Tool Wear Monitoring via the Fusion of Cutting Force Coefficients and Fractal Features of Cutting Force Signal

Technische Samenvatting: Gereedschapsslijtagebewaking via de Fusie van Snijkrachtcoëfficiënten en Fractale Kenmerken

Probleemstelling
Gereedschapsslijtage tijdens freesbewerkingen brengt de kwaliteit en efficiëntie van het verspanen aanzienlijk in gevaar, wat vaak leidt tot gereedschapsscheuring en substantiële economische verliezen. Hoewel snijkraftermelsignalen rijk zijn aan slijtagegerelateerde informatie, genereren hun hoge bemonsteringsfrequenties grote, redundante datasets die ongeschikt zijn voor directe schatting. Effectieve bewaking vereist de extractie van laagdimensionale, discriminerende kenmerken. Bestaand onderzoek heeft twee verschillende aspecten van het snijkraftermgesignaal grotendeels geïsoleerd behandeld: de regelmatige patronen gevangen door snijkrachtcoëfficiënten (afgeleid van mechanistische modellen) en de onregelmatige fluctuaties gekarakteriseerd door fractale analyse. Het artikel stelt dat het vertrouwen op slechts één van deze perspectieven de precisie van de bewaking beperkt, aangezien het snijproces inherent zowel regelmatige fysieke interacties als onregelmatig dynamisch gedrag bevat.

Methodologie
De studie stelt een nieuw bewakingskader voor dat regelmatige en onregelmatige kenmerken fuseert die zijn geëxtraheerd uit drieledige snijkraftermgesignalen, verwerkt via een Bayesiaans inferentiesysteem.

1. Kenmerkextractie:

   • Snijkrachtcoëfficiënten (Regelmatige Kenmerken): Er wordt een mechanistisch zes-parameters snijkrachtmodel toegepast. Dit model relateert de instantane ongesneden chipdikte aan de snijkrachten via afschuif- en wrijvingscoëfficiënten in de tangentiële, radiale en axiale richtingen. Zes coëfficiënten ($K_{t,s}, K_{r,s}, K_{a,s}, K_{t,f}, K_{r,f}, K_{a,f}$) worden geïdentificeerd met behulp van een kleinste-kwadratenalgoritme toegepast op de ruwe krachtsignalen. Deze coëfficiënten weerspiegelen de systematische verdeling van krachten over de contactzones tussen gereedschap-chip en gereedschap-werkstuk.
   • Fractale Kenmerken (Onregelmatige Kenmerken): Om de onregelmatigheid van het signaal te vangen, maakt de studie gebruik van de correlatiedimensie ($D_c$). In tegenstelling tot box- of regularisatie-dimensies wordt de correlatiedimensie als effectiever beschouwd voor het karakteriseren van signaalonregelmatigheid. De auteurs reconstrueren de faseruimte van de snijkraftermgesignalen en berekenen de correlatiedimensie voor de drie krachtcomponenten ($F_x, F_y, F_z$). Een inbeddingsdimensie van 80 is geselecteerd op basis van stabiliteitsanalyse, en de dimensie wordt berekend door de logaritme van de correlatie-integraal lineair te fitten binnen een specifiek schaalbereik.

2. Fusie en Schatting:

   • De negen geëxtraheerde kenmerken (6 coëfficiënten + 3 correlatiedimensies) worden geïntegreerd met behulp van een Naïeve Bayesiaans Netwerk.
   • Het netwerk behandelt de gereedschapsslijtagesituatie (vlakverslijting, $VB$) als een verborgen knoop en de negen kenmerken als observeerbare knopen.
   • Een sequentiële schattingsaanpak wordt geïmplementeerd waarbij de a priori waarschijnlijkheid van de huidige slijtagesituatie wordt bijgewerkt op basis van de posterior waarschijnlijkheid van de vorige staat. Dit maakt het systeem in staat om zowel de instantane kenmerkgegevens als de temporele evolutie van de gereedschapsslijtage te incorporeren, wat de robuustheid tegen ruis verbetert.
   • De uiteindelijke slijtingsschatting wordt bepaald via de Maximum A Posteriori (MAP) waarschijnlijkheid.

Experimentele Validatie
De methodologie werd gevalideerd met de PHM2010 Prognostic Health Monitoring competitie dataset.

• Opstelling: Hogesnelheids CNC-frezen van Inconel 718 (en roestvrij staal in sommige contexten) met 6mm kogelkop carbide gereedschappen.
• Data: Drie-kanaals snijkraftermgesignalen (50 kHz bemonsteringsfrequentie) van experimenten C1, C4 en C6.
• Protocol: Een kruisvalidatiestrategie werd gebruikt waarbij twee experimenten dienden als trainingsdata om netwerkparameters te leren, en het derde experiment diende als testdata. Deze cyclus werd drie keer herhaald.

Belangrijkste Resultaten

• Gedrag van Kenmerken: Naarmate de gereedschapsslijtage vorderde, namen de snijkrachtcoëfficiënten (zowel afschuiving als wrijving) consistent toe, wat wijst op hogere wrijving en veranderingen in de krachtverdeling. Omgekeerd namen de correlatiedimensies af, wat aangeeft dat de snijkraftermgolf gladder en regelmatiger werd naarmate de gereedschapstip boter werd.
• Nauwkeurigheid van Bewaking: De fusiemethode vertoonde een superieure prestatie vergeleken met standalone benaderingen.
  • De fusiemethode behaalde relatieve nauwkeurigheidsverbeteringen van 5,6% ten opzichte van de coëfficiëntgebaseerde methode en 9,8% ten opzichte van de fractale methode.
  • Specifieke foutpercentages ($Er$) voor de fusiemethode over de testgevallen (C1, C4, C6) waren respectievelijk 5,09%, 5,49% en 5,59%, welke lager waren dan de fouten geproduceerd door het gebruik van elk kenmerkenset alleen.

Betekenis en Claims
Het artikel claimt dat de primaire bijdrage ligt in de complementaire integratie van regelmatige en onregelmatige signaalcharacteristics. Door te erkennen dat gereedschapsslijtage zowel systematische veranderingen in krachtverdeling (gevangen door coëfficiënten) als veranderingen in signaalonregelmatigheid (gevangen door fractale dimensies) induceert, biedt de voorgestelde hybride aanpak een meer uitgebreide karakterisering van de slijtingssituatie. De studie concludeert dat deze fusie, verwerkt via een Bayesiaans kader dat rekening houdt met de evolutie van slijtage, de precisie van online gereedschapsslijtagebewaking aanzienlijk verbetert vergeleken met methoden die vertrouwen op een enkel type kenmerk.