Case study: analiza danych z procesu obróbki wałów korbowych
29 stycznia 2024

Case study: analiza danych z procesu obróbki wałów korbowych

Analiza danych z procesu obróbki wałów korbowych

CELEREZULTATY
– Znalezienie źródłowej przyczyny różnic w żywotności narzędzia skrawającego
– Ograniczenie ilości wymian i przedłużenie żywotności płytek skrawających podczas obróbki powierzchni bazowej w bloku silnika
– Wczesna detekcja zmian w sygnałach świadczących o postępujących zużyciu narzędzia skrawającego
– Opracowanie wstępnych modeli analitycznych przygotowanych do wdrożenia monitorowania procesu online
KORZYŚCI
– Identyfikacja przyczyn przyspieszonego zużycia narzędzia skrawającego
– Ograniczenie przestojów związanych z awaryjnymi wymianami narzędzia
– Ograniczenie problemów jakościowych obrabianego elementu w okresie bezpośrednio przed uszkodzeniem narzędzia

Przebieg realizacji projektu RSIMS

WYZWANIE
Określenie przyczyny różnic w żywotności narzędzi skrawających. Obecnie obserwowana żywotność płytek jest zauważalnie niższa od zakładanej (waha się w zakresie 1000-1500 cykli przy zakładanym limicie 2000 cykli).
Wymagało to przetworzenia dużego zbioru danych obejmującego dziesiątki tysięcy przebiegu z pojedynczych cykli rejestrowanych z precyzją do 1 ms, włącznie z wyodrębnianiem z nich konkretnej operacji w określonym interwale czasu, którego początek i koniec określają wartości rejestrowanych parametrów. 
Wartość sygnału wzrasta wraz z czasem użytkowania pojedynczego narzędzia. 
„Kształt” sygnału zmienia się w czasie użytkowania pojedynczego narzędzia.

CASE STUDY – Założenia i Opracowanie rozwiązania

Założenia projektu

Opracowanie rozwiązania

Opracowanie rozwiązania obejmowało: 

  • przetworzenie surowych danych procesowych w długim horyzoncie czasowym, 
  • identyfikację trendu przyrostu momentu w czasie pracy narzędzia skrawającego ,
  • identyfikację trendu interwałów czasu (przerw w działaniu urządzenia), po których następował stosunkowo szybki przyrost wartości momentów mierzonych na wrzecionie narzędzia skrawającego. 

Poza analizą statystyczną i opracowaniem transformat surowych sygnałów, opracowano wielowymiarowy model predykcyjny. Model ten uwzględnia zależności między wszystkimi monitorowanymi parametrami procesu co pozwoliło na:

  • Wcześniejszą i pewną detekcję pogarszającego się stanu narzędzia skrawającego, co umożliwia szybszą reakcję zespołu utrzymania ruchu, planowanie wymiany narzędzia a przez to zapobieganie kosztownym problemom jakościowym obrabianego elementu.
  • Wykrycie interwałów w czasie kiedy stan narzędzia skrawającego odzwierciedlony poprzez gwałtowny przyrost momentu pozwala na wstępną identyfikację przyczyn związanych z prawdopodobnym złym oddziaływaniem zmian temperatury narzędzia na jego żywotność.
ROZWIĄZANIE 

Opracowane rozwiązania składało się z kilku kluczowych etapów. Na początku skupiliśmy się na opracowaniu jednolitego sposobu przetwarzania plików. Kolejnym krokiem była szczegółowa analiza statystyczna sygnałów, obejmująca analizę danych w długim horyzoncie czasowym, opracowanie odpowiednich transformat do przekształcania surowych sygnałów oraz ekstrakcję poszczególnych cech, które mogłyby pomóc w identyfikacji przyczyn degradacji narzędzia tnącego. Ostatnim elementem naszej pracy było zbudowanie wysoko-wymiarowego modelu, który miał za zadanie oszacować stopień degradacji narzędzia tnącego.

O FIRMIE 

ReliaSol jest spółką, powstałą w odpowiedzi na rosnącą potrzebę zwiększania wydajności maszyn i instalacji w przemyśle. 

Dostarczamy oprogramowanie i usługi, które przyspieszają proces transformacji cyfrowej. Aplikacje, które tworzymy łączą dane rzeczywiste z maszyn, sensorów, raportów ze zdarzeń oraz automatyzują wyciąganie wniosków. Efektem ich pracy jest wizualizacja danych, przewidywanie zdarzeń i monitorowanie optymalnego zakresu pracy maszyn, a także całych linii produkcyjnych.

KONTAKT

Umów się na z jednym z naszych ekspertów na bezpłatną konsultację nt. wdrożenia Predictive Maintenance w Twoim zakładzie:

Dariusz Broda
Head of Engineering  
Tel: +48 517 688 108
E-mail: dariusz.broda@reliasol.ai  
Piotr Lipnicki
Chief Executive Officer  
Tel: +48 605 241 056
E-mail: piotr.lipnicki@reliasol.ai    

Czy ten post był pomocny?

Kliknij w gwiazdkę aby ocenić

Ocena: 0 / 5. Liczba głosów: 0

Bądź pierwszym który oceni!

Autor:

Warning: Invalid argument supplied for foreach() in /usr/home/relia-sol/domains/reliasol.ai/public_html/wp-content/themes/wp-webpack/single-news.php on line 37
Starszy post
Nowoczesna Konserwacja Maszyn – Klucz do Niezawodności Produkcji
Nowszy post
Case study: wdrożenie strategii PdM dla turbiny gazowej
0 0 votes
Article Rating
Subscribe
Powiadom o
0 Comments
Inline Feedbacks
View all comments