PFT, Thâm Quyến
Phát hiện sớm sự cố sắp xảy ra của trục chính CNC là rất quan trọng để giảm thiểu thời gian ngừng hoạt động ngoài kế hoạch và sửa chữa tốn kém. Bài viết này trình bày chi tiết một phương pháp kết hợp phân tích tín hiệu rung với trí tuệ nhân tạo (AI) để bảo trì dự đoán. Dữ liệu rung từ các trục chính đang hoạt động dưới các tải trọng khác nhau được thu thập liên tục bằng cách sử dụng gia tốc kế. Các đặc trưng chính, bao gồm thống kê miền thời gian (RMS, kurtosis), các thành phần miền tần số (đỉnh phổ FFT) và đặc tính thời gian-tần số (năng lượng wavelet), được trích xuất. Các đặc trưng này đóng vai trò là đầu vào cho một mô hình học máy kết hợp Long Short-Term Memory (LSTM) để nhận dạng mẫu theo thời gian và Gradient Boosting Machines (GBM) để phân loại mạnh mẽ. Việc xác nhận trên các bộ dữ liệu từ các trung tâm phay tốc độ cao cho thấy khả năng của mô hình trong việc phát hiện các lỗi ổ trục đang phát triển và mất cân bằng trước 72 giờ trước khi hỏng hóc chức năng với độ chính xác trung bình là 92%. Cách tiếp cận này mang lại sự cải thiện đáng kể so với việc giám sát độ rung dựa trên ngưỡng truyền thống, cho phép lập lịch bảo trì chủ động và giảm thiểu rủi ro vận hành.
Máy công cụ CNC tạo thành xương sống của sản xuất chính xác hiện đại. Trục chính, có lẽ là thành phần quan trọng và đắt tiền nhất, ảnh hưởng trực tiếp đến độ chính xác gia công, độ hoàn thiện bề mặt và năng suất tổng thể. Sự cố trục chính đột ngột dẫn đến thời gian ngừng hoạt động thảm khốc, phế liệu và sửa chữa khẩn cấp tốn kém, khiến các nhà sản xuất tốn hàng nghìn đô la mỗi giờ. Lịch trình bảo trì phòng ngừa truyền thống, dựa trên các khoảng thời gian cố định hoặc bộ đếm thời gian chạy đơn giản, không hiệu quả – có khả năng thay thế các thành phần còn tốt hoặc bỏ lỡ các sự cố sắp xảy ra. Bảo trì phản ứng sau khi hỏng hóc là quá tốn kém. Do đó, Giám sát dựa trên điều kiện (CBM), đặc biệt là phân tích rung, đã trở nên nổi bật. Mặc dù hiệu quả trong việc xác định nghiêm trọng lỗi, việc giám sát độ rung thông thường thường gặp khó khăn trong việc phát hiện sớm các sơ khai lỗi. Bài viết này trình bày một phương pháp tích hợp sử dụng xử lý tín hiệu rung tiên tiến kết hợp với phân tích do AI điều khiển để dự đoán chính xác các sự cố trục chính trước thời hạn.
Mục tiêu cốt lõi là xác định các dấu hiệu rung tinh tế cho thấy sự suy giảm ở giai đoạn đầu trước khi xảy ra sự cố thảm khốc. Dữ liệu được thu thập từ 32 trục chính phay CNC có độ chính xác cao hoạt động trong sản xuất linh kiện ô tô 3 ca trong hơn 18 tháng. Gia tốc kế áp điện (độ nhạy: 100 mV/g, dải tần số: 0,5 Hz đến 10 kHz) được gắn theo hướng xuyên tâm và hướng trục trên mỗi vỏ trục chính. Các đơn vị thu thập dữ liệu lấy mẫu tín hiệu rung ở tốc độ 25,6 kHz. Các thông số hoạt động (tốc độ trục chính, mô-men xoắn tải, tốc độ nạp) đồng thời được ghi lại thông qua giao diện OPC UA của CNC.
