eng
Выпуск #2/2025
Л. Д. Малькова, И. А. Павлюченков
Применение нейронной сети для диагностирования состояния концевых фрез
Применение нейронной сети для диагностирования состояния концевых фрез
Просмотры: 956
DOI: 10.22184/2499-9407.2025.39.2.66.69
Разработана методика непрерывного контроля состояния режущего инструмента по звуковому сопровождению резания с использованием искусственного интеллекта. Выполнено диагностирование состояния концевых твердосплавных фрез с помощью нейросети посредством записи и обработки аудиосигнала, сопровождающего процесс фрезерования новым и изношенным инструментами.
Разработана методика непрерывного контроля состояния режущего инструмента по звуковому сопровождению резания с использованием искусственного интеллекта. Выполнено диагностирование состояния концевых твердосплавных фрез с помощью нейросети посредством записи и обработки аудиосигнала, сопровождающего процесс фрезерования новым и изношенным инструментами.
Теги: diagnostics end milling cutter milling neural network диагностирование концевая фреза нейросеть фрезерование
Применение нейронной сети
для диагностирования состояния концевых фрез
Л. Д. Малькова, И. А. Павлюченков
Разработана методика непрерывного контроля состояния режущего инструмента по звуковому сопровождению резания с использованием искусственного интеллекта. Выполнено диагностирование состояния концевых твердосплавных фрез с помощью нейросети посредством записи и обработки аудиосигналов, сопровождающих процесс фрезерования новым и изношенным инструментами.
Введение
Диагностирование состояния режущего лезвия инструмента между переходами или непосредственно в процессе резания является важной составляющей обеспечения надежности технологических систем для лезвийной механической обработки. Помимо простого визуального осмотра широкое распространение в производстве получили различные методы контроля состояния инструмента, фиксирующие изменения физических параметров, отражающих на качественном или количественном уровне состояние режущей кромки. Например, изменение силы резания, общего энергопотребления станка, температуры в зоне обработки или электрических характеристик [1, 2].
Недостатками таких методов является необходимость выявления и формализации взаимосвязи между состоянием режущей кромки и реально контролируемыми характеристиками процесса и уровень их корреляции, а также необходимость дополнительного регистрирующего оборудования, которое в свою очередь нуждается в регулярном контроле, калибровке и аттестации [3, 4].
Развитие искусственного интеллекта и разработка открытого программного обеспечения для накопления данных и обучения нейросетей позволяют управлять технологической системой как на основе анализа легко контролируемых параметров обработки – силы резания, термоЭДС, вибрации или акустической эмиссии [5, 6], так и с использованием аналога человеческого восприятия внешней информации, в частности, машинного зрения [7].
Основная часть
В практике механообработки на уровне человеческого восприятия используется контроль звуков, сопровождающих процесс резания. Многолетний опыт показывает, что равномерный гул обычно сопровождает работу исправной технологической системы, а возникновение скрипов или свиста указывает на отклонение от качественной обработки и может быть вызвано недостаточностью смазки, повышенным износом или сколом режущей кромки.
Для разработки и апробирования системы контроля нейросетью звукового сопровождения процесса резания, его анализа и информирования оператора о возможном выходе из строя режущего инструмента, проведен анализ открытого программного обеспечения, позволяющего проводить работы с аудиоматериалами [8].
Установлено, что для решения поставленной задачи с учетом имеющегося программно-аппаратного обеспечения наиболее подходит библиотека Librosa, разработанная для высокоуровневого языка Python. Librosa является открытым ПО, способна анализировать аудиосигнал сразу после подключения, ее основными задачами являются распознавание и генерация звуков, а основным преимуществом – простота реализации нейронных сетей на ее основе.
При определении способа механической обработки, для которого обучение и внедрение нейросети будет рентабельным, было выявлено, что фрезерование на станках с ЧПУ корпусных, фланцевых и других аналогичных деталей из конструкционных сталей и алюминиевых сплавов концевыми твердосплавными фрезами может иметь продолжительность непрерывной работы 10–25 мин.
