Телефон: 8-800-350-22-65
WhatsApp: 8-800-350-22-65
Telegram: sibac
Прием заявок круглосуточно
График работы офиса: с 9.00 до 18.00 Нск (5.00 - 14.00 Мск)

Статья опубликована в рамках: XI Международной научно-практической конференции «Технические науки - от теории к практике» (Россия, г. Новосибирск, 25 июня 2012 г.)

Наука: Технические науки

Секция: Приборостроение, метрология, радиотехника

Скачать книгу(-и): Сборник статей конференции

Библиографическое описание:
Заец С.С., Еськин М.С. СИСТЕМА ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ ПРОЦЕССА МЕХАНИЧЕСКОЙ ОБРАБОТКИ // Технические науки - от теории к практике: сб. ст. по матер. XI междунар. науч.-практ. конф. – Новосибирск: СибАК, 2012.
Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов


Заец Сергей Сергеевич


ассистент, Национальный технический университет Украины «Киевский политехнический институт», Украина, г. Киев.


 E-mail: zss_vp@bigmir.net


Еськин Максим Сергеевич


студент, Национальный технический университет Украины «Киевский политехнический институт», Украина, г. Киев.


E-mail: yeskin_maksym@ukr.net


 


SYSTEM OF PROGNOSTICATION OF THE PROCESS STATE OF TOOLING


Serg Zaeyts


Assistant, National technical university of Ukraine «Kyiv polytechnical institute», Kyiv, Ukraine


Maksim Eskin


Student, National technical university of Ukraine «Kyiv polytechnical institute», Kyiv, Ukraine


 


АННОТАЦИЯ


Рассмотрена эффективность применения методики диагностирования многоцелевых станков, при обработке корпусных деталей приборов, с учетом прогнозирования достоверности перед аварийного или аварийного состояния. И предложена система прогнозирования состояния процесса механической обработки для, увеличения эффективности использования многоцелевых станков.


ABSTRACT


Considered efficiency of application of method of diagnosticating of workcenters, at treatment of cabinet-type details of devices, taking into account prognostication of authenticity before the emergency or emergency state. But the offered system of prognostication of the process state of tooling for, increase of efficiency of the use of workcenters.


 


Ключевые слова: многоцелевой станок; система прогнозирования.


Keywords: workcenter; system of prognostication.


Вступление


На современном этапе развития приборостроения для изготовления сложных деталей используется многофункциональное оборудование в виде станков с числовым программным управлением - ЧПК, обрабатывающих центров. Они имеют весьма большими возможностями по обработке сложных по конструкции деталей, со многими режущими инструментами, в автоматическом режиме без вмешательства рабочих [4].


Многофункциональные станки являются ценными, но имеет значительный недостаток в том, что оно не реагирует на состояние протекания самого процесса механической обработки, не имеет обратной связи технического стану процессом механической обработки, его безотказностью. Это часто приводит к отказам в производстве и аварийных ситуаций на станках.


Во избежание возникновения отказов и для повышения качества изготовления деталей предлагается система прогнозирования состояния процесса механической обработки, которая за счет мониторинга процесса, в реальном времени, следит за техническим состоянием механической обработки деталей, на многоцелевых станках, по результатам которой, и делается прогнозирование достоверности отказа оборудования или инструмента.


1.Постановка задачи


Для многоцелевых станков при оценке их качества работы основную роль исполняют показатели, что связанные с точностью обработки, волнистостью, и шероховатостью поверхностей, обрабатываемых деталей.


Точность станка непосредственно связанная и с основным его показателем - производительностью. Чем больше есть запас по жесткости, тем высшие режимы обработки можно применять на станке, соответственно может быть достигнуто высший уровень производительности.


Для выбора информативных методов диагностирования процессов обработки обосновано использования информационных технологий, которые решают вопрос идентификации дефектов и прогноза их развития на базе не разрушающих методов контроля и функционального диагностирования. Среди информационных технологий функциональной диагностики процессов резания подавляющими являются те, которые строятся на измерении величины сигналов в контрольных точках, и сравнении их с предельными значениями; на частотных технологиях выделения из измеряемого сигнала составляющих в определенных частотных диапазонах и последующий энергетический анализ выделенных составляющих; на спектральных технологиях, которые основаны на узко полосному спектральном анализе сигналов.


