Wie man CNC Spindelfehler mit Vibrationsanalyse und KI-Überwachung vorhersagt

PFT, Shenzhen

Eine frühzeitige Erkennung eines bevorstehenden Ausfalls der CNC-Spindel ist entscheidend, um ungeplante Ausfallzeiten und kostspielige Reparaturen zu minimieren.Dieser Artikel beschreibt eine Methodik, die die Analyse von Vibrationssignalen mit künstlicher Intelligenz (KI) für die vorausschauende Wartung kombiniertDie Vibrationsdaten von Betriebsspindeln unter unterschiedlichen Belastungen werden kontinuierlich mit Hilfe von Beschleunigungsmessern gesammelt.Komponenten der Frequenzbereiche (FFT-Spektrumspitzen), und Zeit-Frequenz-Eigenschaften (Wellenlichtenergie) extrahiert werden. These features serve as inputs to an ensemble machine learning model combining Long Short-Term Memory (LSTM) networks for temporal pattern recognition and Gradient Boosting Machines (GBM) for robust classification. Validation on datasets from high-speed milling centers demonstrates the model's ability to detect developing bearing faults and imbalance up to 72 hours before functional failure with an average precision of 92%Der Ansatz bietet eine erhebliche Verbesserung gegenüber der traditionellen Schwellenwerte für die Vibrationsüberwachung, ermöglicht eine proaktive Wartungsplanung und reduziert das Betriebsrisiko.

1 Einleitung

Die CNC-Werkzeugmaschinen bilden das Rückgrat der modernen Präzisionsfertigung.und GesamtproduktivitätEin plötzlicher Spindelversagen führt zu katastrophalen Ausfallzeiten, zerfallenen Werkstücken und teuren Notfallreparaturen, die Hersteller Tausende pro Stunde kosten.,die auf festen Zeitintervallen oder einfachen Laufzeitzählern basieren, sind ineffizient potenziell gesunde Komponenten ersetzen oder unmittelbare Ausfälle vermissen.Reaktive Wartung nach einem Ausfall ist unerschwinglich teuerIn den letzten Jahren hat sich die Zahl der Anwendungen von Systemen zur Überwachung von Schwingungen (Condition-Based Monitoring, CBM) erhöht.SchwereBei der Ermittlung von Schäden durch die herkömmliche Vibrationsüberwachung ist es oft schwierig,AnfängerDieser Artikel präsentiert einen integrierten Ansatz, bei dem eine fortschrittliche Vibrationssignalverarbeitung in Verbindung mit KI-gesteuerter Analyse verwendet wird, um Spindelfehler rechtzeitig vorherzusagen.

2 Forschungsmethoden

2.1 Konstruktion und Datenerfassung

Das Hauptziel besteht darin, subtile Vibrationssignaturen zu identifizieren, die auf einen frühen Abbau vor einem katastrophalen Versagen hinweisen.Die Daten wurden von 32 hochpräzisen CNC-Frässpindeln erhoben, die in der 3-Schicht-Produktion von Automobilbauteilen über 18 Monate betrieben wurdenPiezoelektrische Beschleunigungsmessgeräte (Empfindlichkeit: 100 mV/g, Frequenzbereich: 0,5 Hz bis 10 kHz) wurden radial und axial auf jedem Spindelgehäuse montiert.Die Datenerfassungseinheiten sammelten Vibrationssignale bei 25Die Betriebsparameter (Spindelgeschwindigkeit, Lastdrehmoment, Zuführgeschwindigkeit) wurden gleichzeitig über die OPC UA-Schnittstelle der CNC erfasst.

2.2 Feature Engineering

Die Rohschwingungssignale wurden in 1-Sekunden-Epochen aufgeteilt. Für jede Epoche wurde ein umfassender Merkmalsatz extrahiert:

• Zeit-Domäne:Wurzeldurchschnitt (RMS), Krestfaktor, Kurtose, Schiefe.

• Frequenzbereich (FFT):Dominanzspitzenamplitudes und -frequenzen innerhalb der charakteristischen Lagerfehlerbänder (BPFO, BPFI, FTF, BSF), Gesamtenergie in bestimmten Bändern (0-1 kHz, 1-5 kHz, 5-10 kHz), Spektralkurtose.

• Zeit-Frequenz-Domäne (Wavelet-Packet-Transformation - Daubechies 4):Energieentropie, relative Energieniveaus in Zersetzungsknoten im Zusammenhang mit Fehlerfrequenzen.

• Betriebskontext:Spindelgeschwindigkeit, Lastanteil.

2.3 Entwicklung von KI-Modellen

Es wurde eine Ensemble-Modell-Architektur angewandt:

1. LSTM Netzwerk:Verarbeitete Sequenzen von 60 aufeinanderfolgenden 1-Sekunden-Funktionsvektoren (d. h. 1 Minute Betriebsdaten) zur Erfassung von zeitlichen Abbaumustern.Die LSTM-Schicht (64 Einheiten) lernte Abhängigkeiten über Zeitschritte hinweg.

2. Maschine zur Steigerung der Neigung (GBM):Das GBM (100 Bäume,max. Tiefe 6) lieferte eine hohe Robustheit der Klassifizierung und Einblicke in die Bedeutung von Merkmalen.