Tín hiệu rung thô được phân đoạn thành các khoảng thời gian 1 giây. Đối với mỗi khoảng thời gian, một tập hợp các đặc trưng toàn diện đã được trích xuất:
Miền thời gian: Giá trị trung bình bình phương (RMS), Hệ số đỉnh, Kurtosis, Độ lệch.
Miền tần số (FFT): Biên độ và tần số đỉnh chiếm ưu thế trong các dải lỗi ổ trục đặc trưng (BPFO, BPFI, FTF, BSF), tổng năng lượng trong các dải cụ thể (0-1kHz, 1-5kHz, 5-10kHz), kurtosis phổ.
Miền thời gian-tần số (Biến đổi gói wavelet - Daubechies 4): Entropy năng lượng, mức năng lượng tương đối trong các nút phân tích liên quan đến tần số lỗi.
Bối cảnh hoạt động: Tốc độ trục chính, phần trăm tải.
Một kiến trúc mô hình tập hợp đã được sử dụng:
Mạng LSTM: Xử lý các chuỗi 60 vectơ đặc trưng liên tiếp 1 giây (tức là 1 phút dữ liệu hoạt động) để nắm bắt các mẫu suy giảm theo thời gian. Lớp LSTM (64 đơn vị) đã học các phụ thuộc trên các bước thời gian.
Gradient Boosting Machine (GBM): Nhận các đặc trưng tổng hợp ở cấp độ phút tương tự (trung bình, độ lệch chuẩn, tối đa) và trạng thái đầu ra từ LSTM. GBM (100 cây, độ sâu tối đa 6) cung cấp khả năng phân loại cao và thông tin chi tiết về tầm quan trọng của đặc trưng.
Đầu ra: Một nơ-ron sigmoid cung cấp xác suất hỏng hóc trong vòng 72 giờ tới (0 = Khỏe mạnh, 1 = Khả năng hỏng hóc cao).
Đào tạo & Xác nhận: Dữ liệu từ 24 trục chính (bao gồm 18 sự kiện hỏng hóc) đã được sử dụng để đào tạo (70%) và xác nhận (30%). Dữ liệu từ 8 trục chính còn lại (4 sự kiện hỏng hóc) cấu thành tập hợp thử nghiệm giữ lại. Trọng số mô hình có sẵn theo yêu cầu để nghiên cứu sao chép (tùy thuộc vào NDA).
Mô hình tập hợp vượt trội hơn đáng kể so với các cảnh báo ngưỡng RMS truyền thống và các phương pháp mô hình đơn (ví dụ: SVM, CNN cơ bản) trên tập hợp thử nghiệm:
Độ chính xác trung bình: 92%
Độ nhớ lại (Tỷ lệ phát hiện lỗi): 88%
Tỷ lệ báo động sai: 5%
Thời gian dẫn trung bình: 68 giờ
Bảng 1: So sánh hiệu suất trên Tập hợp thử nghiệm
| Mô hình | Độ chính xác trung bình | Độ nhớ lại | Tỷ lệ báo động sai | Thời gian dẫn trung bình (giờ) |
| :------------------- | :------------- | :----- | :--------------- | :------------------- |
| Ngưỡng RMS (4 mm/s) | 65% | 75% | 22% | < 24 |
| SVM (Kernel RBF) | 78% | 80% | 15% | 42 |
| 1D CNN | 85% | 82% | 8% | 55 |
| Tập hợp đề xuất (LSTM+GBM) | 92% | 88%| 5% | 68 |
Phát hiện chữ ký sớm: Mô hình đã xác định một cách đáng tin cậy sự gia tăng tinh tế về năng lượng tần số cao (dải 5-10kHz) và giá trị kurtosis tăng lên trước 50+ giờ trước khi hỏng hóc chức năng, tương quan với sự khởi đầu của các vết lõm ổ trục hiển vi. Những thay đổi này thường bị che khuất bởi tiếng ồn hoạt động trong phổ tiêu chuẩn.
