PFT, Shenzhen
الكشف المبكر عن أعطال عمود الدوران الوشيكة في آلات التحكم الرقمي الحاسوبي (CNC) أمر بالغ الأهمية لتقليل وقت التوقف غير المخطط له والإصلاحات المكلفة. توضح هذه المقالة منهجية تجمع بين تحليل إشارات الاهتزاز والذكاء الاصطناعي (AI) للصيانة التنبؤية. يتم جمع بيانات الاهتزاز من أعمدة الدوران التشغيلية تحت أحمال مختلفة بشكل مستمر باستخدام مقاييس التسارع. يتم استخلاص الميزات الرئيسية، بما في ذلك إحصائيات المجال الزمني (RMS، الانحراف)، ومكونات المجال الترددي (قمم طيف FFT)، وخصائص الوقت والتردد (طاقة الموجات). تعمل هذه الميزات كمدخلات لنموذج تعلم آلي مجمع يجمع بين شبكات الذاكرة قصيرة المدى (LSTM) للتعرف على الأنماط الزمنية وآلات تعزيز التدرج (GBM) للتصنيف القوي. يوضح التحقق من صحة مجموعات البيانات من مراكز الطحن عالية السرعة قدرة النموذج على اكتشاف أعطال المحامل المتطورة والاختلالات قبل 72 ساعة من الفشل الوظيفي بدقة متوسطة تبلغ 92٪. يوفر هذا النهج تحسنًا كبيرًا على مراقبة الاهتزازات التقليدية القائمة على العتبة، مما يتيح جدولة الصيانة الاستباقية وتقليل المخاطر التشغيلية.
تشكل أدوات آلات التحكم الرقمي الحاسوبي (CNC) العمود الفقري للتصنيع الدقيق الحديث. يؤثر عمود الدوران، الذي يمكن القول إنه المكون الأكثر أهمية والأكثر تكلفة، بشكل مباشر على دقة التشغيل، وتشطيب السطح، والإنتاجية الإجمالية. يؤدي تعطل عمود الدوران المفاجئ إلى توقف كارثي، وإتلاف قطع العمل، وإصلاحات طارئة باهظة الثمن، مما يكلف الشركات المصنعة آلاف الدولارات في الساعة. جداول الصيانة الوقائية التقليدية، القائمة على فترات زمنية ثابتة أو عدادات وقت تشغيل بسيطة، غير فعالة – يحتمل أن تحل محل المكونات السليمة أو تفوت حالات الفشل الوشيكة. الصيانة التفاعلية بعد الفشل مكلفة للغاية. وبالتالي، اكتسبت المراقبة القائمة على الحالة (CBM)، وخاصة تحليل الاهتزازات، أهمية بارزة. في حين أنها فعالة في تحديد شديدة الأعطال، غالبًا ما تكافح مراقبة الاهتزازات التقليدية مع الكشف المبكر عن الناشئة حالات الفشل. تقدم هذه المقالة نهجًا متكاملاً يستخدم معالجة إشارات الاهتزاز المتقدمة إلى جانب التحليلات المدفوعة بالذكاء الاصطناعي للتنبؤ بدقة بأعطال عمود الدوران قبل وقت طويل.
الهدف الأساسي هو تحديد علامات الاهتزاز الدقيقة التي تشير إلى التدهور في المرحلة المبكرة قبل الفشل الكارثي. تم جمع البيانات من 32 عمود دوران طحن CNC عالي الدقة يعمل في إنتاج مكونات السيارات على مدار 3 فترات عمل على مدار 18 شهرًا. تم تركيب مقاييس التسارع الكهروإجهادية (الحساسية: 100 mV/g، نطاق التردد: 0.5 هرتز إلى 10 كيلو هرتز) شعاعيًا ومحوريًا على كل غلاف عمود دوران. قامت وحدات اقتناء البيانات بأخذ عينات من إشارات الاهتزاز بتردد 25.6 كيلو هرتز. تم تسجيل المعلمات التشغيلية (سرعة عمود الدوران، عزم التحميل، معدل التغذية) في وقت واحد عبر واجهة OPC UA الخاصة بـ CNC.