Среди методов диагностирования состояния процесса механической обработки, наиболее соответствующими являются методы диагностирования и прогнозирования за измерениями акустического сигнала из зоны обработки [1]. Большинство дефектов начинают влиять на акустический сигнал предварительно к наступлению перед аварийной ситуации. Они могут оказаться на любом этапе жизненного цикла процесса механической обработки детали, и за короткий срок развиться к аварийно опасным значениям.


Для решения вопросов предупреждения, перед аварийных и аварийных состояний, предлагается применять систему прогнозирования, на основе диагностических данных, полученных в реальном времени мониторинга процесса механической обработки на многоцелевом станке.


2. Основные материалы и результаты


Эффективность применения данных для прогнозирования, зависит от достоверности полученных результатов, защищенности от препятствий, и стойкости примененных алгоритмов к изменению отдельных ситуаций в пространстве возможных состояний механического процесса обработки.


В этой связи задачу обработки данных целесообразно сформировать как задачу распознавания образов. При этом, с точки зрения простоты технической реализации, преимущество отдается детерминированному решению. Аппаратурная реализация данных алгоритмов, как и алгоритмов статистических решений, в значительной степени определяется формой представленных параметров (признаков), по которым ведется распознавание.


Процесс механической обработки, как объект контроля, разделяется на ряд функционально не связанных между собой блоков или блоков, функциональными связками которых с достаточной для практики точностью можно пренебречь, тогда является эффективным применение матричного принципа представления пространственного состояния [2].


Матричный метод распознавания в большинстве случаев применяется для диагностирования процессов, и объектов контроля, работоспособность которых с необходимой точностью может быть определена функцией изменения одного из наиболее информативных параметров во времени, или объектов, для оценки работоспособности которых необходимо параллельный съем информации по нескольким параметрам в строго фиксированный момент времени. В данном случае состояние процесса механической обработки описывается системой матриц с числом срок n1, ровным соответственно числу уровней квантования значений амплитуды аналогового сигнала, что снимается из одного датчика системы диагностирования, или числу одновременно фиксированных параметров. Соответственно число столбцов n2 таких матриц принимается ровным числу точек квантования аналогового сигнала по времени, что отвечает одному обороту шпинделя станку или числу фиксированных моментов времени параллельного съема информации из нескольких датчиков диагностирования процесса механической обработки.


Рассмотрим процедуру распознавания состояния процесса механической обработки, соответственно каждое из состояний процесса характеризуется некоторой функциональной кривой, что представляет собой графическое изображение, что непрерывно изменяется по времени уровня напряжения, что снимается из датчика диагностирования состояния механической системы обработки на коротком интервале времени Т.


Соответственно за n принимается суммарное число классов состояний, которые подлежат распознаванию, один из которых характерное для работоспособного состояния процесса, а все другие для процесса, что потерял работоспособность из-за возникновения в нем определенного вида неисправностей, то в общем случае процесс распознавания соответствующего состояния процесса механической обработки будет представлен в виде сравнения фактических результатов функции с каждой из ее эталонных реализаций и процесса нахождения значения функции.


                                              (1)

 

 


где t - независимая переменная;


f1(t) - функция, что характеризует распознавание состояния процесса механической обработки;


fn(t) - функция, которая описывает n классов состояния процесса механической обработки принятых эталоном;


t1 - константа, которая записана в виде переменной и указывает на то, что отношение высчитано в определенной момент времени как для f1(t) так и для fn(t);


Т - интервал времени, что равняется одному обороту шпинделя станка, за который происходит вычет функционалу


φn для каждого из n классов состояния. Величина функции φn является мерой того, что роднит функции, что распознается с одной из n ее реализаций. Состояние, что распознается приписывается до того из n классов состояния, для которого абсолютное значение данного функционалу является минимальным.


