Obróbka Skrawaniem 10 Diagnostyka Stanu Narzędzia I Procesu Skrawania

krzysztof.jemielniak@pw.edu.
pl
Prof. Krzysztof Jemielniak http://www.zaoios.pw.edu.pl/kjemiel
Obróbka Skrawaniem -
podstawy, dynamika, diagnostyka
10. Diagnostyka stanu narzędzia i

procesu skrawania
Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania

Zakład Automatyzacji i Obróbki Skrawaniem
Plan wykładu Obróbka skrawaniem
1. Wstęp
2. Pojęcia podstawowe
3. Geometria ostrza
4. Materiały narzędziowe
5. Proces tworzenia wióra
6. Siły skrawania
7. Dynamika procesu skrawania
8. Ciepło w procesie skrawania, metody chłodzenia
9. Zużycie i trwałość ostrza
10. Diagnostyka stanu narzędzia i procesu
skrawania
Diagnostyka stanu narzędzia i procesu strony 276-335
skrawania
11. Skrawalność
12. Obróbka materiałów stosowanych w przemyśle
lotniczym
Politechnika Warszawska, Wydział Inżynierii Produkcji,
Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 2
10 Diagnostyka stanu narzędzia i procesu
skrawania
Wprowadzenie
• Wprowadzenie dodoDNiPS
DNiPS
• Wielkości fizyczne wykorzystywane w DNiPS
• Czujniki stosowane w DNiPS
• czujniki sił i wielkości pochodnych
• czujniki emisji akustycznej i drgań
• Przetwarzanie sygnałów w DNiPS
• wstępna obróbka sygnałów
• wyznaczanie miar sygnałów w dziedzinie czasu
• miary sygnałów w dziedzinie częstotliwości i czasu-częstotliwości
• selekcja miar sygnałów
• Integracja miar, podejmowanie decyzji – diagnostyka naturalnego
zużycia ostrza
• diagnostyka zużycia ostrza w oparciu o jedną miarę sygnału
• diagnostyka zużycia ostrza w oparciu o integrację miar sygnałów
• Wykrywanie katastroficznego stępienia ostrza
Potrzeba automatycznej diagnostyki
Teoretyczny
100%
czas pracy
druga soboty,
22%
zmiana niedziele,
34% święta
trzecia 5.3% ustawienia i obsługa
zmiana 22%
przestoje z przyczyn
6.7 ludzkich i technicznych
Rzeczywisty
10%
czas pracy
75% odzyskane
dzięki diagnostyce
druga zmiana 15%
trzecia zmiana 15% 20% automatyczna obróbka

w soboty, niedziele i święta
65%
Rzeczywisty czas pracy z automatyczną
diagnostyką

Zadnia układów DNiPS
 Diagnostyka procesu obróbki
o diagnozowanie stanu narzędzi skrawających:
• wykrywanie katastroficznego stępienia ostrza (KSO) – wykruszenia, wyłamania
• diagnostyka zużycia ostrza (wykrywanie końca okresu trwałości),
• wykrywanie brakującego narzędzia
o diagnostyka postaci wióra, i jego usuwania
o diagnostyka przedmiotu
• dokładność wymiarowo-kształtowa,
• stan warstwy wierzchniej, uszkodzenia termiczne
• powstawania zadziorów,
• wykrywanie śladów drgań samowzbudnych
o wykrywanie drgań samowzbudnych
 Diagnostyka stanu obrabiarki
o wykrywanie kolizji i przeciążeń
o wykrywanie zużycia, awarii
o …
Kolizja
Kolizja to niepożądane zderzenie zespołów obrabiarki,

narzędzia lub przedmiotu spowodowanych ich
wzajemnymi przemieszczeniami
72% zawinione przez człowieka!

Kolizja
Powody uszkodzenia wrzeciona obrabiarki:

inne
smarowanie
wycieki
kolizja
zużycie
H. Cao et al. Int.J. of Machi.Tools&Manuf. 112 (2017) 21–52

Koszt kolizji

Zakres zastosowań DNiPS

Struktura logiczna układu nadzoru narzędzia i PS
NADZÓR
AKCJA !
DIAGNOSTYKA
czujniki
rozkaz
sygnały
przetwarzanie
sygnałów
miary
sygnałów
integracja miar,
filtry, statystyka, diagnoza
FFT, RMS,...
MONITOROWANIE

Struktura sprzętowa układu DNiPS
układy wstępnego
przygotowania
czujniki sygnału Układy DNIPS Wirtualne układy
Charge Amplifier -
Czujnik sił KISTLER 5073A311 DNIPS
skrawania
CNC
KISTLER 9017C
NORDMANN
Czujnik drgań Piezotron® coupler 5108A.

KISTLER
8763B050AB
Montronix
AE Piezotron
Czujnik emisji coupler 5125B2
akustycznej
KISTLER
8152C00505 ADONIS

skrawania
• Wprowadzenie do DNiPS
• Wielkości
Wielkości fizyczne
fizyczne wykorzystywane
wykorzystywane w DNiPS
zużycia ostrza
Przebieg zużycia i sił skrawania
Jemielniak K. i in., Automatyczna diagnostyka stanu narzędzia w

operacjach tokarskich, CPBP 02.04- 04.02-02,1990.

Porównanie przebiegów zużycia ostrza w
funkcji czasu skrawania i dFf
Jemielniak K, Automatyczna diagnostyka stanu narzędzia i procesu skrawania,

Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, 2002

Siły osiowe i momenty obrotowe uzyskane
przy użyciu wierteł ostrych i stępionych
Ketteler G., Influence on Monitoring Systems Which Affect their Relability, Proc. of the 2nd Int.
Workshop on Intelligent Manufacturing Systems, Leuven, Belgium, 768-777, 1999.
Typowy przebieg sił skrawania dla ostrego i
stępionego frezu
Narzędzie ostre
Narzędzie stępione
A. Al-Habaibeh, et al., Modern Developments in Sensor Technology and

their Applications in Condition Monitoring of Manufacturing Processes, AC’04
Emisja akustyczna – definicja
Emisja akustyczna to zanikająca fala sprężysta, będąca

efektem gwałtownego wyzwolenia energii wiązań
wewnętrznych, naruszanych przez odkształcenia, pękanie i
przemiany fazowe (wzrost mikro szczelin, ruch grup
dyslokacji) w materiale.
Poglądowe przedstawienie szczeliny w próbce i związanej z tym

generacji emisji akustycznej

Źródła emisji akustycznej (AE) w procesie
skrawania
• ścinanie i plastyczna deformacja materiału obrabianego (3,4)

• pękanie materiału obrabianego i narzędzia (1,8)
• tarcie pomiędzy materiałem obrabianym, narzędziem i wiórem (2,3,5)
• uderzenia i pęknięcia wiórów (6,7) Moriwaki T., Detection for Cutting Tool Fracture by Acoustic
Emission Measurement, Anals of the CIRP, 29/1(1980),35.

Sygnał emisji akustycznej w trakcie wybuchu
Jednostką AE jest volt!

Typowy przebieg AE dla ostrego i stępionego
frezu
Narzędzie ostre
Narzędzie stępione
A. Al-Habaibeh, et al., Modern Developments in Sensor Technology and

their Applications in Condition Monitoring of Manufacturing Processes, AC’04

Przebieg AE przy wierceniu aż do złamania
wiertła
Sygnał AE zmierzony na stole obrabiarki przy wierceniu otworu Ø 3mm czujnikiem SEA
Wzrost AE w czasie wiercenia

ostatnich 4 otworów
wyłamanie wyłamanie
emisja akustyczna (dB)
emisja akustyczna (dB)

wiertło stępione wiertło stępione
Ostatni otwór
wiercony
normalnie
czas (s) czas (s)

Nadzorowanie toczenia diamentowego
(a) Polarny wykres sygnału AERMS przy obróbce polikrystalicznej miedzi.
(b) Mikrofotografia tego samego przedmiotu wytrawiona chemicznie

Lee, D.E., IJMachTools&Manuf. 46/2:176-188.

Drgania: monitorowanie trwałości wierteł
małej średnicy
König W., Ketteler G., Research on Tool Condition Monitoring in Europe - State of the Art and Future Prospects, 1994.

