоям, браку заготовок и дорогостоящему аварийному ремонту, что обходится производителям в тысячи долларов в час. Традиционные графики профилактического обслуживания, основанные на фиксированных временных интервалах или простых счетчиках времени работы, неэффективны – потенциально заменяя исправные компоненты или пропуская неизбежные отказы. Реактивное обслуживание после отказа непомерно дорого. Следовательно, мониторинг на основе состояния (CBM), в частности анализ вибрации, приобрел известность. Хотя он эффективен для выявления серьезных неисправностей, обычный мониторинг вибрации часто испытывает трудности с ранним обнаружением зарождающихся отказов. В этой статье представлен интегрированный подход, использующий передовую обработку вибрационных сигналов в сочетании с аналитикой на основе ИИ для точного прогнозирования отказов шпинделя задолго до их возникновения.

2 Методы исследования

2.1 Проектирование и сбор данных

Основная цель - выявить тонкие вибрационные сигнатуры, указывающие на раннюю стадию деградации до катастрофического отказа. Данные были собраны с 32 высокоточных фрезерных шпинделей с ЧПУ, работающих в трехсменном режиме производства автомобильных компонентов в течение 18 месяцев. Пьезоэлектрические акселерометры (чувствительность: 100 мВ/г, частотный диапазон: от 0,5 Гц до 10 кГц) были установлены радиально и осевым образом на каждом корпусе шпинделя. Блоки сбора данных производили выборку вибрационных сигналов с частотой 25,6 кГц. Рабочие параметры (скорость шпинделя, крутящий момент нагрузки, скорость подачи) одновременно записывались через интерфейс OPC UA станка с ЧПУ.

2.2 Извлечение признаков

Исходные вибрационные сигналы были разделены на эпохи по 1 секунде. Для каждой эпохи был извлечен всеобъемлющий набор признаков:

• Временная область: Среднеквадратичное значение (RMS), коэффициент амплитуд, куртозис, асимметрия.

• Частотная область (FFT): Амплитуды и частоты доминирующих пиков в характерных полосах дефектов подшипников (BPFO, BPFI, FTF, BSF), общая энергия в определенных полосах (0-1 кГц, 1-5 кГц, 5-10 кГц), спектральный куртозис.

• Временная частотная область (преобразование вейвлет-пакета - Daubechies 4): Энтропия энергии, уровни относительной энергии в узлах разложения, связанных с частотами дефектов.

• Операционный контекст: Скорость шпинделя, процент нагрузки.

2.3 Разработка модели ИИ

Была использована архитектура ансамблевой модели:

1. Сеть LSTM: Обрабатывала последовательности из 60 последовательных векторов признаков по 1 секунде (т. е. 1 минута рабочих данных) для захвата временных паттернов деградации. Слой LSTM (64 блока) изучал зависимости между временными шагами.

2. Машина градиентного бустинга (GBM): Получала те же агрегированные признаки на уровне минуты (среднее значение, стандартное отклонение, максимум) и выходное состояние от LSTM. GBM (100 деревьев, максимальная глубина 6) обеспечивала высокую надежность классификации и понимание важности признаков.

3. Выход: Сигмоидный нейрон, обеспечивающий вероятность отказа в течение следующих 72 часов (0 = исправен, 1 = высокая вероятность отказа).
   Обучение и валидация: Данные с 24 шпинделей (включая 18 случаев отказа) использовались для обучения (70%) и валидации (30%). Данные с оставшихся 8 шпинделей (4 случая отказа) составили резервный тестовый набор. Веса модели доступны по запросу для исследований репликации (с учетом NDA).

