Hoe een CNC-spindelfout te voorspellen met trillingsanalyse en AI-monitoring

PFT, Shenzhen

 Vroegtijdige detectie van dreigende CNC-spindelfalen is cruciaal voor het minimaliseren van ongeplande stilstand en kostbare reparaties. Dit artikel beschrijft een methodologie die trillingssignaalanalyse combineert met kunstmatige intelligentie (AI) voor voorspellend onderhoud. Trillingsgegevens van operationele spindels onder wisselende belastingen worden continu verzameld met behulp van versnellingsmeters. Belangrijke kenmerken, waaronder statistieken in het tijddomein (RMS, kurtosis), componenten in het frequentiedomein (FFT-spectrumpieken) en tijd-frequentiekarakteristieken (wavelet-energie), worden geëxtraheerd. Deze kenmerken dienen als input voor een ensemble machine learning-model dat Long Short-Term Memory (LSTM)-netwerken combineert voor temporele patroonherkenning en Gradient Boosting Machines (GBM's) voor robuuste classificatie. Validatie op datasets van hogesnelheidsfreescentra toont het vermogen van het model aan om zich ontwikkelende lagerfouten en onbalans tot 72 uur voor functioneel falen te detecteren met een gemiddelde precisie van 92%. De aanpak biedt een aanzienlijke verbetering ten opzichte van traditionele drempelgebaseerde trillingsmonitoring, waardoor proactieve onderhoudsplanning en verminderd operationeel risico mogelijk worden.

1 Inleiding

CNC-bewerkingsmachines vormen de ruggengraat van moderne precisiefabricage. De spil, wellicht de meest kritieke en dure component, heeft directe invloed op de bewerkingsnauwkeurigheid, de oppervlakteafwerking en de algehele productiviteit. Plotselinge spiluitval leidt tot catastrofale stilstand, afgekeurde werkstukken en dure noodreparaties, die fabrikanten duizenden per uur kosten. Traditionele preventieve onderhoudsschema's, gebaseerd op vaste tijdsintervallen of eenvoudige runtime-tellers, zijn inefficiënt – mogelijk worden gezonde componenten vervangen of dreigende storingen gemist. Reactief onderhoud na uitval is onbetaalbaar duur. Bijgevolg heeft Condition-Based Monitoring (CBM), met name trillingsanalyse, aan belang gewonnen. Hoewel effectief voor het identificeren van ernstige fouten, worstelt conventionele trillingsmonitoring vaak met de vroege detectie van beginnende storingen. Dit artikel presenteert een geïntegreerde aanpak die geavanceerde trillingssignaalverwerking combineert met AI-gestuurde analyses om spiluitval ruim van tevoren nauwkeurig te voorspellen.

2 Onderzoeksmethoden

2.1 Ontwerp en data-acquisitie

De belangrijkste doelstelling is het identificeren van subtiele trillingskenmerken die wijzen op vroegtijdige degradatie vóór catastrofaal falen. Gegevens werden verzameld van 32 precisie-CNC-freespindels die gedurende 18 maanden in een 3-ploegendienst auto-onderdelen produceerden. Piëzo-elektrische versnellingsmeters (gevoeligheid: 100 mV/g, frequentiebereik: 0,5 Hz tot 10 kHz) werden radiaal en axiaal op elke spilbehuizing gemonteerd. Data-acquisitie-eenheden bemonsterden trillingssignalen met 25,6 kHz. Operationele parameters (spilsnelheid, belastingkoppel, aanvoersnelheid) werden gelijktijdig geregistreerd via de OPC UA-interface van de CNC.

2.2 Feature Engineering

Ruwe trillingssignalen werden gesegmenteerd in perioden van 1 seconde. Voor elke periode werd een uitgebreide set kenmerken geëxtraheerd:

• Tijddomein: Root Mean Square (RMS), Crest Factor, Kurtosis, Scheefheid.

• Frequentiedomein (FFT): Dominante piek-amplitudes & frequenties binnen karakteristieke lagerfoutbanden (BPFO, BPFI, FTF, BSF), totale energie in specifieke banden (0-1kHz, 1-5kHz, 5-10kHz), spectrale kurtosis.

• Tijd-Frequentiedomein (Wavelet Packet Transform - Daubechies 4): Energie-entropie, relatieve energieniveaus in ontbindingsknooppunten geassocieerd met foutfrequenties.

• Operationele context: Spilsnelheid, belastingpercentage.

2.3 AI-modelontwikkeling

Er werd een ensemble-modelarchitectuur gebruikt:

1. LSTM-netwerk: Verwerkte reeksen van 60 opeenvolgende 1-seconde featurevectoren (d.w.z. 1 minuut operationele data) om temporele degradatiepatronen vast te leggen. De LSTM-laag (64 eenheden) leerde afhankelijkheden over tijdstappen.

2. Gradient Boosting Machine (GBM): Ontving dezelfde op minuutniveau geaggregeerde kenmerken (gemiddelde, standaarddeviatie, max) en de outputtoestand van de LSTM. De GBM (100 bomen, maximale diepte 6) leverde een hoge classificatierobustheid en inzichten in de kenmerkbelangrijkheid.

