Автоматична діагностика стану свердла за декількома діагностичними ознаками

Автор(и)

  • Пальчевський Б. О. Луцький національний технічний університет image/svg+xml
  • Герасимчук Д. Ю. Луцький національний технічний університет image/svg+xml

DOI:

https://doi.org/10.36910/4293-52779-2025-17-02-03

Ключові слова:

спіральне свердло, моніторинг стану інструменту, знос свердла, датчик потужності, датчик осьової сили свердління

Анотація

Ключовою проблемою в машинобудуванні є прогнозування зносу інструменту в режимі реального часу. Традиційні методи покладаються на консервативну заміну інструменту, що призводить до передчасної заміни або надмірного зносу інструменту, а також до підвищених простоїв виробництва. Ручна оцінка стану свердла займає багато часу Для зменшення простою необхідно процес діагностування стану свердла в виробничих умовах проводити автоматично, з високою точністю. Системи автоматичного моніторингу стану інструменту продемонстрували великий потенціал для виявлення та прогнозування зносу інструменту зниження ризику поломки інструменту та оптимізація інтервалів зміни інструменту, однак точність прогнозу не є завжди достатньою. У цьому дослідженні представлена автоматична система для прогнозування терміну служби інструменту в режимі реального часу, яка допомагає вирішити це обмеження шляхом інтеграції кількох контрольних модулів. Система прогнозування включає встановлені на верстаті модулі прямого контролю сигналів сили подачі і споживаної потужності різання, модуль інтеграції сигналів шляхом їх підключення для управління даними в режимі реального часу та модуль обробки даних для прогнозування зносу інструменту. В останньому модулі на основі цих сигналів генерується інтегральний показник зносу свердла, степінь наближення якого до допустимого значення зносу визначає стан свердла як «придатний до роботи» або «непридатний до роботи». Очевидно, що тут пропонується підхід агрегування моделей у машинному навчанні, коли кілька моделей об’єднуються для отримання кращих результатів, ніж дає будь-яка окрема модель з метою підвищити точність, стабільність і узагальнюючу здатність системи діагностування. В роботі використана  агрегована модель прогнозування, заснована на використанні сигналу осьової сили різання та сигналу споживаної шпинделем потужності  для контролю зносу інструменту.

Посилання

[1] K. Javed, R. Gouriveau, X. Li, N. Zerhouni, Tool wear monitoring and prognostics challenges: a comparison of connectionist methods toward an adaptive ensemble model, J. of Intelligent Manufacturing 29 (2018) 1873–1890. doi:10.1007/s10845-016-1221-2.

[2] K. Salonitis, A. Kolios, Reliability assessment of cutting tool life based on surrogate approximation methods, The Int. J. of Advanced Manufacturing Technology 71 (2014) 1197–1208. doi:10.1007/ s00170-013-5560-2.

[3] J. Karandikar, T. McLeay, S. Turner, T. Schmitz, Tool wear monitoring using naive bayes classifiers, The Int. J. of Advanced Manufacturing Tech-nology 77 (2015) 1613–1626. doi:10.1007/s00170-014-6560-6.

[4] A. Gouarir, S. Kurokawa, T. Sajima, M. Murata, In-process tool wear detection of uncoated square end mill based on electrical contact resis-tance, Int. J. of Automation Technology 10 (5) (2016) 767–772. doi: 10.20965/ijat.2016.p0767.

[5] T. Mohanraj, S. Shankar, R. Rajasekar, N. Sakthivel, A. Pramanik, Tool condition monitoring techniques in milling processa review, J. of Mate-rials Research and Technology 9 (1) (2020) 1032–1042. doi:10.1016/ j.jmrt.2019.10.031.

[6] R. Teti, D. Mourtzis, D. D’Addona, A. Caggiano, Process monitoring of machining, CIRP Ann. 71 (2) (2022) 529–552. doi:10.1016/j.cirp. 2022.05.009.

[7] R. Corne, C. Nath, M. El Mansori, T. Kurfess, Study of spindle power data with neural network for predicting real-time tool wear/breakage during inconel drilling, J. of Manufacturing Systems 43 (2017) 287–295. doi: 10.1016/j.jmsy.2017.01.004.

[7] Abu-Mahfouz I, Banerjee A (2014) Drill wear feature identification under varying cutting conditions using vibration and cutting force signals and data mining techniques. Proc Comput Sci 36:556–563. https://doi.org/10.1016/j.procs.2014.09.054

[8] Yaldız, S. and Ünsaçar, F.: Design, development and testing of a turning dynamometer for cutting force measurement, Mater. Design, 27, 839–846, 2006. https://doi.org/10.1016/j.matdes.2005.04.001

[9] Ciurezu Gherghe, L. M., Stanimir, A., and Geonea, I.: Experimental research regarding the influence of cutting regime on the wear of drills at steel processing, Fiability & Durability Supplement No 1/2015, Publishing House “Academica Brâncu ¸si”, Târgu Jiu, Romania, 118–122, ISSN 1844-640X, available at: https://www.utgjiu.ro/rev_mec/mecanica/pdf/2015-01 .

[10] Патент US 4207567, МПК G08B 21/00; опубл. 10.06.1980

[11] Патент US 10,493,583 B2, МПК B23Q 15/16; G08B 24/10, опубл. 3.12.2019.

[12] Wang Q., Zhang D., Tang K. et al. A mechanics based prediction model for tool wear and power consumption in drilling operations / Journal of Cleaner Production, 2019, (234), рр. 171–184, DOI: 10.1016/j.jclepro.2019.06.148.

[13] Espressif Systems. ESP32. Available online: https://surl.li/smlcgc (accessed on 10 December 2024).

[14] Zemic L6D. Available online: https://zemic.com.ua/tenzometrychnyi-datchyk-l6d/ (accessed on 10 December 2024).

Опубліковано

2025-12-19

Статті цього автора (цих авторів), які найбільше читають