CC BY
90
УДК 621.9
МОНИТОРИНГ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ШПИНДЕЛЬНЫХ УЗЛОВ МЕТАЛЛОРЕЖУЩИХ СТАНКОВ
С.В. Рожков, Н.Н. Трушин, Г.В. Шадский
Шпиндельные узлы современных металлорежущих станков являются одними из наиболее ответственных подсистем в системах обеспечения качества обрабатываемых поверхностей деталей. Поэтому основной задачей технических служб является обеспечение заданного уровня надежности элементов шпиндельных узлов, путем выявления неисправностей на ранних стадиях возникновения, отслеживания динамики их развития, определения и планирования рациональных сроков проведения ремонтов. Рассмотрена методика оперативной диагностики технического состояния шпиндельных узлов металлорежущих станков.
Ключевые слова: шпиндельный узел, искусственные нейронные сети, вибрационная диагностика, металлорежущие станки, многослойный персептрон.
Для обеспечения высокого качества выпускаемых изделий металлообработки, и, как результат, их конкурентоспособности в рыночных условиях, необходимо обеспечить эффективное функционирование основных узлов металлорежущих станков. Одним из них является шпиндельный узел, от работы которого во многом зависит качество обработки деталей.
В настоящее время при изготовлении шпиндельных узлов их проверяют на точность вращения и сопутствующий нагрев подшипниковых опор. Этого недостаточно, т.к. пропускаются зарождающиеся дефекты, которые, в большинстве случаев, уже присутствуют в новом оборудовании. Просто они не сразу отображаются на функциональных характеристиках исследуемых шпиндельных узлов, но ограничивают перспективу использования данного вида оборудования. Для повышения качества производимых шпиндельных узлов и, соответственно, конкурентоспособности предприятия-изготовителя, необходимо на этапе производства шпиндельных узлов осуществлять их диагностику и на предмет возможных дефектов элементов.
Методы вибрационной диагностики - это наиболее эффективный инструмент для выявления дефектов вращающихся деталей станков на самых ранних стадиях возникновения [1]. Они позволяют значительно глубже, по сравнению с температурой, проникать в сущность процессов, протекающих в шпиндельных узлах при холостом вращении и при работе под нагрузкой. Для того чтобы иметь возможность провести вибродиагностику в процессе эксплуатации металлорежущего станка, в конструкции должны быть предусмотрены места установки первичных преобразователей (акселерометров), что повысит точность снимаемых амплитудно-частотных характеристик вибросигналов. Процедура контроля состояния шпиндельных узлов на предприятиях становится наиболее эффективной при использовании компьютеров. Для этого создаются базы данных вибрационных кар-
тин, соответствующих определенным дефектам элементов шпиндельных узлов и современные экспертные системы диагностики (в настоящее время наиболее перспективными являются искусственные нейронные сети).
На рис. 1 показаны наиболее часто встречающиеся причины повышенной вибрации шпиндельных узлов металлорежущих станков.
Рис. 1. Причины повышенной вибрации шпиндельного узла
Диагностировать представленные на рис. 1 дефекты эффективнее всего по классическим спектрам и спектрам огибающей вибрационных сигналов [1], снятых со шпиндельных узлов, при помощи вибропреобразователей (акселерометров), установленных вблизи подшипниковых опор. Далее анализ полученных амплитудно-частотных характеристик предложим провести при помощи обученных искусственных нейронных сетей, что позволит повысить точность постановки диагноза исследуемому узлу. Схему диагностики шпиндельных узлов можно представить следующим образом (рис. 2).
Для решения поставленной нами задачи наиболее эффективна такая разновидность искусственных нейронных сетей, как многослойный персеп-трон — сеть прямого распространения, в которой каждый нейрон текущего слоя связан со всеми нейронами предыдущего [2]. Количество входных и выходных элементов нейронной сети определяется индивидуально для каждого объекта диагностики. Рекомендаций по составу и количеству промежуточных слоёв не существует, эти параметры находятся опытным путём.
Колебания шпиндельного узла вблизи подшипниковых опор
и
Группа акселерометров
и
Аналого-цифровое преобразование электрических сигналов с акселерометров
и
Анализ технического состояния шпиндельного узла с помощью обученной нейронной сети
и
Вывод диагностической информации на монитор персонального компьютера
Рис. 2. Структурная схема вибродиагностики шпиндельного узла
Для анализа технического состояния шпиндельного узла, с помощью искусственных нейронных сетей, необходимо создать обучающую выборку, которая представляет из себя входные значения вида хь х2,,..,хр (табл. 1), в соответствии которым приведены выходные значения
(табл. 2), где р и т — соответственно, численность нейронов в первом и последнем слоях искусственной нейронной сети.
