Способ оперативной диагностики модулей металлообрабатывающих станков

Изобретение относится к области станкостроения и может быть использовано при определении наличия и места дефекта в модулях металлообрабатывающих станков в оперативном режиме. Способ включает определение геометрического образа поверхности обрабатываемой детали в виде частотного спектра, отражающего изменения колебаний инструмента и заготовки по нормали к обрабатываемой поверхности, сравнение текущего геометрического образа с эталонным, по результатам которого определяют наличие и место расположения дефектов в модулях станка. При этом эталонный геометрический образ реализуют в виде рекуррентных нейронных сетей с долгой кратковременной памятью, а определение наличия и места расположения дефектов в упомянутых модулях по отклонению текущего геометрического образа от эталонного осуществляют с использованием интеллектуального классификатора, представленного в виде многослойного персептрона. Использование изобретения позволяет осуществлять оперативную и достоверную диагностику состояния модулей станков. 10 ил.

 

Изобретение относится к области станкостроения и может быть использовано при диагностике технического состояния модулей металлообрабатывающих станков. Известны: способ диагностики состояния металлорежущего оборудования за счет исследования профилограммы поверхности обработанной детали (патент SU144580 A1 B23Q 1500, опубл. 15.10.1987) и способ диагностики элементов замкнутой динамической системы СПИД (патент SU1296370 A1 B23Q 15/00, опубл. 15.03.1987). Оба этих способа заключаются в определении при обработке детали вибрационных показателей станков и последующей обработке, и сопоставлении информации с расчетной с целью определения дефектных узлов.

Недостатком данных способов является отсутствие автоматизации при принятии решения о состоянии станка, т.к. в способах предлагается проводить диагностику с использованием вычислительных средств после завершения процесса обработки детали и не предполагается применение непосредственно в рабочем режиме станка, то есть оперативная диагностика.

Известен способ диагностики элементов замкнутой динамической системы токарного станка (патент RU2146585 МПК G01M 99/00, опубл. 20.03.00), в котором диагностика станка осуществляется с помощью измерения статической податливости, собственной частоты и декрементов колебаний основных элементов динамической системы станка, определения их передаточных функций в виде колебательных звеньев и затем построения передаточной функции эквивалентной упругой системы станка, по которым выявляют основные звенья, являющиеся причиной неустойчивой работы станка.

Недостатком данного способа являются ограниченные диагностические возможности, т.к. способ основывается на аналитическом построении эквивалентной системы станка и не учитывает частоты вибровозмущений, возникающих в узлах станка, и действие процесса резания. Данный способ диагностики не позволяет обнаружить дефекты модулей станка.

Известно устройство диагностики токарных станков по параметрам точности изготавливаемой детали (патент RU2154565 МПК G01M 99/00, опубл. 14.10.99), содержащее датчик угла поворота шпинделя, бесконтактный датчик перемещения, служащий для измерения перемещений вершины резца в плоскости, проходящей через вершину резца и ось шпинделя, датчики соединены с компьютером через интерфейс. Бесконтактный датчик перемещения установлен на резцедержательной головке суппорта и выполнен с возможностью измерения расстояния до цилиндрической поверхности патрона. После записи показаний на компьютере предусмотрена обработка экспериментальных данных с использованием методов математической статистики. Построенный геометрический образ поверхности в трехмерном пространстве позволяет определить все необходимые показатели точности детали до ее окончательной обработки. Способ направлен на прогнозирование параметров точности и качества изготавливаемых деталей.

Недостатком данного способа являются ограниченные функциональные возможности, обусловленные тем, что в данном случае нельзя определить техническое состояние элементов станка по построенному геометрическому образу.

Известен способ диагностики шпиндельных узлов металлорежущих станков с использованием нейронных сетей (С.В. Рожков, Н.Н. Трушин, Г.В. Шадский Мониторинг технического состояния шпиндельных узлов металлорежущих станков / Известия ТулГУ. Технические науки. 2016. Вып. 8. Ч. 2), который предусматривает определение спектров вибрационных сигналов, снятых со шпиндельных узлов при помощи вибропреобразователей (акселерометров), установленных вблизи подшипниковых опор. Непосредственно для постановки диагноза используется нейронная сеть архитектуры «многослойный персептрон», на входные элементы которой подаются спектры вибрации, а выходными элементами являются классы неисправностей.

Недостатком данного способа являются ограниченные возможности диагностирования, связанные с несовершенством обучающей выборки, не позволяющей - при возникновении неучтенных неисправностей определить состояние узла и применить диагностический алгоритм в режиме реального времени.

