PFT, शेन्ज़ेन
अप्रत्याशित डाउनटाइम और महंगी मरम्मत को कम करने के लिए आसन्न सीएनसी स्पिंडल विफलता का प्रारंभिक पता लगाना महत्वपूर्ण है। यह लेख भविष्य कहनेवाला रखरखाव के लिए कृत्रिम बुद्धिमत्ता (एआई) के साथ कंपन सिग्नल विश्लेषण को संयोजित करने की एक पद्धति का विवरण देता है। विभिन्न भार के तहत परिचालन स्पिंडल से कंपन डेटा को एक्सेलेरोमीटर का उपयोग करके लगातार एकत्र किया जाता है। प्रमुख विशेषताएं, जिनमें टाइम-डोमेन आँकड़े (आरएमएस, कुर्टोसिस), फ़्रीक्वेंसी-डोमेन घटक (एफएफटी स्पेक्ट्रम पीक), और टाइम-फ़्रीक्वेंसी特性 (वेवलेट ऊर्जा) शामिल हैं, निकाले जाते हैं। ये विशेषताएं लौंग शॉर्ट-टर्म मेमोरी (LSTM) नेटवर्क को अस्थायी पैटर्न पहचान और ग्रेडिएंट बूस्टिंग मशीन (GBM) को मजबूत वर्गीकरण के लिए संयोजित करने वाले एक ensemble मशीन लर्निंग मॉडल के इनपुट के रूप में काम करती हैं। उच्च गति मिलिंग केंद्रों से डेटासेट पर सत्यापन मॉडल की विकसित बेयरिंग दोषों और असंतुलन का पता लगाने की क्षमता को 72 घंटे पहले कार्यात्मक विफलता से पहले 92% की औसत सटीकता के साथ प्रदर्शित करता है। दृष्टिकोण पारंपरिक थ्रेसहोल्ड-आधारित कंपन निगरानी पर एक महत्वपूर्ण सुधार प्रदान करता है, जो सक्रिय रखरखाव शेड्यूलिंग और कम परिचालन जोखिम को सक्षम करता है।
सीएनसी मशीन टूल्स आधुनिक सटीक विनिर्माण की रीढ़ हैं। स्पिंडल, शायद सबसे महत्वपूर्ण और महंगा घटक, सीधे मशीनिंग सटीकता, सतह खत्म और समग्र उत्पादकता को प्रभावित करता है। अचानक स्पिंडल विफलता विनाशकारी डाउनटाइम, स्क्रैप्ड वर्कपीस और महंगी आपातकालीन मरम्मत की ओर ले जाती है, जिससे निर्माताओं को प्रति घंटे हजारों का खर्च आता है। पारंपरिक निवारक रखरखाव कार्यक्रम, निश्चित समय अंतराल या सरल रनटाइम काउंटरों पर आधारित, अक्षम हैं - संभावित रूप से स्वस्थ घटकों को बदलना या आसन्न विफलताओं को याद करना। विफलता के बाद प्रतिक्रियाशील रखरखाव निषेधात्मक रूप से महंगा है। नतीजतन, कंडीशन-बेस्ड मॉनिटरिंग (CBM), विशेष रूप से कंपन विश्लेषण, ने प्रमुखता हासिल की है। गंभीर दोष, पारंपरिक कंपन निगरानी अक्सर प्रारंभिक विफलताओं का प्रारंभिक पता लगाने के लिए संघर्ष करती है। यह लेख एआई-संचालित एनालिटिक्स के साथ उन्नत कंपन सिग्नल प्रोसेसिंग का उपयोग करके एक एकीकृत दृष्टिकोण प्रस्तुत करता है ताकि स्पिंडल विफलताओं का सटीक अनुमान लगाया जा सके।
मुख्य उद्देश्य विनाशकारी विफलता से पहले प्रारंभिक चरण के गिरावट के संकेतक सूक्ष्म कंपन संकेतों की पहचान करना है। डेटा 18 महीनों में 3-शिफ्ट ऑटोमोटिव घटक उत्पादन में संचालित 32 उच्च-सटीक सीएनसी मिलिंग स्पिंडल से एकत्र किया गया था। पीजोइलेक्ट्रिक एक्सेलेरोमीटर (संवेदनशीलता: 100 mV/g, आवृत्ति रेंज: 0.5 Hz से 10 kHz) प्रत्येक स्पिंडल आवास पर रेडियल और अक्षीय रूप से लगाए गए थे। डेटा अधिग्रहण इकाइयों ने 25.6 kHz पर कंपन संकेतों का नमूना लिया। परिचालन पैरामीटर (स्पिंडल गति, लोड टॉर्क, फीड दर) को सीएनसी के ओपीयूसी यूए इंटरफेस के माध्यम से एक साथ रिकॉर्ड किया गया।