Поэтому для разработки диагностического стенда было принято решение проводить запись звуков, сопровождающих фрезерование фланцевой детали из алюминиевого сплава твердосплавной трехзубой концевой фрезой диаметром 16 мм со следующими параметрами обработки:
Выполнены самостоятельные записи работы изношенной и новых экспериментальных фрез. Для достижения существенного эффекта в звуковом сопровождении, запись аудиофайлов работы изношенной фрезы проводилась для инструмента с максимальной фаской износа по задней hз – почти 1,4 мм.
В тестовом режиме регистрация аудиоматериалов осуществлялась диктофоном и была проведена в огражденной рабочей зоне 5‑координатного фрезерного станка с ЧПУ DMU 50 в разные временные диапазоны для исключения влияния случайных шумовых эффектов на производстве.
При стационарном контроле в структуру стенда необходимо включить микрофон, транслирующий результаты сразу в компьютер. Практика показала, что оборудование, регистрирующее звук, может размещаться в любом удобном месте рабочей зоны станка, не влияя ни на одну из характеристик процесса обработки (режим обработки, жесткость системы, наличие СОЖ и т. д.). Это является очень значимым преимуществом способа диагностики по звуку сопровождения механической обработки.
Обучение нейросети для оценки состояния режущего инструмента достаточно проводить по схеме «годится – не годится» («ok – no»), поэтому рабочие шумы при фрезеровании новым инструментом можно считать «нулевой отметкой», относительно которой будут фиксироваться отклонения при работе изношенной фрезой.
Библиотека Librosa работает со всеми распространенными форматами аудиоматериалов. Для обеспечения должного качества звука его регистрация при работе экспериментальными фрезами выполнялась в формате wav.
Загрузка аудиофайлов в библиотеку Librosa осуществляется с помощью инструментария языка программирования Python. Для наиболее эффективной аналитической работы программного обеспечения рекомендуется использовать аудиоматериалы, продолжительностью не более 5 с. В предлагаемом исследовании использовались нарезанные части звукозаписей работы изношенной и новых концевых фрез продолжительностью 3 с.
Ход обучения нейросети выводится на мониторы, что позволяет контролировать процесс на каждом его этапе. На рис. 1 представлен скриншот отчета программы о гарантированной точности определения состояния инструмента.
На показанных начальном и промежуточном участках визуализации обучения хорошо видна меняющаяся интенсивность увеличения точности при обработке 100 циклов обучения нейросети, называемых эпохами. После анализа первой эпохи точность (accuracy) равна нулю (см. рис. 1, поз. 1), а на эпохе № 88 и далее точность соответствует единице (см. рис. 1, поз. 2).
Оценка разработанной нейросети по различным классификаторам (наивный [строгий] байесовский, k-ближайших соседних, метод опорных векторов, логистическая регрессия, случайные леса, многослойный перцептрон, экстремальный градиентный бустинг) дала значения точности предсказания результатов в диапазоне 71,4–85,7%. Проведенное тестирование нейросети комплектом аудиофайлов, не участвовавших в обучении, подтвердило правильность выдаваемых нейросетью результатов.
Для понимания процесса работы нейросети в инструментарии библиотеки Librosa предусмотрена визуализация аналитических материалов. Поскольку указанная библиотека является универсальным программным обеспечением, ее функционал включает спектральные представления, генерацию сигнала, обработку во временной области, работу с гармониками, масштабирование величин и т. д. [9]. Оценка состояния режущего инструмента по схеме «годится – не годится» хорошо отображается двумя выведенными характеристиками – спектрограммой аудиофайла и ее хроматическими признаками с кратковременным преобразованием Фурье (short-time Fourier transform – STFT).
На рис. 2 представлены примеры спектрограмм для звукового сопровождения работы новой фрезы (рис. 2а) и изношенной (рис. 2б). Горизонтальная ось – это ось времени, вертикальная – ось частотных диапазонов. Цветовыми оттенками отображается падение интенсивности звука в децибелах относительно максимального значения в рамках анализируемого диапазона в соответствии со шкалой, расположенной рядом. В данном случае использование цветового дифференцирования позволяет отобразить функцию двух переменных в виде плоского рисунка, иногда называемого тепловой картой.
Привязка к максимальному значению не позволяет провести прямое сравнение. Но анализ спектрограмм показывает, что максимальная интенсивность звука новой фрезы находится в области 300 Гц, что человеческим слухом воспринимается как гул. С появлением износа возрастает интенсивность низких частот (примерно 100 Гц, воспринимаемые как некое рычание) и высоких частот (примерно 5 000 Гц, воспринимаемые как свист).
