วิธีการคาดการณ์ความล้มเหลวของ CNC Spindle ด้วยการวิเคราะห์การสั่นและการติดตาม AI

PFT, เซินเจิ้น

 การตรวจจับความล้มเหลวของแกนหมุน CNC ที่ใกล้จะเกิดขึ้นล่วงหน้าเป็นสิ่งสำคัญสำหรับการลดเวลาหยุดทำงานที่ไม่คาดคิดและการซ่อมแซมที่มีค่าใช้จ่ายสูง บทความนี้มีรายละเอียดวิธีการที่รวมการวิเคราะห์สัญญาณการสั่นสะเทือนกับปัญญาประดิษฐ์ (AI) สำหรับการบำรุงรักษาเชิงพยากรณ์ ข้อมูลการสั่นสะเทือนจากแกนหมุนที่ทำงานภายใต้ภาระที่แตกต่างกันจะถูกรวบรวมอย่างต่อเนื่องโดยใช้มาตรวัดความเร่ง คุณสมบัติหลัก รวมถึงสถิติในโดเมนเวลา (RMS, kurtosis) ส่วนประกอบในโดเมนความถี่ (ยอดสเปกตรัม FFT) และลักษณะเฉพาะของเวลา-ความถี่ (พลังงานเวฟเล็ต) จะถูกดึงออกมา คุณสมบัติเหล่านี้ทำหน้าที่เป็นอินพุตสำหรับแบบจำลองการเรียนรู้ของเครื่องแบบรวมที่รวมเครือข่ายหน่วยความจำระยะยาวแบบสั้น (LSTM) สำหรับการจดจำรูปแบบชั่วคราวและการเพิ่มประสิทธิภาพแบบไล่ระดับ (GBM) สำหรับการจำแนกประเภทที่แข็งแกร่ง การตรวจสอบความถูกต้องบนชุดข้อมูลจากศูนย์กลางการกัดความเร็วสูงแสดงให้เห็นถึงความสามารถของแบบจำลองในการตรวจจับข้อบกพร่องของตลับลูกปืนที่กำลังพัฒนาและความไม่สมดุลได้ถึง 72 ชั่วโมงก่อนที่จะเกิดความล้มเหลวในการทำงานโดยมีความแม่นยำเฉลี่ย 92% แนวทางนี้ให้การปรับปรุงที่สำคัญกว่าการตรวจสอบการสั่นสะเทือนแบบใช้เกณฑ์มาตรฐานแบบดั้งเดิม ทำให้สามารถกำหนดเวลาการบำรุงรักษาเชิงรุกและลดความเสี่ยงในการดำเนินงานได้

1 บทนำ

เครื่องมือเครื่องจักร CNC เป็นกระดูกสันหลังของการผลิตที่มีความแม่นยำสมัยใหม่ แกนหมุน ซึ่งอาจเป็นส่วนประกอบที่สำคัญและมีราคาแพงที่สุด ส่งผลกระทบโดยตรงต่อความแม่นยำในการตัดเฉือน ผิวสำเร็จ และผลิตภาพโดยรวม ความล้มเหลวของแกนหมุนอย่างกะทันหันนำไปสู่เวลาหยุดทำงานที่หายนะ ชิ้นงานที่ถูกทิ้ง และการซ่อมแซมฉุกเฉินที่มีราคาแพง ทำให้ผู้ผลิตต้องเสียค่าใช้จ่ายหลายพันต่อชั่วโมง ตารางการบำรุงรักษาเชิงป้องกันแบบดั้งเดิม ซึ่งอิงตามช่วงเวลาคงที่หรือตัวนับรันไทม์อย่างง่ายนั้นไม่มีประสิทธิภาพ – อาจเปลี่ยนส่วนประกอบที่ดีต่อสุขภาพหรือพลาดความล้มเหลวที่ใกล้จะเกิดขึ้น การบำรุงรักษาเชิงปฏิกิริยาหลังความล้มเหลวนั้นมีค่าใช้จ่ายสูงเกินไป ดังนั้น การตรวจสอบตามเงื่อนไข (CBM) โดยเฉพาะการวิเคราะห์การสั่นสะเทือนจึงได้รับความโดดเด่น แม้ว่าจะมีประสิทธิภาพในการระบุข้อบกพร่องที่ รุนแรง การตรวจสอบการสั่นสะเทือนแบบเดิมมักจะดิ้นรนกับการตรวจจับความล้มเหลว ในระยะเริ่มต้น บทความนี้ขอนำเสนอแนวทางแบบบูรณาการโดยใช้การประมวลผลสัญญาณการสั่นสะเทือนขั้นสูงควบคู่ไปกับการวิเคราะห์ที่ขับเคลื่อนด้วย AI เพื่อทำนายความล้มเหลวของแกนหมุนล่วงหน้าได้อย่างแม่นยำ