Близким к предлагаемому способу являются способ диагностики шпиндельного узла (патент RU2124966 МПК G01M 99/00, опубл. 20.01.99). Этот способ предусматривает приложение внешней нагрузки к оправке, установленной в шпинделе, и измерение расстояния от поверхности оправки до датчиков перемещения, расположенных в двух поперечных сечениях оправки на заданном расстоянии между сечениями. Оправку обрабатывают резцом, в качестве датчиков перемещения используются бесконтактные датчики, по сигналам которых определяются поперечные сечения оправки в местах установки датчиков перемещения. По поперечным сечениям определяют геометрический образ оправки в трехмерном пространстве. После обработки оправки резцом, для полученного геометрического образа оценивают погрешность радиального размера, геометрической формы, суммарную погрешность формы и относительное расположение поверхностей в радиальном и торцевом направлениях, отклонение от цилиндричности и по результатам оценки определяют параметрическую надежность шпиндельного узла.

Недостатками данного способа являются ограниченные функциональные возможности, т.к. способ предназначен для диагностики шпиндельного узла и не позволяет диагностировать неисправности других элементов станка по построенному геометрическому образу и не учитывает динамику процесса обработки.

Наиболее близким алгоритмом, применяемым для диагностики, является алгоритм, используемый для определения состояния технологического процесса станков электрохимической обработки (Масалимов К.А., Мунасыпов Р.А. Нейросетевое моделирование для решения задач диагностики состояния технологического процесса электрохимической размерной обработки / СТИН 04.2017). В данном алгоритме определение дефекта в процессе обработки основано на сравнении текущих показателей состояния технологического процесса (ток, положение обрабатывающих элементов) с эталонными, зафиксированными в нейросетевой модели.

Недостатком данного способа является ограниченность в применении архитектуры нейронных сетей, используемых для формирования эталонной модели на основе многослойного персептрона. Информационная емкость многослойного персептрона в данном случае ограничена, что приводит к существенным ограничениям при попытке реализовать эталонную модель амплитудно-частотных характеристик вибрационных показателей.

Задача изобретения - расширение функциональных возможностей диагностики технического состояния каждого модуля металлообрабатывающего станка.

Технический результат - определение наличия и места дефекта в модуле станка.

Поставленная задача решается, а технический результат достигается тем, что в предлагаемом способе оперативной диагностики технического состояния модулей металлообрабатывающих станков на основании информации, поступающей от датчика, определяют геометрический образ поверхности обработанной детали, который представляют в виде частотного спектра, отражающего колебания инструмента и заготовки по нормали к обрабатываемой поверхности, вызванных наличием дефекта изготовления элемента модуля металлообрабатывающего станка, сравнивают текущий геометрический образ с эталонным и по отклонению его от эталонного определяют наличие и место дефектов в модуле металлообрабатывающего станка. Формирование эталонного геометрического образа осуществляется путем фиксации виброметрической информации в ходе обработки металлорежущими станками и применения накопленной информации для обучения нейросетевых моделей, представляющих собой апроксимацию нелинейных характеристик. В качестве архитектуры нейронной сети, реализующей эталонные модели предлагается применение рекуррентных нейронных сетей с долгой кратковременной памятью (LSTM -LongShortTermMemory).

Поиск причины отказа проводится в определенном диапазоне частот путем идентификации частоты возмущения с доминирующей частотой, вызывающей отказ в данном частотном диапазоне. Вычисляется несоответствие между эталонной нейросетевой моделью и текущими характеристиками процесса, по величине и динамике изменения которого определяется характер дефекта посредством использования второй нейросетевой модели классификатора.

На основании требований к металлорежущему станку составляется обобщенный (эталонный) спектр, соответствующий допускаемым отклонениям формы (волнистости) и шероховатости поверхности детали при соблюдении конкретных условий обработки.

Расчетный спектр определяется с помощью моделирования колебаний инструмента и обрабатываемой детали с учетом технических условий на точность изготовления и сборки модулей металлообрабатывающего станка.

При использовании эталонного спектра в процессе диагностики технического состояния модулей станка по расчетному спектру выделяют характерные частоты, в которых проявляются погрешности изготовления модулей металлообрабатывающего станка.

При эксплуатации станка постоянно выполняется фиксация спектра в виде амплитудно-частотных характеристик. При возникновении новых видов дефектов, ранее неопределяемых, выполняется дообучение нейронной-сети классификатора по новым данным.