Этот факт интерпретирует работу нейросети – если оператор станка, услышав при обработке усиление низких и высоких частот, предполагает большой износ режущего лезвия, то нейросеть, отследив повышение интенсивности указанных частот, выдает характеристику no («не годится»).
Повышение интенсивности определенных частот распределено во времени, что связано с процессом изнашивания режущего лезвия. Для определения области звуковых элементов, которые нейросеть относит к категории ok («годится»), проводится статистическая обработка величин частотно-временного представления сигнала, получаемого посредством кратковременного преобразования Фурье. То есть частотно-временное представление сигнала – это численная характеристика, являющаяся функцией двух переменных (очевидно, частоты и времени), которая в спектрограмме (см. рис. 2) отражается оттенком цвета.
В результате статистического анализа данных нейросеть определяет математическое ожидание и дисперсию выборки. После чего квалифицирует звуковой сигнал как ok («годится») в заданной окрестности. Проводя аналогию с человеческим восприятием, можно сказать, что искусственный интеллект формирует для себя критерии оценки аудиоматериалов, указывающие на то, что текущее состояние режущего лезвия является допустимым для дальнейшей работы.
Выводы
Способ диагностирования состояния режущего инструмента посредством регистрации звукового сопровождения резания и обработки его с помощью искусственного интеллекта является работоспособным, гарантирует достоверность результатов и не требует размещения в рабочей зоне станка сложного или габаритного дополнительного оборудования.
При использовании библиотеки Librosa для создания и обучения нейросети, диагностирующей состояние режущего инструмента в процессе его работы по схеме «годится – не годится», 100%-ная точность достигается после обработки 88 циклов обучения. Оценка разработанной нейросети по различным классификаторам дала значения точности предсказания результатов в диапазоне 71,4–85,7%.
В рамках условий эксперимента максимальная интенсивность звука новой фрезы находится в области 300 Гц, а изношенной – в области пониженных частот, примерно 100 Гц, а также высоких частот, примерно 5 000 Гц, что привело к изменению общей картины звукового сопровождения фрезерования.
Литература
Постнов В. В., Усманов Б. Ф., Летягин И. Е. Диагностика состояния режущего инструмента в зоне резания по сигналам термоЭДС и вибраций // СТИН. 2011. № 11. С. 23–25.
Гурин В. Д., Черкасова Н. Ю., Туманов А. А. Диагностика состояния режущего инструмента при торцевом фрезеровании на основе измерения и анализа виброакустического сигнала // СТИН. 2012. № 12. С. 28–31.
Карельский А. С., Маслов А. Р. Калибровка пьезоэлектрического динамометра Kistler с помощью измерительного устройства на базе образцового динамометра сжатия // Контроль. Диагностика. 2023. Т. 26, № 10(304). С. 50–53.
Волотов Д. И., Маслов А. Р. Модульное устройство для измерения технических параметров технологической оснастки // Станкоинструмент. 2023. № 3(32). С. 68–73.
Масалимов К. А., Мунасыпов Р. А., Фецак С. И., Кудояров Р. Г. Диагностика состояния режущего инструмента металлорежущих станков с использованием двунаправленных рекуррентных нейронных сетей с долгой краткосрочной памятью // СТИН. 2020. № 12. С. 12–17.
Козак Н. В., Никишечкин А. П., Никишечкина А. П. Нейросетевая подсистема адаптивного управления процессом резания для открытых систем ЧПУ типа PCNC // Вестник МГТУ «Станкин». 2009. № 3(7). С. 101–105.
Михалев О. Н., Янюшкин А. С. Применение сегментации для обнаружения контура детали при автоматизации технологического проектирования // Известия Тульского государственного университета. Технические науки. 2022. № 10. С. 267–274. DOI: 10.24412/2071-6168-2022-10-267-274.
Малькова Л. Д., Павлюченков И. А. Принципиальные подходы к диагностике состояния режущего инструмента с использованием искусственного интеллекта // От качества инструментов к инструментам качества: Сборник докладов Всероссийской научно-технической конференции, Тула, 19–20 октября 2023 года. Тула: Тульский государственный университет, 2023. С. 128–133.
Электронный ресурс: https://librosa.org/doc/latest/index.html (дата обращения 12.02.25).