2 วิธีการวิจัย

2.1 การออกแบบและการได้มาซึ่งข้อมูล

วัตถุประสงค์หลักคือการระบุลายเซ็นการสั่นสะเทือนเล็กน้อยที่บ่งบอกถึงการเสื่อมสภาพในระยะเริ่มต้นก่อนที่จะเกิดความล้มเหลวอย่างหายนะ ข้อมูลถูกรวบรวมจากแกนหมุนกัด CNC ความแม่นยำสูง 32 ตัวที่ทำงานในการผลิตส่วนประกอบยานยนต์ 3 กะเป็นเวลากว่า 18 เดือน มาตรวัดความเร่งแบบเพียโซอิเล็กทริก (ความไว: 100 mV/g, ช่วงความถี่: 0.5 Hz ถึง 10 kHz) ถูกติดตั้งในแนวรัศมีและแนวแกนบนตัวเรือนแกนหมุนแต่ละตัว หน่วยการได้มาซึ่งข้อมูลสุ่มตัวอย่างสัญญาณการสั่นสะเทือนที่ 25.6 kHz พารามิเตอร์การทำงาน (ความเร็วแกนหมุน แรงบิดโหลด อัตราการป้อน) ถูกบันทึกพร้อมกันผ่านอินเทอร์เฟซ OPC UA ของ CNC

2.2 วิศวกรรมคุณสมบัติ

สัญญาณการสั่นสะเทือนดิบถูกแบ่งออกเป็นยุค 1 วินาที สำหรับแต่ละยุค ชุดคุณสมบัติที่ครอบคลุมถูกดึงออกมา:

• โดเมนเวลา: Root Mean Square (RMS), Crest Factor, Kurtosis, Skewness

• โดเมนความถี่ (FFT): แอมพลิจูดและค่าความถี่สูงสุดที่โดดเด่นภายในแถบข้อบกพร่องของตลับลูกปืน (BPFO, BPFI, FTF, BSF) พลังงานโดยรวมในแถบเฉพาะ (0-1kHz, 1-5kHz, 5-10kHz), spectral kurtosis

• โดเมนเวลา-ความถี่ (Wavelet Packet Transform - Daubechies 4): เอนโทรปีพลังงาน ระดับพลังงานสัมพัทธ์ในโหนดการสลายที่เกี่ยวข้องกับความถี่ของข้อบกพร่อง

• บริบทการดำเนินงาน: ความเร็วแกนหมุน เปอร์เซ็นต์โหลด

2.3 การพัฒนาแบบจำลอง AI

สถาปัตยกรรมแบบจำลองแบบรวมถูกนำมาใช้:

1. เครือข่าย LSTM: ประมวลผลลำดับของเวกเตอร์คุณสมบัติ 1 วินาทีติดต่อกัน 60 รายการ (เช่น ข้อมูลการดำเนินงาน 1 นาที) เพื่อจับรูปแบบการเสื่อมสภาพชั่วคราว เลเยอร์ LSTM (64 หน่วย) เรียนรู้การพึ่งพาอาศัยกันในแต่ละช่วงเวลา

2. เครื่องเพิ่มประสิทธิภาพแบบไล่ระดับ (GBM): ได้รับคุณสมบัติรวมระดับนาทีเดียวกัน (ค่าเฉลี่ย, ส่วนเบี่ยงเบนมาตรฐาน, สูงสุด) และสถานะเอาต์พุตจาก LSTM GBM (100 ทรี, ความลึกสูงสุด 6) ให้ความแข็งแกร่งในการจำแนกประเภทสูงและข้อมูลเชิงลึกเกี่ยวกับความสำคัญของฟีเจอร์

