Når vibrationer gør bearbejdningen ustabil, eller værktøjet bliver slidt, kan det hurtigt mærkes i produktionen. Det kan gå ud over emnernes overflade og præcision, føre til fejl og betyde, at emner må kasseres.
Derfor er det værdifuldt at kunne følge med i, hvad der sker, mens maskinen arbejder.
I dag kan du få meget præcise målinger af skærekræfterne med et dynamometer – også kendt som et cutting force table. Men udstyret er dyrt, og det kræver både tid og specialviden at sætte det op.
I projektet Advanced Vibration Monitoring har DAMRC derfor undersøgt, om et langt billigere og enklere accelerometer kan give virksomheder noget af den samme værdifulde viden.
Og det er der noget, der tyder på.
Derfor er det værdifuldt at kunne følge med i, hvad der sker, mens maskinen arbejder.
I dag kan du få meget præcise målinger af skærekræfterne med et dynamometer – også kendt som et cutting force table. Men udstyret er dyrt, og det kræver både tid og specialviden at sætte det op.
I projektet Advanced Vibration Monitoring har DAMRC derfor undersøgt, om et langt billigere og enklere accelerometer kan give virksomheder noget af den samme værdifulde viden.
Og det er der noget, der tyder på.
Machine learning finder mønstre i vibrationerne
Et accelerometer måler de vibrationer, der opstår, mens maskinen bearbejder et emne. Det måler ikke skærekræfter direkte, men vibrationerne kan fortælle meget om både processen og værktøjets tilstand. Under forsøgene har DAMRC målt den samme bearbejdning med både et dynamometer og et accelerometer. Dynamometeret har leveret referencedata, mens accelerometeret har registreret vibrationerne i maskinen.
En machine-learning-model, som DAMRC har udviklet i Python, har derefter lært at genkende de vibrationsmønstre, der hænger sammen med chatter og værktøjsslid. Chatter er ustabile vibrationer under bearbejdningen. De kan give en dårligere overflade på emnet og belaste både værktøj og maskine.
Modellen får altså ikke accelerometeret til at måle skærekræfter som et dynamometer. Den gør det i stedet muligt at bruge vibrationsdata til at opdage nogle af de samme problemer.
Et accelerometer måler de vibrationer, der opstår, mens maskinen bearbejder et emne. Det måler ikke skærekræfter direkte, men vibrationerne kan fortælle meget om både processen og værktøjets tilstand. Under forsøgene har DAMRC målt den samme bearbejdning med både et dynamometer og et accelerometer. Dynamometeret har leveret referencedata, mens accelerometeret har registreret vibrationerne i maskinen.
En machine-learning-model, som DAMRC har udviklet i Python, har derefter lært at genkende de vibrationsmønstre, der hænger sammen med chatter og værktøjsslid. Chatter er ustabile vibrationer under bearbejdningen. De kan give en dårligere overflade på emnet og belaste både værktøj og maskine.
Modellen får altså ikke accelerometeret til at måle skærekræfter som et dynamometer. Den gør det i stedet muligt at bruge vibrationsdata til at opdage nogle af de samme problemer.
Modellen ramte korrekt i omkring 99 procent af tilfældene
I forsøget opnåede modellen en nøjagtighed på 99,26 procent for chatter og 98,76 procent for værktøjsslid. Det betyder, at modellen samlet set vurderede de undersøgte tilfælde korrekt i omkring 99 procent af tilfældene. Modellens præcision var 98,78 procent for chatter og 96,73 procent for værktøjsslid. Det viser, hvor ofte modellen havde ret, når den registrerede chatter eller slid.
Resultaterne viser, at et accelerometer kombineret med machine learning kan komme meget tæt på de vurderinger, som normalt kræver et langt dyrere og mere omfattende dynamometer-setup.
Forsøget er foreløbig gennemført under afgrænsede forhold med ét værktøj. Derfor skal metoden testes med flere værktøjer, materialer, maskiner og indstillinger, før virksomheder kan bruge den bredt i produktionen.