تم تقسيم إشارات الاهتزاز الأولية إلى فترات زمنية مدتها ثانية واحدة. لكل فترة زمنية، تم استخلاص مجموعة ميزات شاملة:
المجال الزمني: الجذر التربيعي للمتوسط (RMS)، عامل القمة، الانحراف، الالتواء.
المجال الترددي (FFT): سعات الذروة المهيمنة والترددات ضمن نطاقات أعطال المحامل المميزة (BPFO، BPFI، FTF، BSF)، الطاقة الإجمالية في نطاقات معينة (0-1 كيلو هرتز، 1-5 كيلو هرتز، 5-10 كيلو هرتز)، الانحراف الطيفي.
مجال الوقت والتردد (تحويل حزمة الموجات - Daubechies 4): إنتروبيا الطاقة، مستويات الطاقة النسبية في عقد التحلل المرتبطة بترددات الأعطال.
السياق التشغيلي: سرعة عمود الدوران، نسبة التحميل.
تم استخدام بنية نموذج مجمعة:
شبكة LSTM: معالجة تسلسلات من 60 متجه ميزة متتالية لمدة ثانية واحدة (أي، دقيقة واحدة من البيانات التشغيلية) لالتقاط أنماط التدهور الزمني. تعلمت طبقة LSTM (64 وحدة) التبعيات عبر الخطوات الزمنية.
آلة تعزيز التدرج (GBM): تلقت نفس الميزات المجمعة على مستوى الدقيقة (المتوسط، الانحراف المعياري، الحد الأقصى) وحالة الإخراج من LSTM. وفرت GBM (100 شجرة، أقصى عمق 6) قوة تصنيف عالية ورؤى حول أهمية الميزات.
الإخراج: خلية عصبية سيجمويد توفر احتمالية الفشل في غضون الـ 72 ساعة القادمة (0 = سليم، 1 = احتمالية فشل عالية).
التدريب والتحقق من الصحة: تم استخدام البيانات من 24 عمود دوران (بما في ذلك 18 حالة فشل) للتدريب (70٪) والتحقق من الصحة (30٪). شكلت البيانات من 8 أعمدة دوران المتبقية (4 حالات فشل) مجموعة الاختبار الاحتياطية. تتوفر أوزان النموذج عند الطلب لدراسات التكرار (رهنا باتفاقية عدم الإفصاح).
تجاوز النموذج المجمع بشكل كبير إنذارات عتبة RMS التقليدية ونهج النموذج الواحد (مثل SVM، CNN الأساسي) على مجموعة الاختبار:
متوسط الدقة: 92٪
الاستدعاء (معدل اكتشاف الأعطال): 88٪
معدل الإنذار الكاذب: 5٪
متوسط المهلة الزمنية: 68 ساعة
الجدول 1: مقارنة الأداء على مجموعة الاختبار
| النموذج | متوسط الدقة | الاستدعاء | معدل الإنذار الكاذب | متوسط المهلة الزمنية (ساعات) |
| :------------------- | :------------- | :----- | :--------------- | :------------------- |
| عتبة RMS (4 مم/ث) | 65٪ | 75٪ | 22٪ | < 24 |
| SVM (نواة RBF) | 78٪ | 80٪ | 15٪ | 42 |
| 1D CNN | 85٪ | 82٪ | 8٪ | 55 |
| المجموعة المقترحة (LSTM+GBM) | 92٪ | 88٪| 5٪ | 68 |
الكشف المبكر عن التوقيع: حدد النموذج بشكل موثوق الزيادات الطفيفة في الطاقة عالية التردد (نطاق 5-10 كيلو هرتز) وقيم الانحراف المتزايدة قبل 50+ ساعة من الفشل الوظيفي، مما يرتبط ببدء تقشر المحمل المجهري. غالبًا ما كانت هذه التغييرات مخفية بسبب الضوضاء التشغيلية في الأطياف القياسية.