Hałas: diagnostyka zużycia ostrza
Wpływ zużycia ostrza i parametrów skrawania na

ciśnienie akustyczne przy toczeniu Kopac J., Sali S., J. Mat Process Techno, 113, 312-316, 2001

skrawania
• Czujniki
Czujniki stosowane
stosowaneww DNiPS
DNiPS
zużycia ostrza
Czujniki stosowane w handlowych układach
DNiPS
Czujniki stosowane w układach DNiPS są z reguły specjalnie do nich dedykowane,
przy-stosowane do trudnych warunków panujących w strefie skrawania, a więc
odporne na chłodziwo, uderzające wióry.
W tabeli niżej zestawiono typy czujników oferowanych przez czołowych producentów
komercyjnych układów MiNOS

Zalecane zastosowania czujników w układach AUMON
zalecane możliwe nie zalecane

skrawania
zużycia ostrza
Siłomierze laboratoryjne do pomiaru sił
skrawania

Przemysłowe czujniki mocy

Zastosowanie czujników mocy do wiercenie

Zakłócenia wpływające na sygnał czujnika mocy

Czujnik odkształceń powierzchni obrabiarki

Czujnik siły posuwowej w oprawie łożyska
śruby tocznej
a) przekrój wewnętrzny, b) usytuowanie czujnika na śrubie pociągowej tokarki NC

Czujnik sił – sposób montażu

Czujnik sił – przykład instalacji
Czujnik sił

Płyta pomiarowa pod głowicą narzędziową
płyta
pomiarowa

Czujniki momentu i siły osiowej
tensometry
układ
elektroniczny
rotor stator
oprawka

Czujnik momentu i siły osiowej
rotor stator

Czujnik sił zintegrowany z wrzecionem
H. Cao et al. Int.J. of Machi.Tools&Manuf. 112 (2017) 21–52

skrawania
zużycia ostrza
Budowa czujnika AE i czujnika drgań
przetwornik piezoelektryczny
masa sejsmiczna
czujnik AE
czujnik drgań
diafragma

Przemysłowe czujniki drgań i AE
Kistler Prometec
czujnik drgań czujniki AE czujnik drgań czujnik AE
10  6000 Hz 50  400 kHz 100  80 000 Hz 8  800 kHz
100  900 kHz
Montronix
Nordman
0.1Hz-500kHz 0  1 MHz

Badanie charakterystyk czujników AE – test
Nilsena i Hsu, ASTM Standard E976-84
AE
Stanowisko do badań charakterystyk czujników AE

zbudowane w ITM PW
Badanie charakterystyk czujników AE

Charakterystyki czujników AE firmy Kistler
podane przez producenta
50-400kHz
100-900kHz
otrzymane w ZAOiOS PW

Wpływ drogi sygnału AE na jego przebieg

Wpływ drogi sygnału AE na jego
charakterystykę
-10
dB
-20
-30
-40
-50
-60
0 250 500 750 1000
częstotliwość (kHz)

Czujniki AE wykorzystujące przenoszenie
sygnału przez chłodziwo

skrawania
Przetwarzaniesygnałów
• Przetwarzanie sygnałówwwDNiPS
DNiPS
zużycia ostrza
Przetwarzanie sygnałów w MiNOS
• Sygnały analogowe pochodzące z czujnika są sygnały
analogowe
zwykle poddawane wstępnej obróbce
analogowej jak filtrowanie, wzmocnienie i wstępna obróbka Przetwarzanie
sygnałów sygnałów
zamianę na postać cyfrową (szeregi czasowe)
(filtrowanie, A/C)
• Sygnały cyfrowe w dziedzinie czasu mogą
sygnały cyfrowe w dziedzinie czasu Transformacja
poddane transformacji do dziedziny do dziedziny
częstotliwości
częstotliwości wyznaczanie sygnały cyfrowe w (FFT, STFT,
dziedzinie
miar sygnałów WT)
częstotliwości
• Oba typy sygnałów (w dziedzinie czasu i
wszystkie
miary
częstotliwości są poddawane przetwarzaniu w
celu wyznaczenia cech (miar) sygnału wybór miar
mogących posłużyć jako symptomy. miary sygnałów

skorelowane z
• Miar tych może być bardzo wiele, większość monitorowanym
zjawiskiem
nieprzydatnych.
• Niezbędny jest wybór miar skorelowanych z Wybrane miary służą do podejmowania
monitorowanym zjawiskiem. decyzji o stanie procesu
Teti R., Jemielniak K., et al., Advanced monitoring of machining operations, CIRP Annals, 59(2010), 2, 717–739

skrawania
zużycia ostrza
Typowy układ przygotowania sygnału AE firmy
Kistler
RMS
0,1-120 ms
• Sygnał z czujnika jest wstępnie wzmacniany

• Następnie poddawany jest filtrowaniu górno i dolno-
przepustowemu
• Kolejnym krokiem może być demodulacja sygnału AE czyli
wyznaczanie wartości skutecznej AERMS
• Możliwe jest także zliczanie wybuchów AERMS
Przygotowanie sygnału AE – filtrowanie górno-
przepustowe
RMS
0,1-120 ms
przedwzmacniacz
Sygnał z przedwzmacniacza
• Sygnał z przedwzmacniacza może zwierać
AEraw (V)
wysokie składowe o częstotliwościach
znacznie niższych niż interesujące pasmo
(powyżej ok 100 kHz), tu 18kHz
Sygnał po filtrowaniu górno-
• Oznacza to niewykorzystanie dostępnego przepustowym 100 kHz
AEraw (V)
zakresu pomiarowego
• Po przefiltrowaniu górnoprzepustowym 100
kHz pozostaje tylko interesujący sygnał

Waga filtrowania GP przy posługiwaniu się AERMS
Sygnał AE otrzymany z szerokopasmowego Wybrane fragmenty i ich
czujnika BK 8312 bez filtrowania:
widma
trzy wybuchy o podobnej amplitudzie

Wynik filtrowania górnoprzepustowego
Sygnał AE otrzymany z szerokopasmowego czujnika Brüel&Kjær 8312
po filtrowaniu górno i dolno przepustowym (150 kHz i 500 kHz):
dwa wybuchy o różnej amplitudzie

Przygotowanie sygnału AE – filtrowanie dolno-
przepustowe
RMS
0,1-120 ms
przedwzmacniacz
• Filtrowanie dolnoprzepustowe prowadzi się w celu eliminacji

składowych wysoko częstotliwościowych mogących
pochodzić od zakłóceń elektrycznych
• Należy także wyeliminować składowe wyższe od połowy
częstotliwości próbkowania by uniknąć alasingu

Przygotowanie sygnału AE – demodulacja
• Surowy sygnał AEraw ma składowe o częstotliwościach sięgających

1MHz
• To oznacza, że częstotliwość próbkowania musi być co najmniej ok
2Ms/s (mega samples/second - miliony próbek na sekundę)
• To nie tylko trudne ale także prowadzi do ogromnej ilości danych,
trudnych do obsługi
• Stąd w większości przypadków w MiNOS stosuje się demodulację
sygnału, czyli wyznaczenie jego obwiedni
Przygotowanie sygnału AE – demodulacja
AEraw (V)
• Tu mamy fragment surowego sygnału AEraw…
AEraw (V) • …będący fragmentem wybuchu
AERMS (V) • Tu widzimy obwiednię sygnału surowego, i wybuch
Demodulację sygnału można przeprowadzić przez wyznaczenie wartości skutecznej:

1 𝑡2 2
𝐴𝐸𝑅𝑀𝑆 = න 𝐴𝐸𝑟𝑎𝑤 𝑡 d𝑡 𝜏 = 𝑡2 − 𝑡1 - stała całkowania
𝜏 𝑡1
Demodulacja sygnału AEraw
AEraw AEraw
AERMS
AERMS
AEraw AEraw
AERMS
AERMS
Częstotliwość próbkowania AERMS może być 100x mniejsza niż AEraw!

Wpływ stałej całkowania wartości skutecznej
AE na przebieg sygnału
sygnał oryginalny (surowy)
AEraw (V)
~2,5ms ~2,5ms ~2,5ms

AERMS otrzymany analogowo,
AERMS (V) RMS = 1,2 ms.
t (ms)
Jak widać, AERMS osiąga maksimum ok 2,5 ms później niż czas

narastania sygnału wybuchu jest w przybliżeniu równy dwóm stałym
całkowania, stąd RMS = 1.2 ms przy wybuchach trwających ok 2 ms
jest zdecydowanie za duża
Stała całkowania przy wyznaczaniu wartości skutecznej powinna być o

rząd wielkości niższa niż czas trwania wybuchu
Wpływ stałej całkowania wartości skutecznej
AE na przebieg sygnału
Firma Kistler oferuje stałe całkowania 0,12ms, 1,2ms oraz 120 ms
• Jeśli chcemy analizować, zliczać wybuchy

trwające ok. 2 ms, zastosujmy stałą
całkowania RMS = 0,12 ms
• Stała RMS = 1,2 ms nie ma tu sensu –

zniekształca wybuchy
• Jeśli chcemy obserwować tylko średnią wartość

AERMS wtedy najlepsza będzie RMS = 120 ms,

Potrzeba wyboru fragmentów sygnałów
Pojedyncza operacja składa się z kolejnych Sygnał czujnika siły Fo w czasie
ruchów ustawczych i posuwów roboczych wykonywania kolejnych otworów
Tylko posuw roboczy jest interesujący z
punktu widzenia diagnostyki 150
100
chyba że chodzi o wykrywanie kolizji 50
Posuw roboczy jest sygnalizowany przez 0
układ sterowania obrabiarki -50
-100
W czasie posuwu roboczego występuje -150
dobieg i wybieg narzędzia przed i po -200
samym skrawaniem. 0 1 2 3 4 5 6 7 8 9 10 11 12
ruchy ustawcze posuw roboczy
Czas dobiegu i wybiegu jest różny w dobieg-wybieg skrawanie stabilny, niezmienny
różnych operacjach sygnał
Wykrywanie rzeczywistego skrawania jest wiec niezbędne

Tylko stabilne, mało zmienne fragmenty sygnałów są użyteczne do
diagnostyki. Muszą być znajdowane automatycznie

Segmentacja sygnału siły przy frezowaniu
Sygnał surowy filtrowanie
Segmentacja
Obcięcie niepełnych przebiegów
Sygnał przygotowany do dalszej analizy
Ghosh, N., et al., Mechanical Systems and Signal Processing 21 (2007) 466–479
Segmentacja sygnału elektrowrzeciona przy
wierceniu – wykrywanie zadziorów
Skrawanie
Moment (Nm)
Posuw roboczy-
podejście do
przedmiotu
Przyspieszanie maksimum
Zwalnianie
wrzeciona Poziom
wrzeciona
odniesienia nachylenie
Czas (s) wysokość
Moment (Nm)
minimum
szerokość
głębokość (mm)
S. Ferreiro et. al. Computers & Industrial Engineering, 60(2011) 4, 801–810
Najczęściej stosowane wykrywanie skrawania
Metodą najczęściej stosowaną jest
wykrywanie przekroczenia przez wartość
sygnału założonego progu
próg jest wyznaczany jako ułamek wartości
maksymalnej, która nie jest znana przed
rozpoczęciem skrawania.
Sygnały mogą być zakłócone ze względu na

złożone sprzężenia skrośne między
kierunkami wrażliwymi czujnika
sygnał może przyjmować wartości ujemne
mimo iż wszystkie składowe siły skrawania
są dodatnie.
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280
Wykrywanie skrawania powinno time (s)
być oparte na więcej niż jednym

sygnale i na więcej niż jednej
mierze sygnału.