Для процесса механической обработки, что имеет дискретный исходный сигнал, предыдущий функционал будет представлен в вид


                                       (2)

 


где n2 - число выборок функции, что распознается в интервале от 0 к Т с дискретностью по времени Т n2;


m - средняя величина сигнала по всем n2 выборкам;


(Uij)p - значение iвыборки j-й функции, что характеризует распознанное состояние процесса механической обработки


(Uil)э - значение iвыборки l-й эталонной функции, что характеризует l-й из n классов состояния процесса механической обработки, принятых за эталон [3].


Дано правило, что следует из выражения 2, исследуется, на распознавании состояния процесса механической обработки, что характеризуется функциональной кривой А, которая приведена на рис. 1 а. На рисунку изображена также кривая Б, что отвечает состоянию принятому за эталон. Для удобства считаем, что предыдущие исходные цепи обеспечивают квантование сигнала, который описывается функцией кривой по амплитуде на 8 уровней (n1=8). На рис. 1 а эти уровни отражаются цифрами от 0 до VIII, что размещении с левая от оси ординат в порядке увеличения амплитуды, и отмеченные горизонтальными штрихуемыми линиями, которые делят вехе ординат (область амплитуд сигнала) на восемь равных частей.


Для определенности считаем, что измерение ординат функциональных кривых А и Б происходит в 20 точках (i=1,2,.,20). При этом, если, амплитуда сигнала в данной точке измерения кривой А есть в области, обозначенной на рис. 1 а цифрой ІV, то на рис. 1 бы под этой точкой проводится вертикальная линия, длина которой принимается ровной четырем единицам. Совокупность амплитуд вертикальных линий, которые изображены на рис. 1 бы, представляют собой совокупность значений (Uij) г. Соответственно совокупность амплитуд вертикальных линий, приведенных на рис. 1 в, является графическим отображением значений (Uil)э функциональной кривой Бы.



Рис. 1 Графическое изображение распознанного, эталонного сигналов и компонент функционалу φ*n


 


При j=l=1 каждый член  выражения (2) будет представлять собой единицу. Выражение  избрано с таким расчетом, чтобы получить значение, ровное единице при пение падении сигнала что распознается с эталонным. В данном случае при n2=20=63 (см. рис. 1 б) и соответственно,  необходимо принять ровным 63. Таким образом, при полном распознавании функции с эталоном будет выполненное условие φ*n=0


Эффективность использования φ*n для оценки степени соответствия функции, что распознается эталонному значению, показанная на рис. 1 а функциональные кривые Но и Бы подобранные так, чтобы они имеют одинаковую среднюю величину, при которые  =63. При этом, как показано на рис. 1, г,  .


На рис. 1 д приведено отношение функциональных кривых А и Б по каждой и точек измерения, а на рис. 1, е - результаты вычисления разности 


Из выражения 2 видно, что все члены указанной разности должны добавляться по абсолютной величине. Потому все амплитуды, которые имеют отрицательный знак инвертируются и представляются в виде, который изображен на рис. 1, ж. Таким образом, при все других ровных условиях произведение абсолютных значений амплитуд позволяет значительно увеличить величину функционалу φ*n и, соответственно, повысить достоверность результатов распознавания.


Выводы


Проводя диагностирование механического процесса обработки на многоцелевом станке, в реальном времени, и проводя процесс распознавания сигнала с эталонным значением, получаем четкую картину состояния протекания процесса, при изменении показателей, которого можем говорить о приближении к перед аварийного или аварийного состояний.


 


Список литературы:


1.А. С. 793723 СССР М. Кл3. В23В 25/06 Способ контроля процесса резания.


2.Трахтман В. Ю. Матричный метод опознания образов и некоторые вопросы построения эталонов – В кн.: «Самообучающиеся автоматические системы». М., «Наука», 1966. С. 53—59.


3.Шибанов Г.П. Распознавание в системах автоконтроля. Москва «Машиностроение», 1973. С. 289—304.


4.Эпштейн В.М., Мановицкий А.С. Алмазное точение труднообрабатываемых силуминовых сплавов - Киев: Знання. 1989. – 26 с.

Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов

Комментарии (1)

# Аноним 25.11.2012 10:47
Плагиат!!!!

Оставить комментарий

Форма обратной связи о взаимодействии с сайтом
CAPTCHA
Этот вопрос задается для того, чтобы выяснить, являетесь ли Вы человеком или представляете из себя автоматическую спам-рассылку.