Авторы
Малькова Людмила Дмитриевна – кандидат технических наук, доцент, кафедра МТ2 «Инструментальная техника и технологии», МГТУ им. Н. Э. Баумана, Москва
Павлюченков Игорь Анатольевич – кандидат технических наук, доцент, кафедра МТ2 «Инструментальная техника и технологии», МГТУ им. Н. Э. Баумана, Москва
для диагностирования состояния концевых фрез
Л. Д. Малькова, И. А. Павлюченков
Разработана методика непрерывного контроля состояния режущего инструмента по звуковому сопровождению резания с использованием искусственного интеллекта. Выполнено диагностирование состояния концевых твердосплавных фрез с помощью нейросети посредством записи и обработки аудиосигналов, сопровождающих процесс фрезерования новым и изношенным инструментами.
Введение
Диагностирование состояния режущего лезвия инструмента между переходами или непосредственно в процессе резания является важной составляющей обеспечения надежности технологических систем для лезвийной механической обработки. Помимо простого визуального осмотра широкое распространение в производстве получили различные методы контроля состояния инструмента, фиксирующие изменения физических параметров, отражающих на качественном или количественном уровне состояние режущей кромки. Например, изменение силы резания, общего энергопотребления станка, температуры в зоне обработки или электрических характеристик [1, 2].
Недостатками таких методов является необходимость выявления и формализации взаимосвязи между состоянием режущей кромки и реально контролируемыми характеристиками процесса и уровень их корреляции, а также необходимость дополнительного регистрирующего оборудования, которое в свою очередь нуждается в регулярном контроле, калибровке и аттестации [3, 4].
Развитие искусственного интеллекта и разработка открытого программного обеспечения для накопления данных и обучения нейросетей позволяют управлять технологической системой как на основе анализа легко контролируемых параметров обработки – силы резания, термоЭДС, вибрации или акустической эмиссии [5, 6], так и с использованием аналога человеческого восприятия внешней информации, в частности, машинного зрения [7].
Основная часть
В практике механообработки на уровне человеческого восприятия используется контроль звуков, сопровождающих процесс резания. Многолетний опыт показывает, что равномерный гул обычно сопровождает работу исправной технологической системы, а возникновение скрипов или свиста указывает на отклонение от качественной обработки и может быть вызвано недостаточностью смазки, повышенным износом или сколом режущей кромки.
Для разработки и апробирования системы контроля нейросетью звукового сопровождения процесса резания, его анализа и информирования оператора о возможном выходе из строя режущего инструмента, проведен анализ открытого программного обеспечения, позволяющего проводить работы с аудиоматериалами [8].
Установлено, что для решения поставленной задачи с учетом имеющегося программно-аппаратного обеспечения наиболее подходит библиотека Librosa, разработанная для высокоуровневого языка Python. Librosa является открытым ПО, способна анализировать аудиосигнал сразу после подключения, ее основными задачами являются распознавание и генерация звуков, а основным преимуществом – простота реализации нейронных сетей на ее основе.
При определении способа механической обработки, для которого обучение и внедрение нейросети будет рентабельным, было выявлено, что фрезерование на станках с ЧПУ корпусных, фланцевых и других аналогичных деталей из конструкционных сталей и алюминиевых сплавов концевыми твердосплавными фрезами может иметь продолжительность непрерывной работы 10–25 мин.
Поэтому для разработки диагностического стенда было принято решение проводить запись звуков, сопровождающих фрезерование фланцевой детали из алюминиевого сплава твердосплавной трехзубой концевой фрезой диаметром 16 мм со следующими параметрами обработки:
- подача: Sz = 0,05 мм / зуб;
- частота вращения шпинделя: 7 615 об. / мин;
- глубина: t = 5 мм;
- ширина фрезерования: B = 8 мм.
Выполнены самостоятельные записи работы изношенной и новых экспериментальных фрез. Для достижения существенного эффекта в звуковом сопровождении, запись аудиофайлов работы изношенной фрезы проводилась для инструмента с максимальной фаской износа по задней hз – почти 1,4 мм.
В тестовом режиме регистрация аудиоматериалов осуществлялась диктофоном и была проведена в огражденной рабочей зоне 5‑координатного фрезерного станка с ЧПУ DMU 50 в разные временные диапазоны для исключения влияния случайных шумовых эффектов на производстве.