Độ nhạy bối cảnh: Phân tích tầm quan trọng của đặc trưng (thông qua GBM) đã xác nhận vai trò quan trọng của bối cảnh hoạt động. Chữ ký lỗi biểu hiện khác nhau ở tốc độ 8.000 RPM so với 15.000 RPM, điều mà LSTM đã học một cách hiệu quả.
Ưu việt hơn ngưỡng: Giám sát RMS đơn giản không cung cấp đủ thời gian dẫn và tạo ra các báo động sai thường xuyên trong quá trình hoạt động với tải trọng cao. Mô hình AI đã điều chỉnh ngưỡng một cách linh hoạt dựa trên điều kiện hoạt động và học các mẫu phức tạp.
Xác nhận: Hình 1 minh họa xác suất đầu ra của mô hình và các đặc trưng rung chính (Kurtosis, Năng lượng tần số cao) đối với một trục chính đang phát triển lỗi ổ trục vành ngoài. Mô hình đã kích hoạt cảnh báo (Xác suất > 0,85) 65 giờ trước khi bị kẹt hoàn toàn.
Độ chính xác dự đoán cao bắt nguồn từ khả năng của mô hình trong việc kết hợp các đặc trưng rung đa miền trong bối cảnh hoạt động của chúng và học các quỹ đạo suy giảm theo thời gian. Các lớp LSTM đã nắm bắt hiệu quả sự tiến triển của các chữ ký lỗi theo thời gian, một khía cạnh thường bị bỏ qua trong các phân tích nhanh. Sự thống trị của năng lượng tần số cao và kurtosis làm chỉ báo sớm phù hợp với lý thuyết tribology, trong đó các khuyết tật bề mặt sơ khai tạo ra các sóng ứng suất thoáng qua tác động đến tần số cao hơn.
Phạm vi dữ liệu: Việc xác nhận hiện tại chủ yếu là trên các lỗi ổ trục và mất cân bằng. Hiệu suất trên các lỗi ít phổ biến hơn (ví dụ: lỗi cuộn dây động cơ, các vấn đề về bôi trơn) cần nghiên cứu thêm.
Sự phụ thuộc vào cảm biến: Độ chính xác phụ thuộc vào việc gắn và hiệu chuẩn gia tốc kế đúng cách. Sự trôi dạt hoặc hư hỏng của cảm biến có thể ảnh hưởng đến kết quả.
Tải tính toán: Phân tích thời gian thực yêu cầu phần cứng điện toán biên gần máy.
Giảm thời gian ngừng hoạt động: Cảnh báo chủ động cho phép lập lịch bảo trì trong các lần dừng theo kế hoạch, giảm thiểu sự gián đoạn.
Chi phí thấp hơn: Ngăn ngừa hư hỏng thảm khốc (ví dụ: phá hủy trục chính), giảm nhu cầu hàng tồn kho phụ tùng (thay thế đúng thời điểm) và tối ưu hóa nhân công bảo trì.
Triển khai: Yêu cầu đầu tư ban đầu vào cảm biến, cổng biên và tích hợp phần mềm. Các giải pháp dựa trên đám mây đang nổi lên, giảm rào cản cho các nhà sản xuất nhỏ hơn. ROI thường đạt được trong vòng 6-12 tháng đối với các trục chính sử dụng nhiều.
Nghiên cứu này chứng minh hiệu quả của việc tích hợp trích xuất đặc trưng rung toàn diện với mô hình AI tập hợp LSTM-GBM để dự đoán sớm sự cố trục chính CNC. Cách tiếp cận này đạt được độ chính xác cao (92%) và thời gian dẫn đáng kể (trung bình 68 giờ), vượt trội hơn đáng kể so với các phương pháp giám sát độ rung truyền thống. Những đổi mới chính bao gồm sự kết hợp các đặc trưng đa miền, mô hình hóa rõ ràng các mẫu suy giảm theo thời gian thông qua LSTM và độ mạnh mẽ do học tập tập hợp GBM cung cấp.
