Professional Documents
Culture Documents
net/publication/314117046
CITATIONS READS
0 45
4 authors, including:
Milan Zeljković
University of Novi Sad
119 PUBLICATIONS 109 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Milan Zeljković on 01 March 2017.
Rezime:
U radu je prikazano eksperimentalno istraživanje procesa habanja alata za obradu rezanjem i
razvoj podloga za definisanje karakteristika ulaznog vektora sistema za procenu habanja alata.
Primenom diskretnih veivlet transformacija (DWT) izvršena je analiza promene vibracija sa
porastom procenta habanja alata. Na osnovu eksperimentalnih rezultata, izvršena je dekompozicija
originalnog signala vibracija u intervalu od 0 do 1 sec za 11 nivoa. Spektralni prikaz je sproveden
sa različitom rezolucijom po pojedinim nivoima što je bitna odlika DWT. Ovo DWT čini dobrim
alatom za analizu vremenskih serija koje generiše neki dinamički proces.
Ključne reči: habanje alata, vibracije, transformacija signala, diskretne vejvlet transformacije
1. UVOD
Glavni zahtevi automatizacije procesa obrade stuganjem, u savremenim uslovima proizvodnje, jesu dobra
pouzdanost sistema za nadzor alata i procesa obrade. U osnovi, može se reći da se sistemi za nadzor alata
baziraju na egzaktnoj identifikaciji komponenata procesa obrade. Nedostatak klasičnih sistema za nadzor
habanja alata jeste što rade unutar zadatih granica i tolerancije koja često na zadovoljavajći način ne
odgovaraju postavljenim zahtevima. Razvoj savremenih sistema za nadzor, koji rade u realnom vremenu,
čini osnovu za praćenje stanja procesa alata i obrade u automatizovanoj proizvodnji. Pri tome, savremeni
dijagnostički sistemi treba da stvore uslove za takvo upravljanje procesom i kvalitetom proizvoda koji se u
praksi naziva “inteligentni” sistem za proizvodnju.
Poznato je da proces obrade u sebi sadrži više različitih i teško kvantificirajućih parametara koji u sprezi sa
dinamikom samog procesa prestavljaju jedan stohastički i nestacionarni proces. Veoma veliki broj
parametara utiče na sam tok odvijanja procesa obrade kao što su: karakteristike materijala obrade, stanje
mašinskog sistema, vibracije koje se javljaju u toku odvijanja procesa obrade i još niz nepoznatih veoma
uticajnih parametara koji zajedno u sprezi otežavaju izradu adekvatnog modela procesa. Ovaj rad se bavi
određivanjem sadržaja signala ulaznog vektora u sistem za nadzor habanja alata, koji se dobija merenjem
ubrzanja vibracija i primenom diskretnih vejvlet transformacija (DWT) na dekompoziciju signala.
1
Mr Aco Antić, Fakultet tehničkih nauka, Novi Sad, tel: +381 21 485 2312, E-mail: antica@uns.ns.ac.yu
Prof. dr Milan Zeljković, Fakultet tehničkih nauka, Novi Sad, tel: +381 21 485 2351, E-mail: milanz@uns.ns.ac.yu,
Prof. dr Janko Hodolič, Fakultet tehničkih nauka, Novi Sad, tel: +381 21 485 2053, E-mail: hodolic@uns.ns.ac.yu
2
Prof. dr Petar B. Petrović, Mašinski fakultet, Beograd, tel: +381 11 E-mail: pbpetrovic@mas.bg.ac.yu
3.52
Kvalitetna informacija o stepenu pohabanosti alata u realnom vremenu predstavlja neophodan uslov za
identifikaciju postojanosti alata. Time se u značajnoj meri podiže kvalitet obradnog procesa.
U periodu do sredine 80-ih godina prošlog veka predložen je niz modela habanja zasnovanih na klasičnim
matematičkim modelima (Bayesov klasifikator, metoda najbližih suseda, linearni diskriminatori, i dr.).
Međutim, pokazalo se da taj proces zbog svoje izrazite nelinearnosti i stohastičnosti vrlo teško može opisati
pomoću klasičnih matematičkih modela. Intenzivnija istraživanja na temu razvoja sistema za nadzor alata za
obradu rezanjem započela su 90-ih godina prošlog veka primenom višesenzorskog pristupa tj. klasifikatora
habanja zasnovanih na algoritmima veštačke inteligencije. Početak istraživanja u ovoj oblasti pretpostavljao
je da bi primena ovih metoda trebala rezultirati industrijski primjenjivim rešnjima nadzora habanja alata za
obradu rezanjem. Među najčešće korišćene algoritme spadaju veštačke neuronske mreže (VNM) i fazi
logika, čija je dominacija danas prisutna i pruža mogućnost dodatnih istraživanja. Razloge značajnije
zastupljenosti ovih modela treba tražiti u mogućnostima modeliranja složenih nelinearnih procesa koji su
često opisani sa nedovoljno informacija, opterećeni različitim vrstama prigušenja i šumova u signalima,
najčešće nastalih zbog same stohastičke prirode procesa habanja, i brze obrade veće količine informacija.