Wykrywanie skrawania wg ZAOiOS
Wykrywanie skrawania oparto na dwóch dobieg
1
miarach sygnału 0
posuw roboczy
obliczanie σ0(Fc),
• Sf – sygnał filtrowany dolnoprzepustowo – 1
usuwanie offsetu skrawanie
0
miara efektywna gdy nie ma płynięcia lub
zmiany znaku sygnału S – oryginalny sygnał Fc
• sc – odchylenie standardowe standard
Fc [N]
filtrowany dolnoprzep. sygnał Sf
400ms fragmentu sygnału – miara niezależna odchylenie standardowe σc
od płynięcia i ujemnych wartości sygnału 0
Procedura:
• 40 ms po otrzymaniu sygnału „start posuwu roboczego” z 120 ms odcinka
sygnału obliczane jest odchylenie standardowe s0 i wartość średnia Sav.
• Sav jest odejmowana od wartości sygnału jako offset (tarowanie sygnału).

• w czasie dobiegu sygnał oscyluje wokół zera.

Wykrywanie skrawania
Procedura, cd.: 1
200 ms opóźnienie skrawanie
0
• Obliczenie progów do wykrywania skrawania:
wykr. skrawania
100
próg dla Sf(Fc): 5σ0(Fc)
• dla sygnału filtrowanego Sf próg = 5s0
Fc [N]
próg dla odchylenia
• dla odchylenia standardowego sc próg = 3s0 00 standard.: 3σ0(Fc)
• Co 2 ms obliczane są wartości Sf i sc -50

8.35
czas [s]
• System rozpoznaje początek skrawania gdy: przekroczenie granicy σ (F ) c
przekroczenie granicy S (F )
c
f c
• Sf > 5s0 lub sc > 3s0 przez dłużej niż 200 ms

• Przerwy w skrawaniu są rozpoznawane gdy wszystkie sygnały filtrowane i
ich odchylenia standardowe, które były powyżej swoich granic spadną
poniżej nich.
Żadna z tych czynności nie jest wykonywana przez operatora.

Wykrywanie skrawania jest prowadzone automatycznie bez
jego interwencji, a nawet wiedzy
Problem ilości danych i czasu obliczeń
average value
Sygnały zebrane w czasie skrawania są przedmiotem 1 n
x   xi
n i 1 variance s2
• wyznaczania miar,
n
effective value
 xi  x 2
s2  i 1
n 1
• oceny przydatności miar do diagnostyki xRMS 
1 n 2
 xi
n i 1
• wyboru przydatnych miar

kurtosis
n xKU,
  xi  x
4
x KU  i 1
permutationn! entropy
n  1s 4
Obliczenie wystarczająco dużej liczby miar związanych H p n    p i ln p i 
i 1
skewness xSK,
ze stanem narzędzia jest kluczowym warunkiem logarithmic energy 
n
xi  x 3
E   log( xi ) 2 xSK  i 1
powodzenia układu nadzoru stanu narzędzia. n  1s3
Przy wykorzystaniu STFT lub DWT liczba wyznaczanych STFT Nw

…
X k , m   xk  nwne j 2 nm N w
n 0
miar może wynosić kilkaset!

W czasie uczenia systemu, wyznaczanie miar, ich ocena
i selekcja muszą być wykonywane po zakończeniu
całego okresu trwałości ostrza, który może trwać Discreet Wavelet Transform

kilkadziesiąt minut. A j 1 n   h2n  k A k  j

k  

D j 1 n   g 2n  k A k 
ilość zgromadzonych danych może być bardzo duża, a k  
j
czas obliczeń nieakceptowalnie długi

Wybór przydatnych fragmentów sygnału
obecnie
Do diagnostyki stanu narzędzia wystarczają krótkie,
reprezentatywne fragmenty sygnałów.
Nie cały sygnał nadaje się do diagnostyki.
przydatne są jedynie stabilne, w miarę niezmienne fragmenty
sygnału
Zarówno w układach komercyjnych, jak

laboratoryjnych, to OPERATOR wybiera
przydatne fragmenty sygnału, co jest:
• trudne,
• niewygodne,
• podatne na przypadkowe zmiany warunków
skrawania i ludzkie błędy.

Wybór przydatnych fragmentów sygnałów
Założenie: 1 sekunda
Diagnostyka stanu narzędzia może być
oparta na reprezentatywnych,
niezmiennych fragmentach sygnałów
Procedura:
• Sygnały zebrane w czasie pierwszej
uczącej operacji są dzielone na
segmenty jednosekundowe
• Wartość skuteczna (RMS) każdego
segmentu jest porównywana z
sąsiednimi dając oceną lokalnej 𝑅𝑀𝑆[𝐴] 𝑅𝑀𝑆[𝐶]
𝐹𝑙𝐵 = −1 + −1
zmienności sygnału Fl – im niższa tym 𝑅𝑀𝑆[𝐵] 𝑅𝑀𝑆[𝐵]
lepiej
• Jeśli dostępnych jest więcej Segmenty są gromadzone w grupy po
sygnałów, wyznacza się średnią
sześć, a najlepszy segment jest
wartość współczynnika:
wybierany jako reprezentant grupy
𝐹𝑙 = 𝐹𝑙𝐴𝐸 + 𝐹𝑙𝐹𝑓 + 𝐹𝑙𝐹𝑝 + 𝐹𝑙𝐹𝑐 Τ4
Eliminacja zbyt dużej liczby segmentów
Przesłanka 1:
Przy długich operacjach liczba segmentów będzie duża (jeden co 6 sekund).

z każdego segmentu wyznacza się znaczną liczbę miar z każdego sygnału
stąd przeciążenie pamięci komputera i rosnący czas obliczeń bez wartości dodanej.
Rozwiązanie:
Jeśli operacja trwa więcej niż 2 minuty (120 segmentów w 20 grupach) wybiera się
20 najlepszych do dalszej obróbki
Przesłanka 2:
Sygnały ze wszystkich wybranych segmentów, ze wszystkich kolejnych operacji

muszą pozostać w pamięci komputera do końca okresu trwałości ostrza
Rozwiązanie:
Jeśli liczba segmentów (liczba operacji pomnożona przez liczbę segmentów w

operacji) przekracza 128, są one gromadzone w pary i do dalszej obróbki
przechodzi lepszy
Eliminacja zbyt dużej liczby segmentów
Numer segmentu:
Pierwsza operacja:
Rejestracja wszystkich segmentów,
obliczenie współczynnika Fl, wybór
1/6 do dalszej rejestracji i
wyznaczania miar, nie więcej niż 20
Druga-ósma operacja:
Tu np. wybranych 15 segmentów,
wyznaczone i zapamiętane miary
sygnałów druga operacja: 15 segmentów
:
Dziewiąta operacja:
Tu 15*9=135 segmentów zebranych dziewiąta operacja: 15 segmentów
– wybór lepszego z każdej pary,
:
Dziesiąta operacja:
8 segmentów zebranych,
wyznaczone miary; po operacji Dziesiąta operacja: 8 segmentów
mamy w pamięci 80 segmentów
sygnałów i miar z nich
wyznaczonych

Miary sygnałów
• Z sygnału w postaci cyfrowej (szeregu czasowego)

wyznaczane są miary sygnałów, które opisują jego
cechy związane z monitorowanym zjawiskiem.
• Miary te mogą być wyznaczane:
• bezpośrednio z sygnałów – w dziedzinie czasu,
• z transformat sygnałów w dziedzinie częstotliwości (FFT)
• z transformat sygnałów w dziedzinie czasu i częstotliwości.

skrawania
sygnałów w
• wyznaczanie miar sygnałów w dziedzinie
dziedzinie czasu
czasu
zużycia ostrza
Podstawowe miary sygnałów w dziedzinie czasu
Sygnał ciągły (analogowy) Sygnał dyskretny (cyfrowy)
wartość średnia
T
n
xav=
1
T t=0

|x(t)|dt
1
xav= ̶
n
S|x[i]|
i=1
wartość skuteczna
t2
1 1 n 2
x RMS= ̶
T  x2(t) dt xRMS= ̶
n i=1
x [i] S
t1