При стационарном контроле в структуру стенда необходимо включить микрофон, транслирующий результаты сразу в компьютер. Практика показала, что оборудование, регистрирующее звук, может размещаться в любом удобном месте рабочей зоны станка, не влияя ни на одну из характеристик процесса обработки (режим обработки, жесткость системы, наличие СОЖ и т. д.). Это является очень значимым преимуществом способа диагностики по звуку сопровождения механической обработки.
Обучение нейросети для оценки состояния режущего инструмента достаточно проводить по схеме «годится – не годится» («ok – no»), поэтому рабочие шумы при фрезеровании новым инструментом можно считать «нулевой отметкой», относительно которой будут фиксироваться отклонения при работе изношенной фрезой.
Библиотека Librosa работает со всеми распространенными форматами аудиоматериалов. Для обеспечения должного качества звука его регистрация при работе экспериментальными фрезами выполнялась в формате wav.
Загрузка аудиофайлов в библиотеку Librosa осуществляется с помощью инструментария языка программирования Python. Для наиболее эффективной аналитической работы программного обеспечения рекомендуется использовать аудиоматериалы, продолжительностью не более 5 с. В предлагаемом исследовании использовались нарезанные части звукозаписей работы изношенной и новых концевых фрез продолжительностью 3 с.
Ход обучения нейросети выводится на мониторы, что позволяет контролировать процесс на каждом его этапе. На рис. 1 представлен скриншот отчета программы о гарантированной точности определения состояния инструмента.
На показанных начальном и промежуточном участках визуализации обучения хорошо видна меняющаяся интенсивность увеличения точности при обработке 100 циклов обучения нейросети, называемых эпохами. После анализа первой эпохи точность (accuracy) равна нулю (см. рис. 1, поз. 1), а на эпохе № 88 и далее точность соответствует единице (см. рис. 1, поз. 2).
Оценка разработанной нейросети по различным классификаторам (наивный [строгий] байесовский, k-ближайших соседних, метод опорных векторов, логистическая регрессия, случайные леса, многослойный перцептрон, экстремальный градиентный бустинг) дала значения точности предсказания результатов в диапазоне 71,4–85,7%. Проведенное тестирование нейросети комплектом аудиофайлов, не участвовавших в обучении, подтвердило правильность выдаваемых нейросетью результатов.
Для понимания процесса работы нейросети в инструментарии библиотеки Librosa предусмотрена визуализация аналитических материалов. Поскольку указанная библиотека является универсальным программным обеспечением, ее функционал включает спектральные представления, генерацию сигнала, обработку во временной области, работу с гармониками, масштабирование величин и т. д. [9]. Оценка состояния режущего инструмента по схеме «годится – не годится» хорошо отображается двумя выведенными характеристиками – спектрограммой аудиофайла и ее хроматическими признаками с кратковременным преобразованием Фурье (short-time Fourier transform – STFT).
На рис. 2 представлены примеры спектрограмм для звукового сопровождения работы новой фрезы (рис. 2а) и изношенной (рис. 2б). Горизонтальная ось – это ось времени, вертикальная – ось частотных диапазонов. Цветовыми оттенками отображается падение интенсивности звука в децибелах относительно максимального значения в рамках анализируемого диапазона в соответствии со шкалой, расположенной рядом. В данном случае использование цветового дифференцирования позволяет отобразить функцию двух переменных в виде плоского рисунка, иногда называемого тепловой картой.
Привязка к максимальному значению не позволяет провести прямое сравнение. Но анализ спектрограмм показывает, что максимальная интенсивность звука новой фрезы находится в области 300 Гц, что человеческим слухом воспринимается как гул. С появлением износа возрастает интенсивность низких частот (примерно 100 Гц, воспринимаемые как некое рычание) и высоких частот (примерно 5 000 Гц, воспринимаемые как свист).
Этот факт интерпретирует работу нейросети – если оператор станка, услышав при обработке усиление низких и высоких частот, предполагает большой износ режущего лезвия, то нейросеть, отследив повышение интенсивности указанных частот, выдает характеристику no («не годится»).