В процессе диагностики устанавливают две основные причины параметрического отказа:

1. Отказ в связи с несоблюдением технических условий сборки станка, в результате чего амплитуды отдельных гармоник расчетного и фактического спектра погрешности формы (волнистости) и шероховатости обработанной поверхности детали превышают амплитуду эталонного спектра.

2. Отказ в связи с изменением технических условий изготовления деталей приводов, в результате чего амплитуды отдельных гармоник расчетного спектра выходят за допустимый уровень эталонного спектра.

Сущность изобретения поясняется фигурами 1-4.

На фиг. 1 изображена структурная схема способа оперативной диагностики модулей металлообрабатывающего станка.

Оперативную диагностику технического состояния приводов металлообрабатывающих станков предлагается проводить в последовательности, представленной на фиг. 2, которая предусматривает выполнение следующих этапов:

1. Расчетное определение источников вибровозмущений и ранжирование их по частотным диапазонам.

2. Фиксация эталонных характеристикх (спектра) при проведении технологической обработки, повторяемой многократно в условиях без отказов и с отказами в виде нейросетевой модели с долгой кратковременной памятью;

3. Проведение процедуры обучения и верификации нейросетевых моделей классификаторов, реализованных в виде многослойных персептронов, с предварительным разбиением обучающей выборки для выполнения классификации состояния технологического процесса;

4. Сравнение нейросетевой модели эталонного спектр со спектром, полученным по фактическим параметрам качества детали в режиме реального времени, определение источников дефектов.

5. При выявлении нескольких источников дефектов, проявляющихся на одинаковых частотах, проведение дополнительного анализа полученного спектра по эталонному спектру, характеризующему один из найденных дефектов, и дообучение модели - классификатора.

Проведение формального и логического анализа определенных дефектов, спектров вибровозмущающих воздействий и выявление дефектного элемента металлообрабатывающего станка.

На фиг. 3 представлен процесс сравнения эталонного спектра с текущим.

На фиг. 4 - процесс принятия решения по выявлению дефекта.

На фиг. 3 и фиг. 4 использованы следующие обозначения: S - спектр, индексы: «и» - измеренная величина, «э» - эталонная, i=1…K -количество гармоник эталонного спектра, j=1…N - количество дефектов, m=1…М - количество гармоник спектра вибровозмущений, r=1…R - количество найденных дефектов, z=1…Z- i=1…K - количество эталонных спектров.

На фиг. 5 представлена архитектура нейронной сети с долгой кратковременной памятью, используемой для фиксации эталонной модели. Архитектура нейронной сети с долгой кратковременной памятью позволяет фиксировать по входному вектору x, представляющему собой набор гармоник эталонного спектра в дискретные моменты времени, изменение спектра в ходе процесса технологической обработки и получать на выходе эталонное значение гармоник у - для следующего дискретного момента времени.

Исходными данными для оперативной диагностики являются: фактические погрешности качества обработанной поверхности детали; параметры изготовления узлов станка, по которым определяются источники вибровозмущений.

ПРИМЕР КОНКРЕТНОЙ РЕАЛИЗАЦИИ СПОСОБА

Оценка технического состояния на примере станка модели 500VS проводилась по качеству обработанных поверхностей детали (материал СЧ-20). В соответствии с ГОСТ 25443-82 при обработке детали «пирамида» проверялась точность изготавливаемого оборудования. Обработка детали производилась с помощью концевой фрезы на режиме: глубина резания t=0,1 мм, подача S=200 мм/мин, частота вращения шпинделя 600 мин¹.

Для фиксации виброметрических данных использованы датчики вибрации, штатно используемые в составе станка. Выполнена подготовка системы управления для включения в состав предлагаемого способа диагностики, а именно:

1. Выполнено обучение глубоких нейросетевых моделей и многослойного персептрона - классификатора:

1.1 Проведен ряд экспериментов по обработке детали «пирамида» с требуемыми показателями точности в исправном состоянии станка и фиксацией виброметрической информации в ходе технологического процесса обработки. Полученная таким образом модель в дальнейшем использована как модель «эталон».

1.2 Проведен ряд экспериментов по обработке детали «пирамида» при замене узлов на дефектные или искусственном внесении дефектов в узлы станка (подшипники, шарико-винтовые передачи, приводы перемещения, шпиндель, электродвигатель) и фиксацией виброметрической информации.