3. เอาต์พุต: นิวรอนซิกมอยด์ให้ความน่าจะเป็นของความล้มเหลวภายใน 72 ชั่วโมงถัดไป (0 = Healthy, 1 = High Failure Probability)
   การฝึกอบรมและการตรวจสอบ: ข้อมูลจากแกนหมุน 24 ตัว (รวมถึงเหตุการณ์ความล้มเหลว 18 รายการ) ถูกใช้สำหรับการฝึกอบรม (70%) และการตรวจสอบ (30%) ข้อมูลจากแกนหมุนที่เหลืออีก 8 ตัว (เหตุการณ์ความล้มเหลว 4 รายการ) ประกอบด้วยชุดทดสอบแบบถือออก น้ำหนักแบบจำลองมีให้เมื่อมีการร้องขอสำหรับการศึกษาการจำลองแบบ (ภายใต้ NDA)

3 ผลลัพธ์และการวิเคราะห์

3.1 ประสิทธิภาพการทำนาย

แบบจำลองแบบรวมมีประสิทธิภาพเหนือกว่าสัญญาณเตือนเกณฑ์ RMS แบบดั้งเดิมและแนวทางแบบจำลองเดียว (เช่น SVM, CNN พื้นฐาน) บนชุดทดสอบ:

• ความแม่นยำเฉลี่ย: 92%

• การเรียกคืน (อัตราการตรวจจับข้อบกพร่อง): 88%

• อัตราการเตือนผิดพลาด: 5%

• ระยะเวลานำเฉลี่ย: 68 ชั่วโมง
  ตารางที่ 1: การเปรียบเทียบประสิทธิภาพบนชุดทดสอบ
  | แบบจำลอง | ความแม่นยำเฉลี่ย | การเรียกคืน | อัตราการเตือนผิดพลาด | ระยะเวลานำเฉลี่ย (ชม.) |
  | :------------------- | :------------- | :----- | :--------------- | :------------------- |
  | เกณฑ์ RMS (4 มม./วินาที) | 65% | 75% | 22% | < 24 |
  | SVM (RBF Kernel) | 78% | 80% | 15% | 42 |
  | 1D CNN | 85% | 82% | 8% | 55 |
  | แบบรวมที่เสนอ (LSTM+GBM) | 92% | 88%| 5% | 68 |

3.2 ข้อค้นพบและนวัตกรรมที่สำคัญ

• การตรวจจับลายเซ็นในระยะเริ่มต้น: แบบจำลองระบุการเพิ่มขึ้นเล็กน้อยของพลังงานความถี่สูง (แถบ 5-10kHz) และค่า kurtosis ที่เพิ่มขึ้น 50+ ชั่วโมงก่อนที่จะเกิดความล้มเหลวในการทำงาน ซึ่งสัมพันธ์กับการเริ่มต้นของรอยแตกของตลับลูกปืนขนาดเล็ก การเปลี่ยนแปลงเหล่านี้มักถูกบดบังด้วยสัญญาณรบกวนในการทำงานในสเปกตรัมมาตรฐาน

• ความไวต่อบริบท: การวิเคราะห์ความสำคัญของฟีเจอร์ (ผ่าน GBM) ยืนยันบทบาทสำคัญของบริบทการดำเนินงาน ลายเซ็นความล้มเหลวแสดงออกแตกต่างกันที่ 8,000 RPM เทียบกับ 15,000 RPM ซึ่ง LSTM เรียนรู้ได้อย่างมีประสิทธิภาพ

• ความเหนือกว่าเหนือเกณฑ์: การตรวจสอบ RMS อย่างง่ายล้มเหลวในการให้เวลานำที่เพียงพอและสร้างการเตือนผิดพลาดบ่อยครั้งในระหว่างการทำงานภายใต้ภาระสูง แบบจำลอง AI ปรับเกณฑ์แบบไดนามิกตามสภาวะการทำงานและเรียนรู้รูปแบบที่ซับซ้อน

• การตรวจสอบ: รูปที่ 1 แสดงให้เห็นถึงความน่าจะเป็นของเอาต์พุตของแบบจำลองและคุณสมบัติการสั่นสะเทือนที่สำคัญ (Kurtosis, High-Freq Energy) สำหรับแกนหมุนที่พัฒนาข้อบกพร่องของตลับลูกปืนรางด้านนอก แบบจำลองทริกเกอร์การแจ้งเตือน (ความน่าจะเป็น > 0.85) 65 ชั่วโมงก่อนที่จะเกิดการยึด