حساسية السياق: أكد تحليل أهمية الميزات (عبر GBM) الدور الحاسم للسياق التشغيلي. تجلت علامات الفشل بشكل مختلف عند 8000 دورة في الدقيقة مقابل 15000 دورة في الدقيقة، وهو ما تعلمته LSTM بفعالية.
التفوق على العتبات: فشلت مراقبة RMS البسيطة في توفير مهلة زمنية كافية وأنتجت إنذارات كاذبة متكررة أثناء العمليات ذات الحمل العالي. قام نموذج الذكاء الاصطناعي بتكييف العتبات ديناميكيًا بناءً على ظروف التشغيل وتعلم الأنماط المعقدة.
التحقق من الصحة: يوضح الشكل 1 احتمالية إخراج النموذج وميزات الاهتزاز الرئيسية (الانحراف، طاقة التردد العالي) لعمود دوران يطور عيبًا في محمل مسار السباق الخارجي. أطلق النموذج تنبيهًا (احتمالية > 0.85) قبل 65 ساعة من التعطيل الكامل.
ينبع الأداء التنبؤي العالي من قدرة النموذج على دمج ميزات الاهتزاز متعددة المجالات ضمن سياقها التشغيلي وتعلم مسارات التدهور الزمني. التقطت طبقات LSTM بفعالية تقدم علامات الأعطال بمرور الوقت، وهو بُعد غالبًا ما يتم تجاهله في تحليلات اللقطات. يتوافق هيمنة الطاقة عالية التردد والانحراف كمؤشرات مبكرة مع نظرية الاحتكاك، حيث تولد عيوب السطح الناشئة موجات إجهاد عابرة تؤثر على الترددات الأعلى.
نطاق البيانات: يقتصر التحقق من الصحة الحالي في المقام الأول على أعطال المحامل والاختلالات. يتطلب الأداء في حالات الفشل الأقل شيوعًا (مثل أعطال لفائف المحرك، ومشكلات التشحيم) مزيدًا من الدراسة.
اعتماد المستشعر: يعتمد الدقة على التركيب والمعايرة الصحيحين لمقياس التسارع. يمكن أن يؤثر انحراف المستشعر أو تلفه على النتائج.
الحمل الحسابي: يتطلب التحليل في الوقت الفعلي أجهزة حوسبة طرفية بالقرب من الجهاز.
تقليل وقت التوقف: تتيح التنبيهات الاستباقية جدولة الصيانة أثناء التوقفات المخطط لها، مما يقلل من التعطيل.
تكاليف أقل: يمنع التلف الكارثي (مثل أعمدة الدوران المدمرة)، ويقلل من احتياجات مخزون قطع الغيار (الاستبدال في الوقت المناسب)، ويحسن عمالة الصيانة.
التنفيذ: يتطلب استثمارًا أوليًا في المستشعرات وبوابات الحافة وتكامل البرامج. تظهر حلول قائمة على السحابة، مما يقلل الحواجز أمام الشركات المصنعة الأصغر حجمًا. عادةً ما يتم تحقيق عائد الاستثمار في غضون 6-12 شهرًا لأعمدة الدوران عالية الاستخدام.
توضح هذه الدراسة فعالية دمج استخلاص ميزات الاهتزاز الشاملة مع نموذج الذكاء الاصطناعي المجمع LSTM-GBM للتنبؤ المبكر بفشل عمود دوران CNC. يحقق هذا النهج دقة عالية (92٪) ومهلة زمنية كبيرة (متوسط 68 ساعة)، متجاوزًا بشكل كبير طرق مراقبة الاهتزازات التقليدية. تشمل الابتكارات الرئيسية دمج الميزات متعددة المجالات، والنمذجة الصريحة لأنماط التدهور الزمني عبر LSTM، والقوة التي توفرها تعلم المجموعة GBM.