1.3. Проведена процедура обучения нейросетевых моделей на базе рекуррентных сетей с долгой краткосрочной памятью с использованием информации полученной в пунктах 1.1 и 1.2. В результате получены модели фиксирующие виброметрическую информацию эталонного процесса и процессов, сопровождающихся наличием дефектов в узлах станка.

1.4. Проведена процедура обучения нейронной сети - классификатора, в качестве входных данных для классификатора использованы данные, получаемые с выходов моделей, представленных в пункте 1.3, в качестве выходных данных - наличие дефекта и, при его наличии, наименование дефекта и узла, содержащего этот дефект.

2. Выполнена доработка системы управления станка с включением диагностических моделей в ее состав для выполнения диагностики непосредственно в ходе процесса технологической обработки и выдачей предупреждающего сигнала опреатору станка.

Опробование разработанного способа диагностики проводилось в последовательности, приведенной на фиг. 2.:

1. Получение спектра отклонений формы (волнистости) и шероховатости (фиг. 6) на основании данных (фиг. 3-5), используя соотношение f_i/n=f_H, где f_i- частота возникновения относительных колебаний инструмента и заготовки, f_H- частота проявления отклонений формы (волнистости) и шероховатости, n-зубцовая частота вращения инструмента (для данного случая определили, что =75 Гц).

В ходе сравнения фактического спектра с эталонным в диапазоне частот возможных погрешностей установлено, что полученный частотный спектр соответствует погрешностям изготовления дорожек винта привода подач вертикального перемещения и привода подач продольного перемещения. Для однозначного определения дефекта узла в данном случае необходимо дополнительное диагностирование станка. На фиг. 6 показаны отклонения формы (волнистости) и шероховатости поверхности при обработке детали в плоскости XOZ, на фиг. 7 - эталонный спектр при обработке поверхности аналогичной детали, на фиг. 8 - фактический спектр обработанной поверхности детали в плоскости XOZ, на фиг. 9 - отклонения формы (волнистости) и шероховатости поверхности при обработке поверхности детали в плоскости XOY, на фиг. 10 - фактический спектр обработанной поверхности детали в плоскости XOY.

2. При обработке детали в плоскости XOY (привод подач по оси Z не работает) в определенном частотном диапазоне, проведение анализа влияния погрешностей в приводе подач по оси X на качество изготовления поверхности детали и определение, что в этом случае отклонения формы (волнистости) и шероховатости на рассматриваемой поверхности не превышают допустимые значения (фиг. 7.).

В ходе сравнения фактического спектра (фиг. 8) с эталонным посредством нейронной сети - классификатора в диапазоне частот возникновения погрешности изготовления винта установлено, что дефект, порождающий отклонения формы (волнистости) и шероховатости поверхности, находится в приводе вертикального перемещения и принадлежит передаче винт-гайка качения.

Проведение диагностики технического состояния приводов металлообрабатывающих станков в соответствии с предложенным способом позволяет:

1) определять источники дефектов в модулях станка и разработать мероприятия по их устранению;

2) при обнаружении новых видов дефектов корректировать оперативный классификатор дефектов путем дообучения или переобучения многослойного персептрона;

3) дать рекомендации на разработку научно обоснованных технических условий на изготовление и сборку узлов многоцелевого станка на этапе проектирования;

4) рекомендовать рациональные режимы резания при обработке детали на многоцелевом станке с учетом показателей качества обрабатываемой детали, позволяющих уменьшить взаимное влияние дефектов в приводах многоцелевого станка;

5) рекомендовать параметры коррекции перемещений в системе ЧПУ станка в случае отклонений, а также назначать оптимальные параметры интерполяции.

Предложенный способ позволяет оперативно определить источники дефектов в приводах станка, а также и разрабатывать мероприятия по их устранению.

Способ оперативной диагностики технического состояния модулей металлообрабатывающего станка, включающий определение по информации, получаемой от датчиков вибрации, геометрического образа поверхности обрабатываемой детали, который представляют в виде частотного спектра, отражающего изменения колебаний инструмента и заготовки по нормали к обрабатываемой поверхности, вызванные наличием дефектов упомянутых модулей, сравнение текущего геометрического образа с эталонным и определение по результатам сравнения наличия и места расположения дефектов в упомянутых модулях, отличающийся тем, что эталонный геометрический образ реализуют в виде рекуррентных нейронных сетей с долгой кратковременной памятью, а определение наличия и места расположения дефектов в упомянутых модулях по отклонению текущего геометрического образа от эталонного осуществляют с использованием интеллектуального классификатора, представленного в виде многослойного персептрона.