Sprowadzenie surowego sygnału AEraw do
niskoczęstotliwościowego przez demodulację
1 T
 
2
AERMS AEraw dt
T 0

1
AERMS  2
AEraw
n

Podstawowe miary sygnałów w dziedzinie czasu
moc chwilowa: p[i] = x2[i]

wariancja: n
S (x[i] – xav)2
i=1
s2 = ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶
moc średnia: n-1
1 n
p= ̶
n S x2[i] skośność:
i=1 n
S (x[i] – xav)3
i=1
energia (praca w czasie): SK= ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶3̶ ̶ ̶ ̶ ̶
(n-1) s
n
p= S x2[i] kurtoza:
i=1 n
S (x[i] – xav)4
i=1
entropia Shanona: KU= ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ ̶ 4̶ ̶ ̶ ̶ ̶ ̶
(n-1) s
n
E= – S x2[i] log(x2[i])
i=1

Zastosowanie analizy głównych składowych
• Pomiar sił skrawania przy przeciąganiu
• Położenie elips wyraźnie skorelowane

ze zużyciem ostrza
siła skrawania Fz (kN)

• Stosując PCA wyznaczono: długości
osi (a/b) i nachylenie elipsy (b)
• Środki elips to średnie wartości sił
• Miary sygnałów przyjęte do

diagnostyki:
{Fy,av, Fz,av, a, b, β }
siła skrawania Fy (kN)
Shi D., Gindy N.N. Tool wear predictive model based on least squares support
vector machines, Mechanical Systems and Signal Processing 21 (2007) 1799–1814
Analiza widma osobliwego
(ang. Singular Spectrum Analysis SSA)
• SSA to nowa technika nieparametrycznej analizy szeregów

czasowych
• Rozkłada sygnał na sumę trzech niezależnych składowych:

• wolnozmienny trend reprezentujący lokalną średnią
• różnicę między sygnałem a średnią (składową oscylacyjna)
• szum pozbawiony jakiejkolwiek struktury
• Te trzy składowe traktuje się jak nowe sygnały i wyznacza

z nich omówione poprzednio podstawowe miary (np.
średnią, wariancję, RMS, skośność, kurtozę itd.)
Salgado D.R., Alonso F.J. Tool wear detection in turning operations using singular
spectrum analysis, Journal of Materials Processing Technology 171 (2006) 451–458
Zastosowanie analizy widma osobliwego (SSA)
Diagnostyka zużycia ostrza przy toczeniu oparta na SSA sygnałów drgań w 2 kierunkach
Miary sygnałów przyjęte do dalszej analizy:
sygnał oryginalny
trend
szum
Salgado D.R., Alonso F.J. Tool wear detection in turning operations using singular
spectrum analysis, Journal of Materials Processing Technology 171 (2006) 451–458
Entropia permutacji
Kolejna stosunkowo nowa metoda określania złożoności szeregu czasowego
Z szeregu czasowego x[i], i=1..n można otrzymać n! permutacji  (ustawień w

różnej kolejności)
Entropię permutacji szeregu czasowego definiuje się jako:

n!
Hp(n)= – S p(i) ln p(i)
i=1
gdzie p(i) – względna częstość występowania permutacji i
Znormalizowana entropia permutacji jest wtedy opisana wzorem:
Hp(n)
Hp = ––––––––
ln(n!)
Im mniejsza entropia permutacji, tym bardziej regularny szereg czasowy
Li, X., et al., Complexity measure of motor current signals for tool flute breakage
detection in end milling, Int. J. Mach.Tools & Manuf., 48, (2008), 371–379

Zastosowanie entropia permutacji
Wykrywanie KSO przy frezowaniu w oparciu o
pomiary prądu silnika
Li, X., et al., Complexity measure of motor current signals for tool flute breakage
detection in end milling, Int. J. Mach.Tools & Manuf., 48, (2008), 371–379

skrawania
sygnałów w dziedzinie częstotliwości
• miary sygnałów częstotliwości i czasu-częstotliwości
czasu-częstotliwości
zużycia ostrza
Miary sygnałów oparte na transformacie Fouriera
• Bezpośrednie wykorzystanie wartości
współczynników DFT X[m] jest niepraktyczne
– jest ich wiele, energia przepływa między
sąsiednimi prążkami
• Zwykle stosuje się wyznaczanie miar widma
Fouriera, np.:
• amplitudy dominujących prążków
zależność widma drgań przy toczeniu od zużycia ostrza
• moc sygnału w wybranych pasmach
• energia w pasmach
• miary statystyczne spektrum:
• średnia częstotliwość
• wariancja
• skośność
• kurtoza zależność mocy drgań przy toczeniu od zużycia ostrza
• częstotliwość najwyższego prążka Teti R., Jemielniak K., et al., Advanced monitoring of machining operations, CIRP Annals, 59(2010), 2, 717–739

Miary z dziedziny częstotliwości i czasu
stosowane jednocześnie
• Fym - średnia sygnału siły Fy,
• Fy50 - energia sygnału siły Fy w

pobliżu 50 Hz
• Fxd – energia pierwszej postaci

sygnału Fx
• Fxs – odchylenie stardardowe

sygnału Fx
Diagnostyka zużycia ostrza oparta na pomiarach sił skrawania przy toczeniu przerywanym
Scheffer, C., Heyns, P.C An industrial tool wear monitoring system for interrupted turning
Mechanical Systems and Signal Processing 18 (2004) 1219–1242

Sygnały stacjonarne i niestacjonarne
 FT identyfikuje wszystkie składowe widmowe obecne w sygnale, jednakże nie

daje żadnej informacji na temat ich rozmieszczenia w czasie. Dlaczego?
 Sygnały stacjonarne składają się ze składowych niezmiennych w czasie
 wszystkie składniki występują cały czas
 nie jest potrzebna informacja o czasie
 FT pracuje bardzo dobrze dla stacjonarnych sygnałach
 Sygnały niestacjonarne zawierają składowe, których amplituda jest zmienna w

czasie
 Jak więc dowiedzieć się kiedy występują poszczególne składowe?
 Potrzebny jest jakiś sposób określania położenia w czasie składowych

Krótkookresowa transformata Fouriera
(Short Time Fourier Transform STFT)
1. Wybierz okno o skończonej długości
2. Umieść je na początku sygnału (t=0)
3. Obetnij sygnał mnożąc go przez okno
4. Oblicz FT obciętego sygnału, zapamiętaj
5. Przesuń okno w prawo o niewielki

odcinek
6. Idź do kroku 3, powtarzaj aż osiągniesz

koniec sygnału
czas

Zasada nieoznaczoności Heisenberga
Rozdzielczość w czasie (Dt): Rozdzielczość częstotliwości (Df):

Jak dokładnie można określić Jak dokładnie można określić częstotliwość
położenie składowej w czasie składowej
Rozdzielczość w czasie i częstotliwości nie mogą

jednocześnie być arbitralnie duże!!!
• Nie możemy dokładnie wiedzieć w której chwili występuje składowa o określonej

częstotliwości.
• Możemy jedynie wiedzieć, jakie zakresy częstotliwości występują w jakich przedziałach

czasu.
Szerokie okno zła rozdzielczość w czasie, dobra rozdzielczość częstotliwości
Wąskie okno dobra rozdzielczość w czasie, zła rozdzielczość częstotliwości
Po wybraniu szerokości okna, obie rozdzielczości są ustalone.

Transformata falkowa
W celu obejścia trudności związanych z rozdzielczością można zastosować okna o różnej
długości dla różnych częstotliwości:
 Wyszukiwanie składowych o wysokich częstotliwościach wąskie okno

dla lepszej rozdzielczości w czasie
 np.: przy fpróbk=2000Hz, dla f=900-1000Hz użyjmy Dt=0.1s, czyli Df=10Hz
 Wyszukiwanie składowych o niskich częstotliwościach  szerokie okno

dla lepszej rozdzielczości częstotliwości
 np.: przy fpróbk=2000Hz, dla f=0-10Hz użyjmy Dt=1s, czyli Df=1Hz
Zasada Heisenberga w dalszym ciągu obowiązuje!
Funkcja okna jaką tu zastosujemy nazywana jest falką (wavelet )

STFT i falki
częstotliwość
częstotliwość
czas
czas
transformata falkowa
krótkookresowa transformata Fouriera