Men resultatet viser, at princippet virker.
I forsøget opnåede modellen en nøjagtighed på 99,26 procent for chatter og 98,76 procent for værktøjsslid. Det betyder, at modellen samlet set vurderede de undersøgte tilfælde korrekt i omkring 99 procent af tilfældene. Modellens præcision var 98,78 procent for chatter og 96,73 procent for værktøjsslid. Det viser, hvor ofte modellen havde ret, når den registrerede chatter eller slid.
Resultaterne viser, at et accelerometer kombineret med machine learning kan komme meget tæt på de vurderinger, som normalt kræver et langt dyrere og mere omfattende dynamometer-setup.
Forsøget er foreløbig gennemført under afgrænsede forhold med ét værktøj. Derfor skal metoden testes med flere værktøjer, materialer, maskiner og indstillinger, før virksomheder kan bruge den bredt i produktionen.
Men resultatet viser, at princippet virker.
Avancerede målinger kan blive lettere at bruge
Potentialet handler ikke kun om at erstatte dyrt udstyr med en billigere måling. Det handler også om at gøre målingerne langt nemmere at bruge i praksis.
En fremtidig løsning kan eksempelvis fungere sådan:
En virksomhed monterer et accelerometer på sin CNC-maskine og indsamler data under bearbejdningen. Virksomheden sender derefter dataene til DAMRC, som analyserer dem med den udviklede model og sender resultaterne tilbage. På den måde kan virksomheden få viden om ustabil bearbejdning og værktøjsslid uden selv at investere i et dynamometer eller bruge lang tid på at sætte avanceret måleudstyr op.
Den viden kan på sigt hjælpe virksomheder med at opdage problemer tidligere, undgå flere kvalitetsfejl og få mere ud af værktøjerne.
Projektet har endnu ikke haft til formål at forudsige, hvornår et værktøj skal skiftes. Det kræver flere data og et nyt udviklingsforløb. Resultaterne åbner dog for, at teknologien senere kan udvikles til også at forudsige, hvordan værktøjssliddet udvikler sig. Det kan give virksomheder et bedre grundlag for at skifte værktøjet, før det går ud over kvaliteten – men uden at kassere værktøjer, der stadig kan bruges.
Måleudstyret i projektet kommer fra Dewesoft, som også har bidraget med support under arbejdet. Udstyret har gjort det muligt at indsamle og behandle de præcise måledata, som projektets resultater bygger på.
Potentialet handler ikke kun om at erstatte dyrt udstyr med en billigere måling. Det handler også om at gøre målingerne langt nemmere at bruge i praksis.
En fremtidig løsning kan eksempelvis fungere sådan:
En virksomhed monterer et accelerometer på sin CNC-maskine og indsamler data under bearbejdningen. Virksomheden sender derefter dataene til DAMRC, som analyserer dem med den udviklede model og sender resultaterne tilbage. På den måde kan virksomheden få viden om ustabil bearbejdning og værktøjsslid uden selv at investere i et dynamometer eller bruge lang tid på at sætte avanceret måleudstyr op.
Den viden kan på sigt hjælpe virksomheder med at opdage problemer tidligere, undgå flere kvalitetsfejl og få mere ud af værktøjerne.
Projektet har endnu ikke haft til formål at forudsige, hvornår et værktøj skal skiftes. Det kræver flere data og et nyt udviklingsforløb. Resultaterne åbner dog for, at teknologien senere kan udvikles til også at forudsige, hvordan værktøjssliddet udvikler sig. Det kan give virksomheder et bedre grundlag for at skifte værktøjet, før det går ud over kvaliteten – men uden at kassere værktøjer, der stadig kan bruges.
Måleudstyret i projektet kommer fra Dewesoft, som også har bidraget med support under arbejdet. Udstyret har gjort det muligt at indsamle og behandle de præcise måledata, som projektets resultater bygger på.