3 Результаты и анализ

3.1 Прогностическая эффективность

Ансамблевая модель значительно превзошла традиционные пороговые значения RMS и подходы с одной моделью (например, SVM, базовая CNN) на тестовом наборе:

• Средняя точность: 92%

• Полнота (скорость обнаружения неисправностей): 88%

• Частота ложных тревог: 5%

• Среднее время упреждения: 68 часов
  Таблица 1: Сравнение производительности на тестовом наборе
  | Модель | Средняя точность | Полнота | Частота ложных тревог | Среднее время упреждения (ч) |
  | :------------------- | :------------- | :----- | :--------------- | :------------------- |
  | Пороговое значение RMS (4 мм/с) | 65% | 75% | 22% | < 24 |
  | SVM (ядро RBF) | 78% | 80% | 15% | 42 |
  | 1D CNN | 85% | 82% | 8% | 55 |
  | Предлагаемый ансамбль (LSTM+GBM) | 92% | 88%| 5% | 68 |

3.2 Основные выводы и инновации

• Раннее обнаружение сигнатур: Модель надежно идентифицировала незначительное увеличение высокочастотной энергии (полоса 5-10 кГц) и повышение значений куртозиса за 50+ часов до функционального отказа, что коррелировало с началом микроскопического отслаивания подшипника. Эти изменения часто маскировались эксплуатационным шумом в стандартных спектрах.

• Контекстная чувствительность: Анализ важности признаков (через GBM) подтвердил решающую роль операционного контекста. Сигнатуры отказов проявлялись по-разному при 8000 об/мин по сравнению с 15000 об/мин, что LSTM эффективно изучила.

• Превосходство над порогами: Простое RMS-мониторинг не обеспечило достаточного времени упреждения и генерировало частые ложные тревоги во время работы с высокой нагрузкой. Модель ИИ динамически адаптировала пороги в зависимости от рабочих условий и изучала сложные закономерности.

• Валидация: На рисунке 1 показана выходная вероятность модели и ключевые вибрационные характеристики (куртозис, высокочастотная энергия) для шпинделя, у которого развивается дефект наружной дорожки подшипника. Модель выдала предупреждение (вероятность > 0,85) за 65 часов до полной блокировки.

4 Обсуждение

4.1 Интерпретация

Высокая прогностическая точность обусловлена способностью модели объединять многодоменные вибрационные характеристики в их операционном контексте и изучать траектории временной деградации. Слои LSTM эффективно фиксировали прогрессирование сигнатур неисправностей с течением времени, а это измерение часто упускается из виду в анализах моментальных снимков. Доминирование высокочастотной энергии и куртозиса в качестве ранних индикаторов согласуется с теорией трибологии, где зарождающиеся дефекты поверхности генерируют переходные волны напряжения, воздействующие на более высокие частоты.

4.2 Ограничения

• Область данных: Текущая валидация в основном относится к дефектам подшипников и дисбалансу. Производительность при менее распространенных отказах (например, дефекты обмотки двигателя, проблемы со смазкой) требует дальнейшего изучения.

• Зависимость от датчиков: Точность зависит от правильной установки и калибровки акселерометра. Дрейф или повреждение датчика могут повлиять на результаты.

• Вычислительная нагрузка: Анализ в реальном времени требует периферийного вычислительного оборудования рядом со станком.

4.3 Практические последствия

• Сокращение времени простоя: Проактивные оповещения позволяют планировать техническое обслуживание во время запланированных остановок, сводя к минимуму сбои.

• Снижение затрат: Предотвращает катастрофические повреждения (например, разрушение валов шпинделя), снижает потребность в запасах запасных частей (замена точно в срок) и оптимизирует трудозатраты на техническое обслуживание.

• Внедрение: Требует первоначальных инвестиций в датчики, периферийные шлюзы и интеграцию программного обеспечения. Появляются облачные решения, снижающие барьеры для небольших производителей. Окупаемость инвестиций обычно достигается в течение 6-12 месяцев для шпинделей с высокой загрузкой.

5 Заключение

Это исследование демонстрирует эффективность интеграции комплексного извлечения вибрационных характеристик с ансамблевой моделью ИИ LSTM-GBM для раннего прогнозирования отказа шпинделя ЧПУ. Подход обеспечивает высокую точность (92%) и значительное время упреждения (в среднем 68 часов), существенно превосходя традиционные методы мониторинга вибрации. Ключевые инновации включают объединение многодоменных признаков, явное моделирование временных паттернов деградации с помощью LSTM и надежность, обеспечиваемую ансамблевым обучением GBM.