Dyskretna transformata falkowa ∞
y[n]=x[n]*h[n] =
S x[k]h[n-k]
k=-∞
• Dyskretna transformata falkowa rozkłada sygnał na średnie (aproksymacje
A) i różnice (detale D) przez splot sygnału i odpowiedzi impulsowej filtru
dolno i górnoprzepustowego
• Odpowiedzi filtrów są decymowane przez 2.
• Ogólnie aproksymacja Aj+1 i detal Dj+1 na poziomie j+1 opisane są

splotami: ∞
𝐴𝑗+1 [𝑛] = ෍ 𝐴𝑗 𝑘 ℎ 2𝑛 − 𝑘
𝑘=−∞
∞
𝐷𝑗+1 [𝑛] = ෍ 𝐴𝑗 𝑘 𝑔 2𝑛 − 𝑘
𝑘=−∞
gdzie h – odpowiedź impulsowa filtru dolnoprzepustowego (funkcji skalującej)
g – odpowiedź impulsowa filtru górnoprzepustowego (falki)
skrawania
sygnałów
zużycia ostrza
Słabość monitorowania opartego na jednej
mierze
• Zjawiska fizyczne (siły, AE, drgania itd.) związane monitorowaną wielkością
zależą także od wielu innych czynników
• Związek między np. stanem narzędzia, a miarą sygnału jest złożony, raczej
statystyczny niż zdeterminowany
• Czasem sygnał z czujnika niedokładnie odzwierciedla mierzoną wielkość z

uwagi na wpływ zakłóceń
• Nie da się z góry przewidzieć, czy określona miara sygnału będzie przydatna
do diagnostyki
• Przyszłość układów monitorujących należy do układów opartych na więcej niż

jednej tylko mierze sygnału
• Spośród wielu możliwych do wyznaczenia miar sygnałów należy wybrać te,

które niosą w sobie informacje o monitorowanym zjawisku

Model zależności miary sygnału od stanu
narzędzia (procesu)
Nadzorowanie stanu
narzędzia
miara sygnału (SF)
DT=f -1(SFm)
DT
SFm=f(DT)
Wykorzystana część okresu trwałości (DT) Miara sygnału (SF)

Ocena przydatności miary
SF
1.0-
Na podstawie pomiarów wartości miary w funkcji
0.8-
𝑺𝑭𝒎 zużycia ostrza (DT) określa się model zależności
0.6- 𝑺𝑭𝒂𝒗 𝑺𝑭 𝑺𝑭𝒎 = 𝒇 ∆𝑻
0.4-
𝐶𝑆𝐾 − 𝑅𝑆𝐾
0.2-
DT współczynnik determinacji: 𝑅 =
𝐶𝑆𝐾
0.0-
0 20 40 60 80 100
𝐶𝑆𝐾 – całkowita suma kwadratów
Ocena przydatności miary do diagnostyki stanu 𝐶𝑆𝐾 = ෍ 𝑺𝑭𝒊 − 𝑺𝑭𝒂𝒗 2
narzędzia to:
𝑅𝑆𝐾 – resztowa suma kwadratów
• stwierdzenie, na ile miara zależy od tego stanu
𝑅𝑆𝐾 = ෍ 𝑺𝑭𝒊 − 𝑺𝑭𝒎𝒊 2
• ocena jakości modelu, czyli stwierdzenie, w
jakim stopniu model 𝑺𝑭𝒎 oddaje rzeczywisty 𝐶𝑆𝐾 − 𝑅𝑆𝐾 – zniesiona suma kwadratów
przebieg 𝑺𝑭 Postać modelu nie ma znaczenia
Diagnostyka zużycia ostrza przy obróbce Inconel 625
Zadanie technologiczne
268
406
 Parametry skrawania:
ap = 2.5mm
f = 0.2mm/rev
vc = 220m/min
 Czas pojedynczego przejścia – 90s
 Na jeden przedmiot kilka okresów trwałości
– stanowisko badawcze
Tokarka
TKX 50N
Czujnik
AE
Czujnik
sił Fx Fz RNGN 120700T01020
narzędzie ceramika wiskersowa
CC670

Wskaźniki stępienia: zużycie ostrza

zadziory
uszkodzenia
powierzchni
Wszystkie wskaźniki
rejon zużycia
występowały niezależnie od
wrębowego
siebie – o końcu okresu
trwałości decydowało
przekroczenie jednego z nich

Wyznaczane miary sygnałów
Dla każdego sygnału wyznaczano 97 miar:

 miary w dziedzinie czasu:
 RMS, odchylenie standardowe, skośność, kurtoza, współczynnik szczytu
 miary w dziedzinie częstotliwości (FFT):

 częstotliwość dominująca, moc w dominującym paśmie, moc w wybranym
paśmie (6 pasm: 62-125Hz, 125-250Hz, 250-500Hz, 500-1000Hz, 1000-
2000Hz, 2000-4000Hz)
 miary w dziedzinie czasowo-częstotliwościowej (3 poziomowa WPT

oparta na coiflet5, łącznie 14 pasm):
 energia logarytmiczna, RMS, skośność, kurtoza, liczba i szerokość imulsów
Łącznie dla 6 sygnałów wyznaczano 582 miary

Przykładowe miary
Miara zależna od średnicy toczenia,
Miara nieskorelowana ze stanem ostrza
nieskorelowana ze stanem ostrza,
Miara skorelowana ze stanem ostrza,

zależna od średnicy toczenia
Miara skorelowana ze
stanem ostrza,
niezależna od średnicy
toczenia

Badanie korelacji ze stanem ostrza
SFT SFTf
2.5 6
Rs2=0,98
AEAAA,Sk
Rs 2=0,35
Fx/DDD,E
3
1.5
SFTav=1,14 SFTav=0,14
0
0.5
-3
0 20 40 60 80 100 0 20 40 60 80 100
DT DT
Badanie, na ile przyjęty model (przefiltrowany przebieg) oddaje przebieg
znormalizowany w czasie.
Inaczej mówiąc – badanie gładkości miary!
Współczynnik determinacji: Si(SFTi – SFTav)2 – Si(SFTi – SFTfi)2
Rs = ––––––––––––––––––––––––––––
2
Si(SFTi – SFTav)2
Odrzuca się miary, dla których Rs2 jest mniejsze od założonego progu
Wybór miar powtarzalnych
Dysponując kilkoma okresami trwałości ostrza można określić powtarzalność przebiegu miary
Wyznacza się średni przebieg SFTfav i traktuje jako uśredniony model zależności SF(DT)
Współczynnik determinacji Rr2 pozwala określić, na ile przebiegi są powtarzalne
SjSi(SFTfji – SF3Tfav)2 – SjSi(SFTfji – SFTfavi)2
Rr2 = –––––––––––––––––––––––––––––––––––
SjSi(SFTfji – SF3Tfav)2
Odrzuca się miary, dla których Rr2 jest mniejsze od założonego progu
Wybór miar - przykład
Miara dobrze skorelowana ze Miara dobrze skorelowana ze

stanem ostrza, słabo powtarzalna stanem ostrza, dobrze powtarzalna

Eliminacja miar podobnych
Wśród miar spełniających warunki
• skorelowania ze stanem ostrza (gładkości)
• powtarzalności
występują miary skorelowane ze sobą, a więc nie wnoszące nowych informacji
Eliminacja zbędnych miar:
1. uszeregowanie miar pod względem powtarzalności, wybór najlepszej
2. obliczenie współczynnika korelacji między tą miarą 𝑆𝐹0 a kolejno wszystkimi
pozostałymi 𝑆𝐹𝑗
σ𝑖 𝑆𝐹0,𝑖 − 𝑆𝐹0,𝑎𝑣 𝑆𝐹𝑗,𝑖 − 𝑆𝐹𝑗,𝑎𝑣
𝑟𝑗2 =
2 2
σ𝑖 𝑆𝐹0,𝑖 − 𝑆𝐹0,𝑎𝑣 σ𝑖 𝑆𝐹𝑗,𝑖 − 𝑆𝐹𝑗,𝑎𝑣
3. odrzucenie tych, dla których współczynnik korelacji jest zbyt duży
4. powtarzanie procedury dla pozostałych miar (od punktu 1) aż nie pozostanie żadna
Wyniki selekcji miar
582 wyznaczone miary
Wybrane przydatne miary Po eliminacji miar podobnych
Miary powiązane z DT Miary powiązane z DT, powtarzalne
52 52
27
29
18 17
20 14 15
6 6 6
Siły Drgania AE Siły Drgania AE
18
11 9 5 12 3 9 3 8 3
6 6
Fx Fz Vy Vz AERMS AERAW
skrawania
• Integracja
Integracja miar, podejmowanie decyzji – diagnostyka naturalnego
zużycia
zużycia ostrza
ostrza
•• diagnostyka zużycia ostrza w oparciu o jedną miarę sygnału
Nordman
max – narzędzie stępione

aktualna wartość sygnału
min – narzędzie ostre
Nadzór zużycia na postawie średniej wartości sygnału z

całego zabiegu lub jego fragmentu...
Nordman
... niezależnie od sposobu obróbki...

wiercenie gwintowanie frezowanie/toczenie

Nordman
... czy rodzaju zastosowanego czujnika

Artis

Pytania
Czy operator sam musi dobierać i wprowadzać

wartości graniczne, miejsca pomiaru itd?
NIE!
Po co operatowi wiedza o
???
wartościach sygnałów?
Co z nimi może zrobić?
Przeliczyć na wykorzystaną
300-250
część okresu trwałości! DT = ----------- =.... 0,33
400-250

Podstawowe założenia działania układów
ADONiS
• zdobywanie przez układ większości niezbędnych
informacji w trakcie obróbki pierwszego przedmiotu
• automatyczne wyznaczanie dopuszczalnej wartości

miary na podstawie decyzji użytkownika o stępieniu
ostrza (uczenie układu)
• określanie nie tylko momentu stępienia ostrzy lecz

także ocena wykorzystanej części okresów trwałości
• autodiagnostyka układu

Ogólne zasady uczenia układu diagnostyki
zużycia ostrza
Pierwszy okres trwałości ostrza
Kolejny okres trwałości ostrza
SF SF
SFn Min
SF3 SF3
SF1 SF2 SF1 SF2
... ...
OP1 OP2 OP3 OPn1 OP1 OP2 OP3 OPn1
1-sza op.: licz.zab,

które nadzorować, po każdej op. po każdej op. zapamiętanie miary:
min i max sygn, zapamiętanie SF[NrOp] oraz ocena DT na
miary: SF[NrOp] podstawie SF[DT]
po zakończeniu trwałości ostrza przeliczenie tablicy

