75 / 397
Современные технологии и автоматизация в машиностроении
75
нии данных мониторинга, предоставляемых с помощью датчиков, установленных на станке с
ЧПУ, чтобы проследить возникновение и эволюцию возникающих неисправностей узлов и
механизмов.
Предлагаемая система может быть использована для оценки деформации любых ме-
таллорежущих инструментов, таких как резцы, сверла, фрезы, биты инструмента, вращаю-
щихся элементов и многих других.
Функционирование разрабатываемой единой платформы состоит из двух этапов: на
первом происходит прогнозирование зарождения неисправностей «онлайн», второй этап
проводит доскональную диагностику ошибок в «оффлайн» и «онлайн» модулях. На первом
этапе нейро-нечеткий предсказатель используется для того, чтобы принять решение - начать
ремонт по фактическому состоянию, или начать диагностику неисправностей на основе ве-
личины ошибки. Второй этап вступает в действие, только если развивающаяся ошибка выхо-
дит за рамки критического порогового значения, и, как следствие, запускается процесс диаг-
ностики неисправностей. Во время этой фазы метод Байеса и алгоритм фильтрации частиц
используются как интеллектуальная система диагностики неисправностей для определения
их величины, времени возникновения и локализации.
Целесообразность такого подхода была испытана в среде имитационного моделиро-
вания с использованием станка с ЧПУ.
В онлайн-модуле системы признаки неисправностей хранятся в интеллектуальных ба-
зах данных и постоянно подаются в нейро-нечеткий предсказатель, следовательно, это при-
водит к стадии прогнозирования неисправностей. Основной задачей этого этапа является
принятие решения - следует ли продолжить обслуживание по фактическому состоянию или
начинать диагностику неисправностей.
В ситуации, когда величина ошибки ниже определенного порогового значения, при-
нимается решение прекратить обнаружение и классификацию неисправностей. В противном
случае, если параметр ошибки выше предельных значений, то неисправность рассматривает-
ся как критическое состояние и дается команда для начала её диагностики.
Полученные результаты подводят к заключительной фазе, где экспертная система мо-
делируется в вероятностных условиях с помощью динамической байесовской сети. Парамет-
ры вероятностной модели определяются в автономном режиме, и структура модели опреде-
ляется путем изучения структуры дискретной байесовской сети.
Вероятностные отказы каждого станка, основанные на мониторинге, периодически
обновляются, и байесовская сеть используется, чтобы определить инструменты или станки с
высокой вероятностью отказа.
Результаты и обсуждение.
Метод диагностики и прогнозирования неисправностей в
станках с ЧПУ в данной работе был проверен на основе базы данных «Prognostic Data
Challenge 2010» [7], в которой содержится библиотека диагностических признаков неисправ-
ностей высокоскоростного фрезерного станка с ЧПУ.
После того как создана база данных, моделирующая работу семи инструментов, этот
файл открывается в Power Constructor для предварительного создания динамической байе-
совской сети, а затем информация экспортируется в растровый графический редактор Hugin
для наглядного отображения процессов моделирования.
В структуре байесовской сети для станка с ЧПУ инструменты представлены дискрет-
ными переменными, а неисправности - как непрерывные переменные.
Были смоделированы 480 случаев вероятных неисправностей для инструмента под
номером 1. На рис. 1 показана кривая развития неисправности инструмента 1 на основе про-
гнозирования. На рисунке 1 показано, что существует три стадии развития повреждения ин-
струмента, и это подтверждает утверждение о том, что развитие неисправности инструмента
или его повреждение предполагает кривую Гомпертца, где рост медленнее в начале и в конце
периода. Она напоминает логистическую кривую, но не симметричную, а с более пологой
правой частью, то есть замедление роста происходит не так быстро, как происходило его ус-
корение.