Navedene prednosti dolaze upravo do izražaja u problemima procene stepena pohabanosti alata gde ne
postoji adekvatan matematički model habanja. Osim neuronskih mreža, a u cilju povećanja kvaliteta sistema
za nadzor habanja alata, sproveden je i niz eksperimentalnih istraživanja korišćenjem modela zasnovanih na
fazi logici, a u zadnje vreme sve češće se pojavljuju ideje o njihovoj hibridnoj kombinaciji "neuro-fuzzy"
(NF) modela i fazi neuronskim mrežama (Fuzzy Neural Networks, FNN). Stoga se izdvajanje niza različitih
statističkih parametara iz signala i postizanje dovoljno kvalitetanog skupa međusobno nezavisnih i
relevantnih parametara habanja koji su u stanju u potpunosti identifikovati kompleksnu dinamiku habanja
alata za obradu rezanjem postavlja kao imperativ [2]. Prvi korak je prikupljanje signala nadzora kao što su
sila, vibracije, akustična emisija (AE), temperatura, i/ili struja motora itd. Drugi korak je obrada signala radi
dobijanja niza osobina nadzora. Poslednji korak je klasifikacija, gde se osobine nadzora koriste za
klasifikaciju trenutnog stanja alata uz prethodno definisano stanje alata [1].
Vibracije alata za rezanje tokom obrade nastaju zbog trenja na grudnoj i bočnoj površini alata, nastaje
habanja na reznoj ivici alata, valovitosti obrađivane površine a takođe su povezane i sa spregnutim
zupčanicima u kinemtskom lancu mašine. Istraživanja su pokazala da vibracije struga kao alata u stabilnoj
obradi uglavnom nastaju zbog trenja bočnog dela alata i predmeta obrade. Osnovna frekvencija vibracija
alata je rezonantna frekvencija sistema izazvana trenjem na reznoj ivici. Ubrzanje vibracija je najbolja mera
vibracija kada se pojavljuju na visokim frekvencijama. S obzirom na to da su vibracije alata za rezanje
vibracije visoke frekvencije (tj. iznad 1 kHz), ubrzanje alata je odabrano kao parametar za nadzor habanja
alata [3].
Izrada vrednosne analize za odabir identifikovanih parametara procesa obrade prestavlja značajan udeo u
postupaku određivanja adekvatnosti odabranog parametra. Ovakva analiza javlja se kao adekvatan odgovor i
kompenzacija za praćenje više različitih i stohastičkih parametara kod klasičnih sistema.
[
c j ,k = ∑ x[n ]h j n − 2 j k ] (2)
n
poznatim kao koeficijenti aproksimacije, koji su nisko frekvente mape originalnog diskretnog signala
vremena x[n]. Korišćen je pristup analize višestruke rezolucije, gde je diskretna vejvlet funkcija (ψ) .
t −2jk
[
gj n−2 k = 2 j
] −j / 2
ψ
2 j
(3)
definiše se zajedno sa
3.53
[
d j ,k = ∑ x[n]h j n − 2 j k ] (4)
n
i koristi se za računanje detaljnih (dj,k) koeficijenata, koji su verzije uzoraka originalnog signala i
predstavljaju njegove visoko frekventne varijacije.
Akcelerometar
Merenje ubrzanja vibracija je izvedeno tako što je merača ubrzanja postavljen na bočnu površinu alata u
pravcu aksijalne ose obradka slika 1 (desno). Kabel merača ubrzanja je povezan sa pojačivačem, koji je dalje
povezan sa jedinicom za napajanje i sistemom za akviziciju podataka. Nakon montiranja senzora izvodi se
probno mernje kako bi se proverile veze, odredio opseg pjačanja i dobijeni izlaz sa senzora.
Akvizicija je rađena sa Fs = 80 kHz, rezolucija 12 bit, Ts = 2 sec.
Eksperimenti su vršeni sa parametrima obrade prikazanim u tabeli 1. Cilj eksperimenta je bio da se sagledala
mogućnost konstruisanja prostora osobenosti za karakterizaciju stanja pohabanosti reznog klina na osnovu
signala vibracija. Najčešći pristup obrade signala za nadzor habanja alata jeste da se generišu osobine
velikog broja signala i da se zatim upotrebi strategija odabira parametara kako bi se identifikovale osobenosti
koje su najosetljivije na habanje alata. U praksi postoje četiri pravca generisana prostora osobenosti signala
sa senzora [5]:
- statistička analiza,
- vremenskog analiza,
3.54
- frekvenna analiza, i
- ukpna vremena i frekvenntna analiza (npr. spektrogrami i analiza malih talasa).