SF[NrOp] na SFTf[DT] na podstawie po zakończeniu trwałości ostrza
NrOp przeliczenie tablicy SF[NrOp] na
DT= ––––– SFTf[DT]
LiczOp

Oszacowanie wykorzystanej części T
SFTf[DT]
SF[NrOp]
Wyszukiwanie w tablicy SF[DT] wartości

najbliższej uzyskanej w operacji
DT
n DT
SFTf[DT] Wyszukiwanie rozpoczyna się od

SF[NrOp]
poprzedniego wskazania: w przypadku

wartości niższej niż poprzednia,
DT wskazanie DT bez zmian
n DT
30%
SF[NrOp] SFTf[DT]
Przeszukiwanie tylko 30% DT ogranicza

wpływ przypadkowo wysokich wartości
DT
n DT
Oszacowanie wykorzystanej części T
30%
SF[NrOp] Ograniczenie zakresu przeszukiwania umożliwia
SFTf[DT]
do pewnego stopnia wykorzystanie miar
niemonotonicznych w funkcji wykorzystanej
DT
części okresu trwałości ostrza
DT
SF[NrOp] SFTf[DT]
Wskazanie nie może być niższe niż

0.7 DT wynikającego z poprzednich
DT doświadczeń
n
DT=70*n/NB

Przebiegi sygnału siły Ff w funkcji zużycia
ostrza w warunkach przemysłowych
Układy komercyjne pracują w
Ff oparciu o założenie o
monotonicznym wzroście miary
nr operacji
Sygnały:
• nieliniowe Żaden ze znanych układów
komercyjnych nie może działać w
• niemonotoniczne (nieodwracalne)
oparciu o taką miarę sygnału
• ujemne

Wyniki diagnostyki zużycia ostrza wg
algorytmu opracowanego w ZAOiOS
Ff
DT oszacowane
nr operacji
DT
skrawania
zużycia ostrza
• diagnostyka zużycia
diagnostyka zużycia ostrza
ostrza w
w oparciu
oparciu oo integrację
integrację miar
miar sygnałów
sygnałów
Sztuczna inteligencja (AI)
• Obecnie oprogramowanie komputerów pozwala na wykonywanie złożonych zadań.
• Są to w większości zadania dobrze określone, wiadomo dokładnie, jak je rozwiązać,
• komputer wykonuje ściśle określone instrukcje,
• większość programów komputerowych nie zachowuje się szczególnie inteligentnie.
• Wszędzie tam, gdzie można określić dokładny algorytm działania, prowadzący do

wykonania zadania, inteligencja nie jest konieczna.
• Jest jednak wiele problemów, których rozwiązanie:

• nie daje się ująć w ścisłe reguły
• wymaga tak wielkiej liczby obliczeń, że jest niewykonalne
• W takich przypadkach rozwiązanie wymaga pewnej dozy inteligencji
• Jeśli ma wykazywać ja program komputerowy, mówimy o sztucznej inteligencji

• od angielskiej nazwy Artificial Intelligence powszechnie używa się skrótu AI

Typy sztucznych neuronów i sieci neuronowych
• Wiele różnych rodzajów neuronów oraz sieci na nich

opartych, a także algorytmów uczenia sieci
• W automatycznym monitorowaniu najczęściej stosuje

się perceptron wielowarstwowy
• najczęściej dwuwarstwowy, z jedną warstwą ukrytą,
• oparty na neuronach z sigmoidalną funkcją aktywacji
• uczony metodą wstecznej propagacji błędów,

(FF-BP – Feed Forward – Back Propagation).

Neuron typu sigmoidalnego
Przyjmiemy b=1
• Neuron może mieć wiele wejść (synapsy).

• Synapsom można przypisać wagi, których wartość może podlegać zmianom
• Wartości wejść są sumowane z wagami
• Suma jest argumentem sigmoidalnej funkcji aktywacji
• Neuron ma tylko jedno wyjście.
Sieć neuronowa trzywarstwowa
wejścia
warstwa
wejściowa
o1,i = xi w1,i
warstwa
ukryta
warstwa
wyjściowa
wyjście

Diagnostyka zużycia ostrza oparta na
laboratoryjnych pomiarach sił skrawania
Zabieg 1 2 3 4 5 6
ap 1.5 1.5 1.5 1.5/3 1.5 1.5/3
f 0.24 0.17 0.47 0.47 0.33 0.33
vc 351 417 251 251 300 300

Przebiegi sił skrawania w funkcji zużycia ostrza
Próba zakończona naturalnym stępieniem Próba zakończona ścięciem naroża
Eksperyment wykorzystany do uczenia Eksperyment wykorzystany do testowania
Test W5I Test W7I
Test W5I Test W7I
Fc = Fc(ap, f) Fc  Fc(VB) (1)

Ff = Ff (ap, VBB) Ff  Ff(f) (2)
VBB = VBB(Ff, ap) (3)
lub VBB= VBB[Ff, ap(Fc, f)] (4)
Konfiguracje wejść sieci neuronowej przyjęte do badań
sygnały wejściowe
sieć f ap Ff Fp Fc Komentarz
1 X X X X X Sieć pełna – wszystkie wejścia. Można się spodziewać, że to
nadmiar. Do zastosowania niezbędny 3-składowy czujnik sił
2 X X X Próba zbadania, czy informacje zawarte w wartościach sił
skrawania wystarczą do uwzględnienia wpływu parametrów
skrawania. Do zastosowania niezbędny 3-składowy czujnik sił
3 X X X Siła Ff zależy prawie tylko od ap i VBB, zaś Fc prawie tylko od ap i f.
To stwarza szansę odzyskania informacji o głębokości skrawania z
Fc i f, a w ten sposób wyeliminowanie jej wpływu z wartości Ff.
Konfiguracja szczególnie korzystna gdy występują nieznane
zmiany ap (obróbka wstępna)
4 X X X Przy znanej głębokości skrawania i posuwie można ich wartości
podać na wejścia, pozwalając sieci na eliminację ich wpływu na Ff
i identyfikację wpływu zużycia ostrza.
5 X X X X Podobnie jak wyżej, z tym że informacje zawarte w sile Ff są
dublowane przez zawarte w sile Fp
6 X X X X Dla 2-składowego czujnika sił, przy znanych zmianach ap

Uczenie sieci
• W trakcie uczenia sieci na zbiorze W5IA, po każdej iteracji wykonywano test na zbiorze W7IA.
• wyniki testowania nie wpływały w żaden sposób na przebieg uczenia, a służyły jedynie do bieżącej oceny zdolności
sieci do generalizacji.
• Średnie błędy uczenia eu (sterujące przebiegiem uczenia) oraz maksymalne błędy uczenia mu zmieniają
się dla wszystkich sieci podobnie, dla sieci 2-giej są one najwyższe.
• Wyraźnie różne są przebiegi błędów testowania.

• te błędy świadczą o zdolności sieci do oceny zużycia innego ostrza niż użyte do uczenia.
• Zdecydowanie najgorszy wynik uzyskała sieć 2-ga, opartą jedynie na pomiarach sił skrawania bez
informacji o parametrach skrawania.
• Sieci 1-a i 5-ta uczą się wyraźnie wolniej, a raczej wolniej uzyskują zdolność uogólniania.
• Po 200 000 iteracjach wyniki uzyskiwane przez wszystkie sieci (oprócz 2-giej) jest podobny
Błędy uczenia i testowania badanych sieci
• Najlepsze wyniki uczenia uzyskała sieć 5-ta, a nieomal identyczny sieć 1-a.
• Wyniki testowania z kolei były najlepsze dla sieci 3-ciej, a tylko nieco gorsze dla sieci 5-
tej.
• Pomijając sieć 2-gą, widzimy, że średnie błędy testowania nie przekraczają 0.04 mm, czyli
ok. 10% wskaźnika stępienia.
• Błędy maksymalne testowania są oczywiście większe, i wynoszą do 0.2 mm.
• Ta wartość może być niepokojąca i należy uważniej przeanalizować.
• Istotna jest nie tyle sama wartość błędu średniego czy maksymalnego lecz to gdzie on
występuje.
• W gruncie rzeczy ważna jest dokładność oszacowania momentu, w którym ostrze traci
właściwości skrawane, czyli określenie końca jego trwałości.