Таблица 1
Матрица входных параметров
Х1 Х2 Х3 Х4 Х5 Хр
п С £3 £4 £5 Ф
1.1 Х1-1.1 х2-1.1 х3-1.1 х4-1.1 х5-1.1 хр-1.1
1.а х1-1.а х2-1.а х3-1.а х4-1.а х5-1.а хр-1.а
2.1 х1-2.1 х2-2.1 х3-2.1 х4-2.1 х5-2.1 хр-2.1
2.Ь х1-2.Ь х2-2.Ь х3-2.Ь х4-2.Ь х5-2.Ь хр-2.Ь
3.1 х1-3.1 х2-3.1 х3-3.1 х4-3.1 х5-3.1 хр-3.1
З.с х1-3.с х2-3.с х3-3.с х4-3.с х5-3.с хр-3.с
4.1 х1-4.1 х2-4.1 х3-4.1 х4-4.1 х5-4.1 хр-4.1
АЛ х1-4.ё х2-4.а х3-4.ё х4-4.ё х5-4.ё xp-4.d
17.1 х1-17.1 х2-17.1 х3-17.1 х4-17.1 х5-17.1 хр-17.1
17.я х1-17.я х2-17.я х3-17.я х4-17.я х5-17.я хр-17.ц
Таблица 2
Матрица выходных величин
^2 йз й4 • • • й\7
1.1 1 0 0 0 0
• 1 0 0 0 0
1.а 1 0 0 0 0
2.1 0 1 0 0 0
• 0 1 0 0 0
2.Ь 0 1 0 0 0
3.1 0 0 1 0 0
. 0 0 1 0 0
3.с 0 0 1 0 0
4.1 0 0 0 1 0
. 0 0 0 1 0
4.й 0 0 0 1 0
.
17.1 0 0 0 0 1
. 0 0 0 0 1
17^ 0 0 0 0 1
Входные значения хь х2,... ,хр в порядке очереди поступают на вход сети, а выход её сравнивается с соответствующим входному выходным значением d1, йт, после чего веса сети w1, w2,... изменяются таким образом, чтобы уменьшить различие между получившимся и каким требуется выходом сети.
Амплитуды гармоник с наиболее значимыми, как по результатам математических расчетов, так и на основании практического опыта, частотами /1, /2,.,/р спектра вибрации возьмем в качестве входных значений. Выходными значениями будут диагностируемые неисправности элементов исследуемого шпиндельного узла, в нашем случае их 17 (<Л1, d17). Отличным от нуля будет лишь тот элемент, номер которого соответствует номеру неисправности:
— в шпиндельных опорах: d1 — перекос наружного кольца при посадке, d2 - неоднородный радиальный натяг, d3 - проскальзывание в посадочном месте, d4 - ослабление крепления подшипника, d5 - задевания в подшипнике и уплотнениях, d6 - обкатывание наружного кольца, d7 - увеличенные зазоры в подшипнике, d8 - износ поверхности наружного кольца, d9 - износ поверхности тел качения, d10 - износ поверхности внутреннего
кольца, й\\ - дефект группы поверхностей трения, ¿12 - проблемы смазки, ¿13 - раковины (сколы) на наружном кольце, ¿14 - раковины (сколы) на внутреннем кольце, ¿15 - раковины (сколы) на телах качения; — в шпинделе: ¿16 - дисбаланс, - изгиб.
Алгоритм обучения многослойного персептрона (рис. 3) состоит в минимизации целевой функции ошибки [2], которая находится по методу наименьших квадратов:
Е(щ) = 21(У^ - ¿у,*)2, 2 У, *
где у^^ — реальное выходное состояние нейрона у выходного слоя N нейронной сети при подаче на ее входы * — го образца, ¿у,* - желаемое (идеальное) выходное состояние этого нейрона.
Рис. 3. Структура нейронной сети, обученная на диагностику
шпиндельных узлов
Суммирование происходит по всем нейронам выходного слоя и по всем обрабатываемым сетью образам. Минимизация ведется методом градиентного спуска, что означает подстройку весовых коэффициентов, пока не будет достигнуто минимально возможное значение целевой функции
E (w).
В заключение необходимо отметить, что использование вибрационных методов диагностики шпиндельных узлов, с последующим анализом полученных амплитудно-частотных характеристик при помощи обученных искусственных нейронных сетей, позволит повысить точность постановки правильного диагноза элементам исследуемого узла.
Список литературы
1. Русов В. А. Диагностика дефектов вращающегося оборудования по вибрационным сигналам. [Электронный ресурс]. Пермь, 2012. URL:
http://vibrocenter.ru/book2012.htm (Дата обращения: 05.04.2016).
192
2. Боровиков В.П. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных. М.: Горячая линия - Телеком, 2008. 392 с.
Рожков Сергей Викторович, асп., rozhkov-uzlv@mail.ru, Россия, Тула, Тульский государственный университет,
Трушин Николай Николаевич, д-р техн. наук, проф., trunikolaj@yandex.ru, Россия, Тула, Тульский государственный университет,
Шадский Геннадий Викторович, д-р техн. наук, проф., Shadskyvladimir@,gmail. com, Россия, Тула, Тульский государственный университет
MONITORING OF TECHNICAL STATE OF SPINDLE UNITS OF MACHINE TOOLS S.V. Rozhkov, N.N. Trushin, G.V. Shadskiy
Modern spindle units of machine tools are one of the most critical subsystems in systems of quality assurance handling extended surfaces of the parts. Therefore, the main task of technical services is the provision of a specified level of reliability of elements of the spindle by detecting faults at an early stage of occurrence, tracking the dynamics of their development, determine and plan the rational timing of repairs. This article discusses the most efficient from an economic point of view, and from the point of view of accuracy of the methods for diagnostics the technical condition of the spindle units of machine tools.
Key words: spindle, artificial neural networks, vibration diagnostics, machine tools, multilayer perceptron.
Rozhkov Sergey Viktorovich, postgraduate, rozhkov-nzlvamail.ru, Russia, Tula, Tula State University,
Trushin Nikolai Nikolaevich, doctor of technical science, professor, truniko-laj@yandex.ru, Russia, Tula, Tula State University,
Shadskiy Gennady Viktorovich, doctor of technical science, professor, Shadskyvla-dimir@,gmail. com, Russia, Tula, Tula State University