कच्चे कंपन संकेतों को 1-सेकंड युगों में विभाजित किया गया था। प्रत्येक युग के लिए, एक व्यापक फ़ीचर सेट निकाला गया:
टाइम-डोमेन: रूट मीन स्क्वायर (आरएमएस), क्रेस्ट फैक्टर, कुर्टोसिस, स्क्यूनेस।
फ़्रीक्वेंसी-डोमेन (एफएफटी): विशिष्ट बेयरिंग दोष बैंड (बीपीएफओ, बीपीएफआई, एफटीएफ, बीएसएफ) के भीतर प्रमुख पीक आयाम और आवृत्तियाँ, विशिष्ट बैंड में समग्र ऊर्जा (0-1kHz, 1-5kHz, 5-10kHz), स्पेक्ट्रल कुर्टोसिस।
टाइम-फ़्रीक्वेंसी डोमेन (वेवलेट पैकेट ट्रांसफॉर्म - डॉबेशीज़ 4): ऊर्जा एन्ट्रापी, दोष आवृत्तियों से जुड़े अपघटन नोड्स में सापेक्ष ऊर्जा स्तर।
परिचालन संदर्भ: स्पिंडल गति, लोड प्रतिशत।
एक ensemble मॉडल आर्किटेक्चर का उपयोग किया गया था:
LSTM नेटवर्क: अस्थायी गिरावट पैटर्न को कैप्चर करने के लिए 60 लगातार 1-सेकंड फ़ीचर वैक्टर (यानी, 1 मिनट का परिचालन डेटा) के अनुक्रमों को संसाधित किया। LSTM परत (64 इकाइयाँ) ने समय चरणों में निर्भरता सीखी।
ग्रेडिएंट बूस्टिंग मशीन (GBM): LSTM से समान मिनट-स्तर के एकत्रित फ़ीचर (मीन, एसटीडी देव, मैक्स) और आउटपुट स्थिति प्राप्त की। GBM (100 पेड़, अधिकतम गहराई 6) ने उच्च वर्गीकरण मजबूती और फ़ीचर महत्व अंतर्दृष्टि प्रदान की।
आउटपुट: अगले 72 घंटों के भीतर विफलता की संभावना प्रदान करने वाला एक सिग्मॉइड न्यूरॉन (0 = स्वस्थ, 1 = उच्च विफलता संभावना)।
प्रशिक्षण और सत्यापन: प्रशिक्षण (70%) और सत्यापन (30%) के लिए 24 स्पिंडल (18 विफलता घटनाओं सहित) से डेटा का उपयोग किया गया था। शेष 8 स्पिंडल (4 विफलता घटनाओं) से डेटा ने होल्ड-आउट टेस्ट सेट का गठन किया। प्रतिकृति अध्ययनों के लिए मॉडल भार अनुरोध पर उपलब्ध हैं (एनडीए के अधीन)।
ensemble मॉडल ने टेस्ट सेट पर पारंपरिक आरएमएस थ्रेसहोल्ड अलार्म और सिंगल-मॉडल दृष्टिकोण (जैसे, एसवीएम, बेसिक सीएनएन) से काफी बेहतर प्रदर्शन किया:
औसत सटीकता: 92%
रिकॉल (दोष पहचान दर): 88%
गलत अलार्म दर: 5%
मीन लीड टाइम: 68 घंटे
तालिका 1: टेस्ट सेट पर प्रदर्शन तुलना
| मॉडल | औसत सटीकता | रिकॉल | गलत अलार्म दर | मीन लीड टाइम (घंटे) |
| :------------------- | :------------- | :----- | :--------------- | :------------------- |
| आरएमएस थ्रेसहोल्ड (4 मिमी/सेकंड) | 65% | 75% | 22% | < 24 |
| एसवीएम (आरबीएफ कर्नेल) | 78% | 80% | 15% | 42 |
| 1डी सीएनएन | 85% | 82% | 8% | 55 |
| प्रस्तावित ensemble (LSTM+GBM) | 92% | 88%| 5% | 68 |
प्रारंभिक हस्ताक्षर पहचान: मॉडल ने कार्यात्मक विफलता से 50+ घंटे पहले उच्च-आवृत्ति ऊर्जा (5-10kHz बैंड) और बढ़ती कुर्टोसिस मानों में सूक्ष्म वृद्धि की विश्वसनीय रूप से पहचान की, जो माइक्रोस्कोपिक बेयरिंग स्पैल आरंभ के साथ सहसंबद्ध है। ये परिवर्तन अक्सर मानक स्पेक्ट्रा में परिचालन शोर से मुखौटा होते थे।
संदर्भ संवेदनशीलता: फ़ीचर महत्व विश्लेषण (जीबीएम के माध्यम से) ने परिचालन संदर्भ की महत्वपूर्ण भूमिका की पुष्टि की। विफलता हस्ताक्षर 8,000 आरपीएम बनाम 15,000 आरपीएम पर अलग-अलग प्रकट हुए, जिसे LSTM ने प्रभावी ढंग से सीखा।