Oszacowanie zużycia ostrza przez sieć
neuronową
Rzeczywiste i obliczone przez sieci (z wyjątkiem 2-giej) wartości zużycia ostrza w obu próbach.
Próba W5I Próba W7I
• Do ok. 24 minuty błędy wszystkich sieci

Błędy testowania sieci
mieszczą się w paśmie ±0.05mm.
• Dopiero ścięcie naroża, wyraźne przyrosty sił

Ff i Fp odbija się większymi błędami
oszacowania VBB.
• Odpowiedź sieci jest korzystna, lepsza, niż

dokładna, tzn. pokazująca właściwe wartości
VBB podczas gdy ostrze utraciło właściwości
skrawane.
Oszacowanie zużycia z przez sieć neuronową i system
logiki rozmytej System logiki rozmytej
eu=0.0270 mu=0.0670
et=0.0351 mt=0.1460
Wyniki uzyskane przez sieć 3A:
eu=0.0160 mu=0.0379
et=0.0367 mt=0.1677
• Sieć neuronowa znacznie lepiej dopasowuje się do

danych uczących – tak zbudowany jest algorytm
uczenia.
• System logiki rozmytej budowany jest „na oko”,
intuicyjnie , lecz powoduje gorsze dopasowanie do
danych uczących .
• Stworzona baza wiedzy jest bardziej ogólna – wyniki
testowania są lepsze niż dla sieci neuronowej.
W obu przypadkach wystarczyły informacje od siłach Fc, Ff i posuwie f.

Informacje o zmianach głębokości skrawania były zbędne.
Badania doświadczalne w warunkach przemysłowych
CBKO,VENUS 450
Narzędzie: CNMG 100408 BP30A

Materiał obrabiany: stal 45
ap=1,5 i ap = 2 mm
f = 0.1 mm/obrót
vc = 150 m/min
• Centrum tokarskie VENUS 450

wyposażone w:
• przemysłowy czujnik sił
skrawania
• czujnik emisji akustycznej
• Mierzono cztery sygnały:
• Fc, Ff i Fp
• AERMS
Operacja składała się z

Narzędzie: węglik spiekany
• 22 kolejnych przejść: SCGCL CNMG
• ap=1.5 (13 przejść) i 2 mm (9 przejść), 10408 BP30A
• f = 0.1 mm/obr
• vc = 150 m/min,
Materiał obrabiany: stal 45

• Jedno przejście wykończeniowe z tą samą prędkością i
posuwem, ale zmienną głębokością skrawania
• Operacja trwała 4.6 min,
• czas skrawania 3.6 min.
• Stępiono osiem ostrzy (8 okresów trwałości)
• 8, 10, 10, 12, 10, 9, 14 i10 przedmiotów (operacji) w
kolejnych okresach.

Miary sygnałów
2s
•Wartość średnia •Wariancja •Wartość średnia 2s

•Wartość maksymalna •Mediana •Inne

Integracja miar z wykorzystaniem sieci neuronowej
FfMed2s
AEMed
Brak odporności na silnie

nietypowy przebieg miary
Ocena DT – integracja miar przy pomocy sieci
neuronowej – przyczyny porażki
Układ powinien być gotowy do Uczenie sieci neuronowej
pracy po jednym okresie wymaga zastosowania
trwałości odpowiedniej liczby próbek

uczących w stosunku do liczby
Dysponujemy ograniczoną, wejść
niską liczbą próbek uczących
Ograniczenie liczby wykorzystywanych miar

Integracja miar z wykorzystaniem sieci neuronowej
Wyniki sieci neuronowej uczonej z wykorzystaniem czterech

okresów trwałości ostrza
Zwiększenie ilości danych doświadczalnych wykorzystanych do uczenia sieci

zwiększa dokładność oszacowania DT...
...ale opóźnia gotowość układu do pracy

Integracja miar oparta na algorytmach
hierarchicznych
• Etap I oszacowanie zużycia ostrza w oparciu o
pojedyncze miary
• model zależności miary od zużycia
• Etap II integracja pojedynczych wyników we wspólne

oszacowanie zużycia
• sieci neuronowe
• uśrednianie
Dowolna liczba miar w pierwszym etapie.

W drugim etapie można eliminować wyniki znacznie
odbiegające od średniej, nietypowe
Integracja miar algorytmem hierarchicznym
SFTf1[DT]
SF1[n] 30
Etap I
n Oszacowanie DT na podstawie każdej
0 20
DT1
40 60 80 100 %
DT miary oddzielnie
SFTf2[DT]
SF2[n]
Etap II
n
Oszacowanie DT jako średniej z
0 20 40 60 80 100 % pojedynczych wskazań
DT2 DT
SFTf3[DT]
SF3[n]
SDTi
DT= ̶ ̶ ̶ ̶ ̶
n n
0 20 40 60 80 100 %
DT3 DT
DTB
..
DT4 Wspólne oszacowanie brane jest jako
.
DTn
wyjściowe DTB w następnym kroku

Wyniki integracji czterech miar

Wyniki integracji dziesięciu miar
• Po zwiększeniu
progów przydatności
miar algorytm wybrał
10 miar
• Dokładność
oszacowania wzrosła

Spośród 582 dostępnych miar sygnałów AE, Vy, Vz, Fx i Fz wybrano automatycznie
powiązane z DT, powtarzalne :
Siły Drgania AE
11 5 3 3
6 3
Fx Fz Vy Vz AERMS AERAW
Wyniki integracji miar algorytmem hierarchicznym

A gdyby tak założyć, że

mamy mniej sygnałów?

Wróćmy raz jeszcze do omawianego już eksperymentu: Narzędzie: węglik spiekany

SCGCL CNMG
• Centrum tokarskie VENUS 450 wyposażone w: 10408 BP30A
• przemysłowy czujnik sił skrawania

• czujnik emisji akustycznej
• Mierzono cztery sygnały:
• Fc, Ff i Fp
• AERMS
… którego wyniki były wykorzystane AE sensor

przy testowaniu sieci neuronowych
oraz integracji miar uzyskanych z
Force sensor
jednego zabiegu, przy pomocy
algorytmu hierarchicznego
Tym razem wykorzystamy wszystkie zabiegi

oraz algorytmy automatycznej segmentacji
Segmentacja i ocena miar sygnałów
AE
• Algorytm segmentacji umożliwia wybranie ze wszystkich sygnałów ze
wszystkich operacji, fragmentów odpowiadających tej samej chwili w Ff
każdej operacji Fp
Fc
• Wybór jest prowadzony jedynie w czasie pierwszego okresu trwałości
1szy okres 2gi okres 3ci okres… …nty okres…
ostrza, gdy system się uczy oper. 1
• W tym czasie wszystkie możliwe miary sygnału są wyznaczane ze

oper. 2
wszystkich zebranych fragmentów wszystkich sygnałów
• Po zakończeniu pierwszego okresu trwałości oceniana jest przydatność oper. 3
miar sygnałów do diagnostyki stanu ostrza i wybierane są najlepsze dla

każdego segmentu oddzielnie oper. n
• W czasie kolejnych okresów trwałości ostrza wyznacza się i przechowuje

w pamięci jedynie wybrane miary z wybranych fragmentów sygnałów
• oryginalne sygnały są wymazywane, co znakomicie obniża wykorzystanie
pamięci

Segmentacja i wyznaczanie miar sygnałów
wszystkie segm.
W czasie 1szej operacji zidentyfikowano
po 1 operacji
165 segmentów.
Wybrano 19 najlepszych
Po 7 operacjach było 19x7=133>128 Fc
segmentów, więc wybrano co drugi,
pozostawiając 10 na operację
Każdy z 4 mierzonych sygnałów
(AERMS, Fc, Ff i Fp ) poddano 3-
poziomowej analizie falkowej (WPT) • energia logarytmiczna (np. Fc/DD.E – energia współczynnika DD
otrzymując 14 współczynników sygnału Fc),
(aproksymacji A i detali D). • wartość skuteczna (np. Ff/ADA.RMS – RMS współczynnika ADA sygnału
Ff),
Z każdego ze współczynników oraz
sygnału oryginalnego wyznaczono 10 • odchylenie standardowe (np. Ff/A.st_dev – odch. std. współczynnika A
sygnału Ff),
miar sygnału:
• moda (e.g. AE/s.mode moda oryginalnego sygnału AERMS),
Łącznie wyznaczano • tempo przekroczeń 1, 2 and 3 – częstość przekraczania progu przez

4*14*10=560 miar sygnałów z 30%, 50% or 70% wartości maksymalnej sygnału (np. Fp,ADA,Count1),
każdego segmentu • szerokość przekroczeń 1, 2 and 3 – procentowy udział czasu

Politechnikapowyżej
przebywania sygnału Warszawska, Wydział(np.
progu Fc/ADA,Pulse
Inżynierii Produkcji, ),
Prof. dr hab. inż. Krzysztof Jemielniak Zakład Automatyzacji i Obróbki Skrawaniem 145 1
Integracja sygnałów, ocena zużycia ostrza
segment 1 segment 4 segment 7
800
Ff (N)
Z każdego sygnału wyznaczono t1,1 Operacja 1 t4,1 t7,1
inną liczbę miar. 400
0
Miarą zużycia była wykorzystana
Ff (N)
800
t1,5 Operacja 5 t4,5 t7,5
część okresu trwałości ostrza 400
DT=t/T. 0
800
Ff (N)
Po pierwszym okresie, dla każdej t1,8 Operacja 8 t4,8 t7,8
400
mary sygnału, dla każdego
0
segmentu wyznaczono model
oparty na wielomianie 2go …
czas (s)
…
segment 1 segment 4 segment 7
stopnia (czarne ciągłe linie). SF1,1 SF4,1 SF7,1
Op 4 Op 6
Op 2
W trybie diagnostyki, po zebraniu Op 5
AE/s.mode
AE/s.mode
AE/s.mode
Op 3 Op 8 Op 3 Op 8 Op 4 Op 8
Op1
Op 6 Op 3
danych z każdego segmentu Op 5 Op 7
Op 2
Op 4
Op 7
Op 7 Op 2
wyznacza się DT oddzielnie na SF1,1,3
Op1 Op 5
Op 6 Op1
podstawie każdego modelu. DT1,1,3
Op 2 SF7,2
Następnie są one uśredniane Op 3 SF1,2 SF4,2
AE/ADA.st_dev
Op1 Op 4 Op 6
dając wspólne oszacowanie Op 5
Fc/DDD.E
Op 6 Op 3 Op 8
SF1,2,3 Op1
Ff/A.E
Op 7 Op 4
wykorzystanej części okresu DT1,2,3
Op 8
Op 2
Op 5 Op 7
Op 2 Op 7
Op 6 Op 8
Op 3
ostrza (stanu narzędzia) w danym Op1
Op 4 Op 5
momencie (kilkakrotnie w czasie

długiego przejścia)
…
…
…
Δ 𝑇[%] Δ 𝑇[%] Δ 𝑇[%]