3. Uitvoer: Een sigmoid neuron dat de waarschijnlijkheid van falen binnen de volgende 72 uur aangeeft (0 = Gezond, 1 = Hoge faalkans).
   Training & Validatie: Gegevens van 24 spindels (inclusief 18 faalgebeurtenissen) werden gebruikt voor training (70%) en validatie (30%). Gegevens van de overige 8 spindels (4 faalgebeurtenissen) vormden de testset. Modelgewichten zijn op aanvraag beschikbaar voor replicatiestudies (onderhevig aan NDA).

3 Resultaten en analyse

3.1 Voorspellende prestaties

Het ensemble-model presteerde aanzienlijk beter dan traditionele RMS-drempelwaarden en single-model benaderingen (bijv. SVM, basic CNN) op de testset:

• Gemiddelde precisie: 92%

• Recall (foutdetectiepercentage): 88%

• Vals alarmpercentage: 5%

• Gemiddelde doorlooptijd: 68 uur
  Tabel 1: Prestatievergelijking op testset
  | Model | Gem. precisie | Recall | Vals alarmpercentage | Gemiddelde doorlooptijd (uren) |
  | :------------------- | :------------- | :----- | :--------------- | :------------------- |
  | RMS-drempelwaarde (4 mm/s) | 65% | 75% | 22% | < 24 |
  | SVM (RBF-kernel) | 78% | 80% | 15% | 42 |
  | 1D CNN | 85% | 82% | 8% | 55 |
  | Voorgesteld ensemble (LSTM+GBM) | 92% | 88%| 5% | 68 |

3.2 Belangrijkste bevindingen en innovatie

• Vroege signaaldetectie: Het model identificeerde op betrouwbare wijze subtiele toenames in hoogfrequente energie (5-10 kHz band) en stijgende kurtosis-waarden 50+ uur voor functioneel falen, wat correleert met de initiatie van microscopische lagerbeschadiging. Deze veranderingen werden vaak gemaskeerd door operationele ruis in standaardspectra.

• Contextgevoeligheid: Analyse van de kenmerkbelangrijkheid (via GBM) bevestigde de cruciale rol van de operationele context. Foutkenmerken manifesteerden zich anders bij 8.000 RPM versus 15.000 RPM, wat de LSTM effectief leerde.

• Superioriteit ten opzichte van drempelwaarden: Eenvoudige RMS-monitoring leverde onvoldoende doorlooptijd op en genereerde frequente valse alarmen tijdens operaties met hoge belasting. Het AI-model paste de drempelwaarden dynamisch aan op basis van de bedrijfsomstandigheden en leerde complexe patronen.

• Validatie: Figuur 1 illustreert de outputwaarschijnlijkheid van het model en de belangrijkste trillingskenmerken (Kurtosis, Hoogfrequente energie) voor een spil die een lagerfout in de buitenste loopbaan ontwikkelt. Het model activeerde een waarschuwing (Waarschijnlijkheid > 0,85) 65 uur voor volledige blokkering.

4 Discussie

4.1 Interpretatie

De hoge voorspellende nauwkeurigheid komt voort uit het vermogen van het model om multi-domein trillingskenmerken binnen hun operationele context samen te voegen en temporele degradatietrajecten te leren. LSTM-lagen legden effectief de progressie van foutkenmerken in de loop van de tijd vast, een dimensie die vaak over het hoofd wordt gezien in momentopname-analyses. De dominantie van hoogfrequente energie en kurtosis als vroege indicatoren sluit aan bij de tribologietheorie, waarbij beginnende oppervlaktedefecten transiënte spanningsgolven genereren die hogere frequenties beïnvloeden.

4.2 Beperkingen

• Gegevensbereik: De huidige validatie is voornamelijk gericht op lager- en onbalansfouten. Prestaties bij minder voorkomende storingen (bijv. motorwikkelingsfouten, smeerproblemen) vereisen verder onderzoek.

• Sensorafhankelijkheid: Nauwkeurigheid is afhankelijk van de juiste montage en kalibratie van de versnellingsmeter. Sensorafwijking of -schade kan de resultaten beïnvloeden.

• Computationele belasting: Real-time analyse vereist edge computing-hardware in de buurt van de machine.

4.3 Praktische implicaties

• Minder stilstand: Proactieve waarschuwingen maken onderhoudsplanning tijdens geplande stops mogelijk, waardoor verstoringen worden geminimaliseerd.

• Lagere kosten: Voorkomt catastrofale schade (bijv. vernietigde spilassen), vermindert de behoefte aan reserveonderdelen (just-in-time vervanging) en optimaliseert de onderhoudsarbeid.

• Implementatie: Vereist een initiële investering in sensoren, edge gateways en software-integratie. Cloudgebaseerde oplossingen komen op, waardoor de barrières voor kleinere fabrikanten worden verlaagd. ROI wordt doorgaans binnen 6-12 maanden bereikt voor spindels met een hoge bezettingsgraad.

5 Conclusie

Deze studie toont de effectiviteit aan van het integreren van uitgebreide trillingskenmerkextractie met een LSTM-GBM ensemble AI-model voor de vroege voorspelling van CNC-spiluitval. De aanpak bereikt een hoge precisie (92%) en een aanzienlijke doorlooptijd (gem. 68 uur), wat de traditionele trillingsmonitoringmethoden aanzienlijk overtreft. Belangrijke innovaties zijn onder meer de fusie van multi-domeinkenmerken, expliciete modellering van temporele degradatiepatronen via LSTM en robuustheid die wordt geboden door GBM ensemble learning.