थ्रेसहोल्ड पर श्रेष्ठता: सरल आरएमएस निगरानी पर्याप्त लीड टाइम प्रदान करने में विफल रही और उच्च-लोड संचालन के दौरान बार-बार गलत अलार्म उत्पन्न किए। एआई मॉडल ने ऑपरेटिंग स्थितियों के आधार पर गतिशील रूप से थ्रेसहोल्ड को अनुकूलित किया और जटिल पैटर्न सीखे।
सत्यापन: चित्र 1 एक बाहरी रेसवे बेयरिंग दोष विकसित करने वाले स्पिंडल के लिए मॉडल की आउटपुट संभावना और प्रमुख कंपन विशेषताओं (कुर्टोसिस, हाई-फ़्रीक्वेंसी ऊर्जा) को दर्शाता है। मॉडल ने पूर्ण जब्ती से 65 घंटे पहले एक अलर्ट (संभावना > 0.85) ट्रिगर किया।
उच्च भविष्य कहनेवाला सटीकता मॉडल की बहु-डोमेन कंपन विशेषताओं को उनके परिचालन संदर्भ में फ्यूज करने और अस्थायी गिरावट प्रक्षेपवक्र सीखने की क्षमता से उपजी है। LSTM परतों ने समय के साथ दोष संकेतों की प्रगति को प्रभावी ढंग से कैप्चर किया, एक आयाम जिसे अक्सर स्नैपशॉट विश्लेषण में अनदेखा किया जाता है। प्रारंभिक संकेतकों के रूप में उच्च-आवृत्ति ऊर्जा और कुर्टोसिस का प्रभुत्व ट्राइबोलॉजी सिद्धांत के साथ संरेखित होता है, जहां प्रारंभिक सतह दोष क्षणिक तनाव तरंगें उत्पन्न करते हैं जो उच्च आवृत्तियों को प्रभावित करते हैं।
डेटा स्कोप: वर्तमान सत्यापन मुख्य रूप से बेयरिंग और असंतुलन दोषों पर है। कम सामान्य विफलताओं (जैसे, मोटर वाइंडिंग दोष, स्नेहन मुद्दे) पर प्रदर्शन के लिए आगे के अध्ययन की आवश्यकता है।
सेंसर निर्भरता: सटीकता उचित एक्सेलेरोमीटर माउंटिंग और अंशांकन पर निर्भर करती है। सेंसर बहाव या क्षति परिणामों को प्रभावित कर सकती है।
कम्प्यूटेशनल लोड: वास्तविक समय विश्लेषण के लिए मशीन के पास एज कंप्यूटिंग हार्डवेयर की आवश्यकता होती है।
कम डाउनटाइम: सक्रिय अलर्ट नियोजित स्टॉप के दौरान रखरखाव शेड्यूलिंग को सक्षम करते हैं, जिससे व्यवधान कम होता है।
कम लागत: विनाशकारी क्षति (जैसे, नष्ट स्पिंडल शाफ्ट) को रोकता है, स्पेयर पार्ट इन्वेंट्री की जरूरतों को कम करता है (ठीक समय पर प्रतिस्थापन), और रखरखाव श्रम का अनुकूलन करता है।
कार्यान्वयन: सेंसर, एज गेटवे और सॉफ़्टवेयर एकीकरण में प्रारंभिक निवेश की आवश्यकता है। क्लाउड-आधारित समाधान उभर रहे हैं, जो छोटे निर्माताओं के लिए बाधाओं को कम करते हैं। आरओआई आमतौर पर उच्च-उपयोग स्पिंडल के लिए 6-12 महीनों के भीतर प्राप्त होता है।
यह अध्ययन सीएनसी स्पिंडल विफलता की प्रारंभिक भविष्यवाणी के लिए एक LSTM-GBM ensemble एआई मॉडल के साथ व्यापक कंपन फ़ीचर निष्कर्षण को एकीकृत करने की प्रभावकारिता को दर्शाता है। दृष्टिकोण उच्च सटीकता (92%) और महत्वपूर्ण लीड टाइम (औसत 68 घंटे) प्राप्त करता है, जो पारंपरिक कंपन निगरानी विधियों से काफी बेहतर प्रदर्शन करता है। प्रमुख नवाचारों में बहु-डोमेन विशेषताओं का संलयन, LSTM के माध्यम से अस्थायी गिरावट पैटर्न का स्पष्ट मॉडलिंग, और GBM ensemble लर्निंग द्वारा प्रदान की गई मजबूती शामिल है।
