Sensor and CNC internal signal evaluation to detect tool and workpiece malfunctions in the drilling process

Abstract

Lehiakortasuna bultzatzeko eta bezeroen eskaera aldakorrei erantzuteko, fabrikazio sektorea Informazio eta Komunikazio Teknologiak (IKT) aprobetxatzen ari da. Mekanizazioa ez da salbuespena, eta mekanizazio prozesuak sare adimentsuago eta konektatuago baterantz doaz ekosistema digital industrial baten parte izateko. Mekanizazio prozesuen konplexutasuna dela eta orain arte aurrerapenak lortu diren arren, oraindik hobetzeko aukerak daude. Testuinguru horretan, mekanizazio prozesuetatik ateratako datuak, material edo erremintarako egoera arriskutsuak aurreikusteko eta prebenitzeko informazio iturri bat izan daitezke. Lan honen ardatz nagusia zulaketa prozesua da. Zulaketa, mekanizatutako atal askotan gehien erabiltzen den operazio kritikoenetakoa da eta produktuaren fabrikazioko azken etapetan egiten denez, akats batek pieza hondatu dezake. Tesi honetan sentsoreek barautzen desgastea eta piezan lortutako zimurtasuna iragartzeko duten gaitasuna aztertzen da datuetan oinarritutako ereduen bidez aipatutako parametroen iragarpena egiteko. Hainbat sentsore instalatu ziren zulatzeko makina batean, baita makinaren barneko seinaleak ere, erremintaren eta mekanizatutako atalen egoeraren zeharkako neurketa emateko. Zulaketa prozesuan gerta litezkeen akatsak identifikatzeko, lortutako datuek parametro fisikoekin dituzten korrelazioek zehazten dute iragarpen ereduak sortzeko gaitasuna. Datuetan oinarritutako ereduetatik lortutako emaitzen analisi estatistikoaren (t-test) bidez, sentsore bakoitzaren gaitasun iragarleari buruzko ezagutza lortu zen. Erremintaren egoera kontrolatzeko sistemetarako bideragarrienak hautatzea bideratuz. Ebaketa prozesuen errepikakortasunaren zehaztasuna funtsezko alderdi bat da mekanizatutako piezaren akabera jakin bat bermatzeko. Mekanizatutako laginen artean, zimurtasunaren ausazko neurketen arabera, zimurtasun profilaren distribuzioari gehien egokitzen zaizkien seinaleen ezaugarrien aukeraketa egiten da. Taldekatze hierarkikoa aplikatuz, aukeratutako ezaugarrien osagai nagusiak aztertuz eta sortutako taldeak irudikatuz, kaltetutako edo ez kaltetutako zuloen bereizketa erakusten da. Mekanizazio prozesuak kontrolatzeko sistemak sarrerako parametroetara egokitzea oinarrizko erronka da sistema horien birkonfigurazio automatikoa lortzeko. Hori dela eta, instalatutako sentsore eta barne seinale bakoitzetik lortutako ezaugarrien osagai nagusien analisian eta t distribuzioan banatutako bizilagunen txertatze estokastikoaren analisiak konparatuz sarrerako parametroak bi dimentsiotan ikustea eta sailkatzea lortzen da.

To boost competitiveness and meet changing customer demands, the manufacturing sector is taking advantage of Information and Communication Technologies (ICT). Machining is no exception, and machining processes are moving toward a more intelligent and connected network to become part of an industrial digital ecosystem. Despite the advances made to date, there are still considerable opportunities for improvement because of the complexity of machining processes. In this context, extracting and analysing data from machining operations can provide valuable information to predict undesirable aspects, and take actions to reduce or prevent them. The machining process taken as the focus of the present work is drilling. Drilling is one of the most commonly used and critical machining operations on many machined components. It is carried out in the last stages of product manufacture, where a mistake can result in a defective part. In this thesis, a comparison and selection of the sensors with the best prediction capacity of tool condition and surface roughness is carried out for the development of data driven models that predict the mentioned parameters of the drilling process. Various sensors were installed on a drilling machine, as well as internal machine signals, to take series of physical measurements of the tool condition and the machined component. The resulting data determines relationships for the creation of predictive models to identify errors that may have occurred in the drilling operation based on acquired signals. Through statistical analysis (t-test) of the results obtained from the data-driven models, insight was gained into the predictive capability of each sensor. The most viable ones for tool condition monitoring systems were then selected. The features of the signals that best adapt to specific surface finish were established. Based on a series of random measurements of the machined surface roughness, a methodology was developed to map the signal features that best suit the roughness distribution of the machined holes. By using hierarchical clustering and principal component analysis of the mapped signal features, clusters are created to identify holes with damaged surfaces. The adaptability of machining process monitoring systems to various input parameters is a fundamental challenge for the automatic reconfiguration of such systems. For this reason the dimensions of the features obtained were reduced to two dimensions using principal component analysis as t-distributed stochastic neighbour embedding to be able to better identify the input parameters.

Para impulsar la competitividad y satisfacer las cambiantes demandas de los clientes, el sector de la fabricación está aprovechando las tecnologías de la información y la comunicación (TIC). El mecanizado no es una excepción, y los procesos de mecanizado están avanzando hacia una red más inteligente y conectada para formar parte de un ecosistema digital industrial. A pesar de los avances logrados hasta la fecha, todavía existen considerables oportunidades de mejora debido a la complejidad de los procesos de mecanizado. En este contexto, la extracción y el análisis de los datos de las operaciones de mecanizado pueden proporcionar información valiosa para predecir los aspectos no deseados y tomar medidas para reducirlos o prevenirlos. El proceso de mecanizado en el que se centra el presente trabajo es el taladrado. El taladrado es una de las operaciones de mecanizado más utilizadas y críticas en muchos componentes mecanizados. Se lleva a cabo en las últimas etapas de la fabricación del producto, donde un error puede dar lugar a una pieza defectuosa. En esta tesis se realiza una comparación y selección de los sensores con mejor capacidad de predicción del estado de la herramienta y de la rugosidad superficial para el desarrollo de modelos basados en datos que predigan los parámetros mencionados del proceso de taladrado. Se instalaron diversos sensores en una máquina de taladrado, así como señales internas de la máquina, para tomar medidas indirectas físicas del estado de la herramienta y del componente mecanizado. Los datos resultantes determinan relaciones para la creación de modelos predictivos que permitan identificar los errores que puedan haberse producido en la operación de taladrado. Mediante el análisis estadístico (prueba t) de los resultados obtenidos de los modelos basados en datos, se obtuvo una visión de la capacidad de predicción de cada sensor. A continuación, se seleccionaron los más viables para los sistemas de monitorización del estado de las herramientas. Se establecieron las características de las señales que mejor se adaptan al acabado superficial específico. A partir de una serie de mediciones aleatorias de la rugosidad de la superficie mecanizada, se desarrolló una metodología para mapear las características de las señales que mejor se adaptan a la distribución de la rugosidad de los agujeros mecanizados. Mediante el uso de la agrupación jerárquica y el análisis de componentes principales de las características de las señales mapeadas, se crean clusters para identificar los agujeros con superficies dañadas. La adaptabilidad de los sistemas de monitorización del proceso de mecanizado a diversos parámetros de entrada es un reto fundamental para la reconfiguración automática de dichos sistemas. Por este motivo, las dimensiones de las características obtenidas se redujeron a dos dimensiones utilizando el análisis de componentes principales como incrustación de vecinos estocásticos distribuidos en t para poder identificar mejor los parámetros de entrada.