1 𝑀1 𝑀 1 𝑀 1
Δ𝑇1,𝑘 = 𝑀 σ𝑗 PolitechnikaΔ𝑇
Warszawska, Wydział
4 Inżynierii Produkcji,
Δ𝑇7,𝑘 = 𝑀 σ𝑗 7 Δ𝑇7,𝑗,𝑘
Δ𝑇1,𝑗,𝑘 4,𝑘 = 𝑀 σ𝑗 Δ𝑇4,𝑗,𝑘
Prof. dr hab. inż. Krzysztof Jemielniak 1 Zakład Automatyzacji
4 i Obróbki Skrawaniem 7 146
Podsumowanie diagnostyki zużycia ostrza
• Układy oparte na pojedynczej mierze sygnału nie

mogą zapewnić wymaganej dokładności wskazań
• Sieci neuronowe nie są najodpowiedniejszym

narzędziem do integracji miar sygnałów przy
ograniczonej ilości danych uczących
• Algorytmy hierarchiczne wydają się obecnie

najskuteczniejszą metodą integracji miar

skrawania
zużycia ostrza
• Wykrywanie
Wykrywanie katastroficznego
katastroficznego stępienia
stępienia ostrza
ostrza
Zużycie ostrza – katastroficzne stępienie ostrza

Wpływ KSO na przebieg siły skrawania
przy toczeniu – wykruszenie ostrza
Jemielniak K., Przebieg sił skrawania w czasie tępienia się ostrza przy toczeniu, Mechanik, nr 5-6, 1991, 175-178

Wpływ KSO na przebieg siły skrawania
przy toczeniu – wyłamanie ostrza
Jemielniak K., Przebieg sił skrawania w czasie tępienia się ostrza przy toczeniu, Mechanik, nr 5-6, 1991, 175-178

Wykrywanie KSO oparte na wartości granicznej
Założenie podstawowe:
po KSO siła znacznie wzrasta

STRATEGIE – KSO – stała górna granica

Wykrywanie KSO oparte na przedziałach
Możliwe wersje, przykłady działania

Wykrywanie KSO oparte na nauczonym przebiegu

Wykrywanie KSO oparte na granicach
dynamicznych i „szybkim” czujniku

Zalety
 znikome koszty obsługi
 ponad 95% wykrywanych KSO przy obróbce odlewów i odkuwek
 bardzo szybki czas reakcji – 5 ms

posuw zatrzymywany w czasie pierwszego obrotu po KSO!
 bardzo mało fałszywych alarmów (ok. 1 na zmianę na tydzień)
 narzędzie jest chronione
 pozytywne oceny klientów

Wady
 konieczność zastosowania czujnika o krótkim czasie reakcji,
(„szybkiego”) , blisko strefy skrawania, a więc drogiego.
 granice muszą być szerokie ze względu na naturalne

krótkotrwałe zakłócenia sił skrawania
 mniejsze wykruszenia ostrza mogą być niewykryte

Strategia wykrywania KSO przy toczeniu
opracowana w ZAiOS
• Monitorowany jest sygnał Fs filtrowany
dolnoprzepustowo
• Granice L+ i L- są otrzymane przez kolejne silne

filtrowanie sygnału i pomnożenie go przez
współczynnik >1 i <1
• W celu uniknięcia fałszywych alarmów zakłada

się, że KSO jest rozpoznawane gdy Fs >L+ lub Fs
<L- dłużej niż del
• Gdy sygnał Fs jest poza granicami, wyznaczany

jest znacznie łagodniejszym filtrem pomocniczym,
by ułatwić powrót między granice.
• Granice nie są w tym czasie aktualizowane
• Gdy sygnał Fs jest poza granicami dłużej niż del,

system generuje alarm KSO do chwili powrotu
sygnału między granice, które są aktualizowane
od początku alarmu
Działanie detektora KSO ZAiOS – przykład 1
ostrze SNUN S30S

materiał obrabiany: stal 45
parametry skrawania:
vc=180 m/min,
f=0.33 mm/obr,
ap=2.5 mm

Działanie detektora KSO ZAiOS– przykład 2
ZL25M, SPUN H10S
ostrze SPUN H10S

materiał obrabiany: ZL25M
parametry skrawania:
vc=160 m/min,
f=0.33 mm/obr,
Siła skrawania i reakcje detektora KSO na skokową zmianę głębokości

skrawania i wykruszenie krawędzi skrawającej
Wpływ KSO na przebieg i widmo siły skrawania
przy frezowaniu

Wykrywanie KSO - frezowanie
sygnał siły [V]
sygnał siły [V]
alarm wykruszenia alarm wyłamania

Wykrywanie KSO przy frezowaniu
mat. obrabiany: Inconel 718,
przebieg siły prostopadłej do osi freza
średnica freza, D = 38 mm,
typ płytek: okrągłe, z ceramiki
zbrojonej,
liczba płytek: 2,
n = 500 obr/min,
f = 0.175 mm/ząb,
ap = 2.5 mm,
ae = 19 mm.
błędy przewidywania siły przy pomocy modelu AR(1) wraz z granicami

Zastosowanie DWT do diagnostyki frezu
Przebieg siły skrawania w czasie jednego obrotu frezu dwuostrzowego:
oba ostrza w dobrym stanie jedno ostrze wykruszone,

jedno w dobrym stanie
detal, 1szy poziom DWT detal, 2gi poziom DWT detal, 3ci poziom DWT
detal, 4ty poziom DWT detal, 5ty poziom DWT
Rene de Jesus R.-T., et al., Mechatronics 14 (2004) 439–454

Zastosowanie DWT do diagnostyki frezu
0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
Asymetria – różnica między pojedynczymi

wartościami siły dla kolejnych ostrzy w
czasie pełnego obrotu frezu wyznaczona z
detalu 5 poziomu DWT:
Rene de Jesus R.-T., et al., Mechatronics 14 (2004) 439–454

Jakieś pytania?


Obróbka Skrawaniem 10 Diagnostyka Stanu Narzędzia I Procesu Skrawania

Uploaded by

Document Information

Original Title

Copyright

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Obróbka Skrawaniem 10 Diagnostyka Stanu Narzędzia I Procesu Skrawania

Uploaded by

Copyright:

krzysztof.jemielniak@pw.edu.

10. Diagnostyka stanu narzędzia i

Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technik Wytwarzania

druga zmiana 15%

trzecia zmiana 15% 20% automatyczna obróbka

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Kolizja to niepożądane zderzenie zespołów obrabiarki,

72% zawinione przez człowieka!

Powody uszkodzenia wrzeciona obrabiarki:

H. Cao et al. Int.J. of Machi.Tools&Manuf. 112 (2017) 21–52

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Czujnik drgań Piezotron® coupler 5108A.

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Jemielniak K. i in., Automatyczna diagnostyka stanu narzędzia w

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Jemielniak K, Automatyczna diagnostyka stanu narzędzia i procesu skrawania,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

A. Al-Habaibeh, et al., Modern Developments in Sensor Technology and

Emisja akustyczna to zanikająca fala sprężysta, będąca

Poglądowe przedstawienie szczeliny w próbce i związanej z tym

Politechnika Warszawska, Wydział Inżynierii Produkcji,

• ścinanie i plastyczna deformacja materiału obrabianego (3,4)

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Jednostką AE jest volt!

A. Al-Habaibeh, et al., Modern Developments in Sensor Technology and

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Wzrost AE w czasie wiercenia

emisja akustyczna (dB)

czas (s) czas (s)

Politechnika Warszawska, Wydział Inżynierii Produkcji,

(a) Polarny wykres sygnału AERMS przy obróbce polikrystalicznej miedzi.

(b) Mikrofotografia tego samego przedmiotu wytrawiona chemicznie

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Wpływ zużycia ostrza i parametrów skrawania na

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

zalecane możliwe nie zalecane

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

a) przekrój wewnętrzny, b) usytuowanie czujnika na śrubie pociągowej tokarki NC

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

H. Cao et al. Int.J. of Machi.Tools&Manuf. 112 (2017) 21–52

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Stanowisko do badań charakterystyk czujników AE

Politechnika Warszawska, Wydział Inżynierii Produkcji,

podane przez producenta

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

Politechnika Warszawska, Wydział Inżynierii Produkcji,

mogących posłużyć jako symptomy. miary sygnałów

Politechnika Warszawska, Wydział Inżynierii Produkcji,