Thực tế
Ứng dụng
Hỏi đáp
Độ ổn định cắt gọt của máy khoan–tarô có ảnh hưởng đến chất lượng sản phẩm?
Thực tế giám sát｜Độ ổn định cắt gọt của máy khoan–tarô có ảnh hưởng đến chất lượng sản phẩm?Khoan là một phương pháp gia công cắt gọt. Những yếu tố chính nào ảnh hưởng đến chất lượng gia công của máy khoan–tarô? Và làm thế nào để nhanh chóng xác định nguyên nhân bất thường?
Đặc tính gia công của máy khoan
Khoan là một phương pháp gia công cắt gọt, sử dụng mũi khoan để cắt hoặc mở rộng lỗ có tiết diện tròn trên vật liệu rắn.
Mũi khoan là dụng cụ cắt quay, thường có nhiều lưỡi cắt. Trong quá trình khoan, mũi khoan chịu áp lực tiếp xúc với phôi,
với tốc độ quay từ vài trăm đến vài nghìn vòng/phút (RPM). Áp lực và tốc độ quay khiến mũi khoan xuyên qua phôi, tạo thành lỗ tròn,
đồng thời phoi (swarf) được tách ra và thoát khỏi lỗ. Trong một số trường hợp, có thể sử dụng mũi khoan đặc biệt để tạo lỗ không tròn,
ví dụ như lỗ vuông.
Nguồn: Wikipedia
Mài mòn dụng cụ gây ảnh hưởng đến chất lượng sản phẩm
Dụng cụ cắt là vật tư tiêu hao trong quá trình sản xuất. Theo thời gian và tần suất sử dụng, mũi khoan sẽ bị mài mòn,
từ đó gây rung động trong quá trình gia công và dẫn đến chất lượng sản phẩm suy giảm.
Thông qua việc giám sát tín hiệu động học liên tục của trục chính máy khoan trong quá trình gia công,
có thể phân tích mối quan hệ giữa trạng thái gia công và chất lượng sản phẩm.
Giải thích phương án giám sát
Hệ thống giám sát thông minh bằng học máy VMS-ML
Cách máy được giám sát và cảm nhận trạng thái:
Phương pháp đo không xâm lấn, không cần kết nối trực tiếp với tín hiệu điều khiển của thiết bị.
Chỉ cần học tín hiệu động học trong quá trình gia công là có thể bắt đầu giám sát trạng thái máy.
Phân biệt tín hiệu động học chất lượng dao cắt:
Sử dụng sự khác biệt về điểm số tín hiệu gia công làm cơ sở đánh giá thời điểm cần thay dao.
Quản lý xu hướng bằng AI để trực quan hóa hư hỏng:
Thông qua độ tương đồng phổ tần và dữ liệu tín hiệu tích lũy, hệ thống giúp nắm bắt xu hướng chất lượng
trong quá trình khoan, từ đó thay dao sớm và ngăn chặn sản phẩm lỗi phát sinh.
Tình trạng đo lường
Mô tả hạng mục đo lường
# Đo tín hiệu động:
Sử dụng cảm biến gắn ngoài, không cần kết nối trực tiếp với tín hiệu điều khiển của thiết bị.
# Học hành vi chuyển động:
Thông qua hệ thống giám sát thông minh bằng học máy để học hành vi gia công,
từ đó đánh giá và hiểu rõ chất lượng quá trình gia công.
Trực quan hóa hành vi gia công khoan:
1. Tín hiệu trục chính đi xuống cho phép xác định tình trạng lực đẩy của xi lanh tác động.
2. Tín hiệu động trong quá trình gia công – bao gồm tăng tốc trục chính, bắt đầu khoan và giảm tốc –
phản ánh trực tiếp mối liên hệ giữa các bộ phận liên quan và chất lượng gia công.
Huấn luyện chuẩn bằng machine learning
So sánh sự khác biệt tín hiệu của các loại dao khác nhau thông qua tín hiệu động.
Tín hiệu gia công của dao mới – so sánh kết quả đo bằng machine learning
Khi dao mới tiếp xúc với phôi, từ giai đoạn tăng tốc, bắt đầu khoan đến giảm tốc, hành vi gia công có mức độ tương đồng cao với PATTERN đã học, sự sai khác không đáng kể.
Tín hiệu gia công của dao còn sử dụng được – so sánh kết quả đo bằng machine learning
Khi dao còn sử dụng được tiếp xúc với phôi, từ giai đoạn tăng tốc, khoan đến giảm tốc đã bắt đầu xuất hiện hiện tượng rung động. Đồng thời, trong giai đoạn khoan cũng xuất hiện tín hiệu động khác biệt so với PATTERN đã học, đôi khi phát sinh hiện tượng ba via khi khoan.
Tín hiệu gia công của dao cũ – so sánh kết quả đo bằng machine learning
Dao cũ có mức độ rung động lớn nhất trong quá trình khoan, mức độ tương đồng với PATTERN đã học giảm mạnh. Sản phẩm gia công xuất hiện bất thường!
Kết luận đo lường
Kết quả
Lợi ích quản lý giám sát bằng machine learning:
1. Có thể nắm bắt chính xác tình trạng của các bộ phận trong quá trình sản xuất.
2. Có thể chủ động tự định nghĩa thời điểm thay dao phù hợp.
3. Chủ động ngăn chặn sản phẩm lỗi phát sinh, nâng cao chất lượng và tỷ lệ đạt.
Hệ thống giám sát thông minh bằng machine learning VMS-ML còn có thể thông qua biểu đồ xu hướng để phát hiện sớm tình trạng bất thường của khuôn mẫu, thậm chí dự đoán thời điểm có khả năng hư hỏng. Người dùng có thể dựa vào dữ liệu theo thời gian thực để triển khai bảo trì dự đoán (Predictive Maintenance), giúp dây chuyền sản xuất duy trì hoạt động ổn định của khuôn mẫu, đồng thời tránh phát sinh số lượng lớn sản phẩm lỗi.
Hệ thống giám sát thông minh VMS-ML
Hệ thống giám sát thông minh VMS-ML
Ngăn chặn sản phẩm lỗi kịp thời