Slika 4 Izmereni signal pojasa habanja 0,2 do 0,4mm Slika 5 Ortogonalni prikaz sadržaja signala
3.55
Slika 7 Izmereni signla pojasa habanja Slika 7 Ortogonalni prikaz sadržaja signala
za sva merenja svih merenja
Slika 8 DWT analize rezanja novom plocicom Slika 9 DWT analiza rezanja umereno pohabanom
pločicom, pojas habanja 0.25mm:
Prethodni prikaz spektralnog sastava signala uništio je njegovu vremensku dimenziju i usrednio njegov
spektralni signal u posmatranom intervalu (spektar je 'razmazan' i tako uništeni mnogi sadržaji koji
reprezentuju proces koji ih je generisao). Poređenjem različitih signala iz različitih eksperimenata, odnosno
komparativnom analizom koja podrazumeva poređenje detalja po nivoima, može se prepoznati različiti
karakter signala generisan različitim stanjem reznog klina. Na osnovu tako dobijenih karakteristika može se
konstruisati prostor osobenosti za karakterizaciju stanja pohabanosti reznog klina strugarskog alata.
3.56
Slika 10 DWT analiza rezanja srednje pohabanom Slika 11 DWT analiza rezanja pohabanom pločicom
pločicom pojas habanja 0.55mm pojas habanja 1.25mm
5. ZAKLJUČAK
Na osnovu izvedenih merenja a i na osnovu literaturnih izvora, od kritičnog su značaja sadržaji signala koji
se nalaze u opsegu od 20 do 500 kHz za definisanje sadržaja ulaznog vektora sistema za klasifikaciju stanja
alata. To znači da je u eksperimentalnom smislu nužna kombinacija akcelerometra i senzora akustične
emisije (AE). Za ove eksperimente, da bi se na osnovu sadržaja signala mogla utvrditi adekvatana zavisnost
stanja pohabanosti rezene ivice alata pored AE senzora potrebno je i A/D konverziju podići na 16 bita da bi
signal bio veće rezolutnosti, a takođe povećati i brzinu uzorkovanja od 200 kHz do 1MHz.
6. LITERATURA
[1] Sick, B: On-line and Indirect Tool Wear Monitoring in Turning with Artificial Neural Networks,
Mechanical Systems and Signal Processing No 16(4), pp487 – 546, 2002.
[2] Antić, A., Hodolič, J., Soković, M.: Development of a Neural-Networks Tool-Wear Monitoring System
for a Turning Process, Strojniški vjesnik Journal of Mechanical Engineering, 52(11), pp763-776, ISSN
0039-2480, 2006.
[3] Sharma, V.S., Sharma, S. K.,. Sharma A. K : Cutting tool wear estimation for Turning, J Intell Manuf
No 19, pp99–108, 2007.
[4] Bhattacharyya, P., Sengupta, D., Mukhopadhyay, S.:Cutting force-based real-time estimation of tool
wear in face milling using a combination of signal processing techniques, Mechanical Systems and
Signal Processing 21, pp2665–2683, 2007.
[5] Scheffer, C., Kratz, H., Heyns, P.S., Klocke, F.: Development of a Tool Wear-Monitoring System for
Hard Turning, International Journal of Machine Tools & Manufacture 43, pp 973–985, 2003.
3.57
34. JUPITER KONFERENCIJA
sa međunarodnim učešćem
34th JUPITER CONFERENCE
with foreign participants
ZBORNIK RADOVA
PROCEEDINGS
UNIVERSITY OF BELGRADE
FACULTY OF MECHANICAL ENGINEERING
ZBORNIK RADOVA
PROCEEDINGS
27. simpozijum
CIM U STRATEGIJI TEHNOLOŠKOG
RAZVOJA INDUSTRIJE PRERADE METALA
21. simpozijum
CAD/CAM
30. simpozijum
NU – ROBOTI –FTS
36. simpozijum
UPRAVLJANJE PROIZVODNJOM U
INDUSTRIJI PRERADE METALA
14. simpozijum
MENADŽMENT KVALITETOM
Organizator:
Organizator:
UNIVERZITET U BEOGRADU - MAŠINSKI FAKULTET
Adresa:
Kraljice Marije 16, 11120 Beograd, Srbija
Tel: 011-3370341, Fax: 011-3370364
El. pošta: jupiter@mas.bg.ac.yu
Tehnički urednici:
ISBN 978-86-7083-628-0
ii
34. JUPITER KONFERENCIJA
sa međunarodnim učešćem
ORGANIZACIONI ODBOR
Predsednik:
Prof. dr Petar B. Petrović, MF Beograd
Sekretar:
Asist. mr Mihajlo Popović, MF Beograd
Članovi:
Asist. mr Branko Kokotović, • Asist. mr Božica Bojović, MF Beograd • Asist. mr Saša
Živanović, MF Beograd • Asist. mr Živana Jakovljević, MF Beograd.
iii