3. Ausgabe:Ein Sigmoid-Neuron, das die Wahrscheinlichkeit eines Ausfalls innerhalb der nächsten 72 Stunden angibt (0 = gesund, 1 = hohe Ausfallwahrscheinlichkeit).
   Ausbildung und Validierung:Für die Ausbildung (70%) und Validierung (30%) wurden Daten aus 24 Spindeln (davon 18 Ausfallereignisse) verwendet.Modellgewichte sind auf Anfrage für Replikationsstudien erhältlich (vorbehaltlich NDA).

3 Ergebnisse und Analyse

3.1 Vorhersageleistung

Das Ensemble-Modell übertraf die traditionellen RMS-Schwellenalarme und die Ein-Modell-Ansätze (z. B. SVM, grundlegende CNN) im Testset deutlich:

• Durchschnittliche Präzision:92 Prozent

• Rückruf (Fehlererkennungsrate):88%

• Falschalarmrate:5%

• Durchschnittliche Vorlaufzeit:68 Stunden
  Tabelle 1: Vergleich der Leistung auf dem Prüfsatz
  Modell Durchschnittliche Präzision Zurückrufen Fehlalarmrate Durchschnittliche Vorlaufzeit Stunden
  Ich habe das Gefühl, dass ich es nicht kann.
  RMS-Schwelle (4 mm/s) 65% 75% 22% 24
  Das ist ein sehr schwieriger Fall.
  Ein D-CNN 85% 82% 8% 55
  |vorgeschlagenes Ensemble (LSTM+GBM)|92 Prozent|88%|5%|68|

3.2 Wichtige Ergebnisse und Innovationen

• Früherkennung der Signatur:Das Modell identifizierte zuverlässig subtile Erhöhungen der Hochfrequenzenergie (5-10 kHz-Band) und steigende Kurtosiswerte 50+ Stunden vor Funktionsstörung,Korrelation mit mikroskopischem Lager Spall-InitiationDiese Veränderungen wurden häufig durch Betriebslärm in Standardspektren verdeckt.

• Kontextempfindlichkeit:Die Feature-Importance-Analyse (via GBM) bestätigte die entscheidende Rolle des Betriebskontexts.

• Überlegenheit gegenüber Schwellenwerten:Eine einfache Überwachung des RMS lieferte keine ausreichende Vorlaufzeit und erzeugte häufige Fehlalarme bei Hochlastbetrieben.Das KI-Modell passte dynamisch Schwellenwerte an Betriebsbedingungen und gelernte komplexe Muster an.

• Validierung:Abbildung 1 zeigt die Ausgangswahrscheinlichkeit des Modells und die wichtigsten Schwingungsmerkmale (Kurtose, Hochfrequenzenergie) für eine Spindel, die einen äußeren Lagerfehler aufweist.Das Modell hat eine Warnung ausgelöst (Wahrscheinlichkeit > 0).85) 65 Stunden vor vollständigem Anfall.

4 Diskussion

4.1 Auslegung

Die hohe Vorhersagegenauigkeit ist auf die Fähigkeit des Modells zurückzuführen, Multi-Domain-Vibrationsmerkmale in ihrem betrieblichen Kontext zu verschmelzen und zeitliche Degradationsbahnen zu erlernen.LSTM-Schichten erfassten effektiv das Fortschreiten von Fehlersignaturen im Laufe der ZeitDie Dominanz von Hochfrequenzenergie und Kurtosis als frühe Indikatoren entspricht der Tribologie-Theorie.wenn anfängliche Oberflächenfehler vorübergehende Spannungswellen erzeugen, die höhere Frequenzen beeinflussen.

4.2 Einschränkungen

• Datenumfang:Die derzeitige Validierung bezieht sich hauptsächlich auf Lager- und Ungleichgewichtsfehler, wobei die Leistung bei weniger häufigen Ausfällen (z. B. Motorwickelfehler, Schmierprobleme) weiter untersucht werden muss.

• Abhängigkeit vom Sensor:Die Genauigkeit hängt von der richtigen Beschleunigungsmessermontage und Kalibrierung ab.

• Berechnungslast:Echtzeit-Analyse erfordert Edge-Computing-Hardware in der Nähe der Maschine.

4.3 Praktische Auswirkungen

• Verkürzte Ausfallzeiten:Proaktive Warnmeldungen ermöglichen die Planung der Wartung während geplanten Stopps, wodurch Störungen minimiert werden.

• geringere Kosten:Verhindert katastrophale Schäden (z. B. zerstörte Spindelschächte), reduziert den Ersatzteilbestand (Just-in-Time-Austausch) und optimiert die Wartungsarbeit.

• Durchführung:Es bedarf einer anfänglichen Investition in Sensoren, Edge-Gateways und Softwareintegration.Der ROI wird für Spindeln mit hoher Nutzung in der Regel innerhalb von 6-12 Monaten erzielt.

5 Schlussfolgerung

Diese Studie zeigt die Wirksamkeit der Integration einer umfassenden Schwingungsmerkmalextraktion mit einem LSTM-GBM-Assemble-KI-Modell zur frühzeitigen Vorhersage von CNC-Spindelfehlern.Der Ansatz erzielt eine hohe Präzision (92%) und eine erhebliche Vorlaufzeit (durchschnittlich. 68 Stunden), die die herkömmlichen Vibrationsüberwachungsmethoden deutlich übertreffen.explizite Modellierung von zeitlichen Abbaumustern über LSTM, und Robustheit durch das GBM-Ensemble-Lernen.