4 การอภิปราย

4.1 การตีความ

ความแม่นยำในการทำนายที่สูงเกิดจากความสามารถของแบบจำลองในการรวมคุณสมบัติการสั่นสะเทือนหลายโดเมนภายในบริบทการดำเนินงานและเรียนรู้เส้นทางการเสื่อมสภาพชั่วคราว เลเยอร์ LSTM จับภาพความก้าวหน้าของลายเซ็นข้อบกพร่องเมื่อเวลาผ่านไปได้อย่างมีประสิทธิภาพ ซึ่งเป็นมิติที่มักถูกมองข้ามในการวิเคราะห์สแนปชอต การครอบงำของพลังงานความถี่สูงและ kurtosis เป็นตัวบ่งชี้ในระยะเริ่มต้นสอดคล้องกับทฤษฎีไทรโบโลยี ซึ่งข้อบกพร่องของพื้นผิวในระยะเริ่มต้นสร้างคลื่นความเครียดชั่วคราวที่ส่งผลกระทบต่อความถี่ที่สูงขึ้น

4.2 ข้อจำกัด

• ขอบเขตข้อมูล: การตรวจสอบความถูกต้องในปัจจุบันส่วนใหญ่เกี่ยวกับข้อบกพร่องของตลับลูกปืนและความไม่สมดุล ประสิทธิภาพในความล้มเหลวที่พบบ่อยน้อยกว่า (เช่น ข้อบกพร่องของขดลวดมอเตอร์ ปัญหาการหล่อลื่น) ต้องมีการศึกษาเพิ่มเติม

• การพึ่งพาเซ็นเซอร์: ความแม่นยำขึ้นอยู่กับการติดตั้งและการสอบเทียบมาตรวัดความเร่งที่เหมาะสม การดริฟท์หรือความเสียหายของเซ็นเซอร์อาจส่งผลกระทบต่อผลลัพธ์

• ภาระการคำนวณ: การวิเคราะห์แบบเรียลไทม์ต้องใช้ฮาร์ดแวร์การประมวลผลขอบใกล้กับเครื่อง

4.3 ผลกระทบในทางปฏิบัติ

• ลดเวลาหยุดทำงาน: การแจ้งเตือนเชิงรุกช่วยให้สามารถกำหนดเวลาการบำรุงรักษาในระหว่างการหยุดตามแผน ซึ่งช่วยลดการหยุดชะงัก

• ต้นทุนที่ต่ำกว่า: ป้องกันความเสียหายร้ายแรง (เช่น เพลาแกนหมุนที่ถูกทำลาย) ลดความต้องการสินค้าคงคลังอะไหล่ (การเปลี่ยนทดแทนแบบทันเวลา) และเพิ่มประสิทธิภาพแรงงานในการบำรุงรักษา

• การนำไปใช้: ต้องมีการลงทุนเบื้องต้นในเซ็นเซอร์ เกตเวย์ขอบ และการรวมซอฟต์แวร์ โซลูชันบนคลาวด์กำลังเกิดขึ้น ลดอุปสรรคสำหรับผู้ผลิตรายย่อย ROI โดยทั่วไปจะทำได้ภายใน 6-12 เดือนสำหรับแกนหมุนที่มีการใช้งานสูง

5 บทสรุป

การศึกษานี้แสดงให้เห็นถึงประสิทธิภาพของการรวมการดึงคุณสมบัติการสั่นสะเทือนที่ครอบคลุมเข้ากับแบบจำลอง AI แบบรวม LSTM-GBM สำหรับการทำนายความล้มเหลวของแกนหมุน CNC ในระยะเริ่มต้น แนวทางนี้ให้ความแม่นยำสูง (92%) และเวลานำที่สำคัญ (โดยเฉลี่ย 68 ชั่วโมง) ซึ่งมีประสิทธิภาพเหนือกว่าวิธีการตรวจสอบการสั่นสะเทือนแบบดั้งเดิม นวัตกรรมที่สำคัญ ได้แก่ การรวมคุณสมบัติหลายโดเมน การสร้างแบบจำลองที่ชัดเจนของรูปแบบการเสื่อมสภาพชั่วคราวผ่าน LSTM และความแข็งแกร่งที่จัดหาโดยการเรียนรู้แบบรวม GBM