Temukan Bagaimana Pemesinan Prediktif Meningkatkan Keandalan: Kasus Dunia Nyata

Garis hitam adalah kegagalan yang diannotasi, sementara titik merah adalah beban tidak normal. Beberapa titik merah tidak selaras dengan garis hitam, karena fakta bahwa anotasi kadang-kadang terlewat oleh operator.

Seiring waktu, pola muncul untuk setiap jenis kegagalan. Garis-haris hitam dalam plot di atas semua mewakili waktu kegagalan endmill, di mana endmill tertentu patah dan tidak dapat melakukan pekerjaan yang diperlukan untuk menyelesaikan bagian. Alat yang datang setelah endmill kemudian perlu menghabiskan energi tambah untuk melakukan potongannya, menyebabkan tanda beban yang ditingkatkan dalam merah yang Anda lihat dalam plot di atas. Ini diulang waktu dan waktu lagi, memungkinkan kami untuk membuat algoritma ambang sederhana untuk menghentikan mesin segera kami melihat tanda beban yang ditingkatkan pertama.

Dalam manifestasi fisiknya, Anda dapat melihat bahwa bagian yang baik, dipotong oleh endmill yang baik, memiliki finishing yang indah dan mengkilat di slot. Bagian yang buruk, dipotong oleh endmill yang patah, memiliki slot yang kasar karena endmill tidak dapat membuat finishing yang halus, dan alat yang datang kemudian tidak dapat melakukan tugasnya dengan benar juga.

Dan dalam produk kami, kami sekarang memantau beban pada mesin ini untuk mengeluarkan feed-hold sebelum bagian Bad Slot dibuat. Selama 4 bulan terakhir, kami telah mengeluarkan 60 feed hold pada beberapa mesin, dengan 3 false positive dan 2 kegagalan yang terlewat (95% presisi, 96% recall), mencegah lebih dari 2.000 bagian sisa dibuat dan menyelamatkan berjam-jam kerja manusia dari konfigurasi ulang mesin. Oh, dan untuk memastikan, ini adalah bagian kecil, yang dibuat oleh alat kecil — ukuran bukan keterbatasan besar bagi kami saat kami menarik data motor yang sangat sensitif. Semua bagian yang keluar dari mesin ini sekarang indah dan baru, tanpa cacat yang mereka bawa sebelumnya.

Cukup rapi, kan? Itu hanya salah satu dari banyak kasus penggunaan. Anda tidak berpikir kami hanya seekor kuda satu trik, kan?

Kegagalan Bearing Bola

Mirip dengan kegagalan endmill, kegagalan bearing dapat membahaya baik dari segi material dan tenaga kerja.

Berbeda dengan kegagalan endmill, kegagalan bearing terlihat sepenuhnya berbeda dalam hal pola yang perlu kita cari.

Mirip dengan kegagalan endmill, kegagalan bearing menggunakan jenis data motor yang kaya dan metodologi pengumpulan yang sama.

Berbeda dengan kegagalan endmill, kegagalan bearing muncul selama periode waktu yang lama (hari hingga minggu) dan dapat dicegah jauh sebelumnya.

Mari kita terlebih dahulu menyelidiki apa yang dilakukan beban pada mesin saat sebelum kegagalan bearing, dalam tangkapan data 2 jam sebelum kegagalan.

[Lihat ukuran penuh gambar]

Setiap garis tersebut adalah beban pada alat tertentu. Tidak perlu menjadi ilmuwan roket untuk mengetahui apa yang terjadi di sini. Beban melonjak ~15 menit sebelum kegagalan bearing sebenarnya pada setiap alat, kemungkinan karena mesin mengalami beban tambahan dari komponen kunci yang semakin rusak.

Jika kita melihat progresi per bagian dalam 15 menit sebelum kegagalan, pola menarik lain muncul, yaitu beban tampaknya mengurang seiring waktu. Anda dapat melihat bahwa untuk setiap potong, beban menjadi eksponensial lebih dan lebih keluar dari spesifikasi.

Bandingkan ini dengan kegagalan bearing lain pada mesin lain yang membuat bagian yang sama, dan pola sangat mirip. Itulah karena ini adalah tanda unik untuk kegagalan bearing. Sementara kegagalan endmill yang mengarah pada bagian sisa menunjukkan lompatan beban pada alat berikutnya, kegagalan bearing menunjukkan peningkatan beban yang sangat mengurang pada semua alat.