Повышение интенсивности определенных частот распределено во времени, что связано с процессом изнашивания режущего лезвия. Для определения области звуковых элементов, которые нейросеть относит к категории ok («годится»), проводится статистическая обработка величин частотно-временного представления сигнала, получаемого посредством кратковременного преобразования Фурье. То есть частотно-временное представление сигнала – это численная характеристика, являющаяся функцией двух переменных (очевидно, частоты и времени), которая в спектрограмме (см. рис. 2) отражается оттенком цвета.
В результате статистического анализа данных нейросеть определяет математическое ожидание и дисперсию выборки. После чего квалифицирует звуковой сигнал как ok («годится») в заданной окрестности. Проводя аналогию с человеческим восприятием, можно сказать, что искусственный интеллект формирует для себя критерии оценки аудиоматериалов, указывающие на то, что текущее состояние режущего лезвия является допустимым для дальнейшей работы.
Выводы
Способ диагностирования состояния режущего инструмента посредством регистрации звукового сопровождения резания и обработки его с помощью искусственного интеллекта является работоспособным, гарантирует достоверность результатов и не требует размещения в рабочей зоне станка сложного или габаритного дополнительного оборудования.
При использовании библиотеки Librosa для создания и обучения нейросети, диагностирующей состояние режущего инструмента в процессе его работы по схеме «годится – не годится», 100%-ная точность достигается после обработки 88 циклов обучения. Оценка разработанной нейросети по различным классификаторам дала значения точности предсказания результатов в диапазоне 71,4–85,7%.
В рамках условий эксперимента максимальная интенсивность звука новой фрезы находится в области 300 Гц, а изношенной – в области пониженных частот, примерно 100 Гц, а также высоких частот, примерно 5 000 Гц, что привело к изменению общей картины звукового сопровождения фрезерования.
Литература
Постнов В. В., Усманов Б. Ф., Летягин И. Е. Диагностика состояния режущего инструмента в зоне резания по сигналам термоЭДС и вибраций // СТИН. 2011. № 11. С. 23–25.
Гурин В. Д., Черкасова Н. Ю., Туманов А. А. Диагностика состояния режущего инструмента при торцевом фрезеровании на основе измерения и анализа виброакустического сигнала // СТИН. 2012. № 12. С. 28–31.
Карельский А. С., Маслов А. Р. Калибровка пьезоэлектрического динамометра Kistler с помощью измерительного устройства на базе образцового динамометра сжатия // Контроль. Диагностика. 2023. Т. 26, № 10(304). С. 50–53.
Волотов Д. И., Маслов А. Р. Модульное устройство для измерения технических параметров технологической оснастки // Станкоинструмент. 2023. № 3(32). С. 68–73.
Масалимов К. А., Мунасыпов Р. А., Фецак С. И., Кудояров Р. Г. Диагностика состояния режущего инструмента металлорежущих станков с использованием двунаправленных рекуррентных нейронных сетей с долгой краткосрочной памятью // СТИН. 2020. № 12. С. 12–17.
Козак Н. В., Никишечкин А. П., Никишечкина А. П. Нейросетевая подсистема адаптивного управления процессом резания для открытых систем ЧПУ типа PCNC // Вестник МГТУ «Станкин». 2009. № 3(7). С. 101–105.
Михалев О. Н., Янюшкин А. С. Применение сегментации для обнаружения контура детали при автоматизации технологического проектирования // Известия Тульского государственного университета. Технические науки. 2022. № 10. С. 267–274. DOI: 10.24412/2071-6168-2022-10-267-274.
Малькова Л. Д., Павлюченков И. А. Принципиальные подходы к диагностике состояния режущего инструмента с использованием искусственного интеллекта // От качества инструментов к инструментам качества: Сборник докладов Всероссийской научно-технической конференции, Тула, 19–20 октября 2023 года. Тула: Тульский государственный университет, 2023. С. 128–133.
Электронный ресурс: https://librosa.org/doc/latest/index.html (дата обращения 12.02.25).
Авторы
Малькова Людмила Дмитриевна – кандидат технических наук, доцент, кафедра МТ2 «Инструментальная техника и технологии», МГТУ им. Н. Э. Баумана, Москва
Павлюченков Игорь Анатольевич – кандидат технических наук, доцент, кафедра МТ2 «Инструментальная техника и технологии», МГТУ им. Н. Э. Баумана, Москва
Отзывы читателей