Dan melihat ini seiring waktu, kami sebenarnya melihat bahwa degradasi ini dimulai hari-hari sebelum kegagalan sebenarnya. Pada dua kasus terpisah untuk dua mesin, Anda dapat melihat bahwa ada kenaikan beban lama sebelum kenaikan tajam terakhir selama 15 menit sebelum patah. Itulah karena bearing tidak hanya tiba-tiba rusak. Kemungkinan ada longsong atau pecahan yang tidak terdeteksi selama hari-hari sebelum hari karnaval terakhir, yang disebabkan oleh penyalahgunaan atau kurangnya pemeliharaan. Dalam kasus ini, bearing yang gagal juga menyebabkan kerusakan perabot spindle, yang membiayai perbaikan sejumlah ribuan $$$ lainnya.

Kegagalan bearing November, menunjukkan beban yang ditingkatkan ~2 hari sebelumnya. [Lihat ukuran penuh gambar]

Kegagalan bearing Februari, menunjukkan beban yang ditingkatkan ~1 minggu sebelumnya. [Lihat ukuran penuh gambar]

Konsistensi yang luar biasa yang kita lihat untuk jenis kegagalan yang serupa adalah karena kita melihat fenomena fisik, yang, tunggu-tunggu, dikendalikan oleh hukum fisika. Oleh karena itu, kegagalan mengikuti pola deterministik yang dapat kita cerna dari data yang cukup tinggi fidelitas. Triknya benar-benar dalam mendapatkan data ini dan membersihkannya agar berguna, yang merupakan bagian besar dari IP kami.

Kami mengakui inovasi ini pada campuran keterampilan tertentu yang kami miliki di tim MachineMetrics — kami tidak percaya typical untuk memiliki operator mesin yang berpengalaman bekerja dengan ahli protokol siber-fisik, dilengkapi oleh ahli fisika dari CERN dan ilmuwan data dari thinktank global, semua didukung oleh investor yang percaya kami memasuki era baru industri.

Kegagalan Alat Berantai

Memiliki seluruh kolom alat yang patah dapat menjadi pengalaman yang menyedihkan bagi setiap tukang mesin. Untungnya, ini adalah hal yang terlalu sering terjadi di industri kami. Bagaimana jika kita dapat melihat kapan alat pertama patah, dan kemudian menghentikan mesin segera sebelum alat lain ikut terjatuh?

Turns out, you can. Setelah alat pertama patah, perubahan tanda beban pada alat berikutnya hampir disajikan kepada Anda di piring.

Dalam satu kasus ini, kami melihat alat pertama patah banyak siklus bagian sebelum mesin menghentikan diri sendiri saat mendeteksi sesuatu yang katastropik. Pada saat pematikan sendiri terjadi, alat lain juga telah terjatuh, membiayai bengkel ratusan dolar penggantian alat yang tidak perlu. Alat pertama kemungkinan patah karena sudah aus dan melewati akhir umur, jadi mungkin tidak dapat diselamatkan. Namun tidak ada alasan mengapa alat lain setelahnya, beberapa yang baru diganti, perlu ikut terjatuh.

Anda dapat melihat animasi ini di bawah ini, di mana kegagalan alat yang dikatakan oleh operator, dan saat mesin menghentikan diri sendiri, terjadi pada Bagian 40. Faktanya, sinyal mulai meredam sekitar Bagian 37, satu siklus penuh sebelum mesin mengidentifikasi sendiri bahwa ada yang salah. Selama 3 siklus ini, alat yang mengikuti alat yang rusak juga rusak.

Mari kita uraikan periode penggunaan alat ini selain hanya nomor bagian — alat ditetapkan oleh berbagai linetypes.

Mari kita zoom ke daerah yang memprihatinkan sedikit. Agak sulit untuk dipilih, tetapi tampaknya T101 adalah alat yang menyebabkan patah, dan T117 adalah yang mengalami beban yang lebih tinggi dalam siklus segera setelahnya, lalu mati (flatlines). Setelah alat diganti, tanda beban kembali kira-kira seperti sebelumnya (mengakibatkan sedikit geser karena alat segar).

Anotasi dalam kasus ini adalah “H1t1 198/200 rougher broke, took out seat.” — berarti, “kepala 1, alat 1, alat kasar, patah selama pekerjaan, pada 198 dari 200 bagian yang dimaksud untuk dibuat, dan mengambil tempat duduk (alat berikutnya)”.

[Lihat ukuran penuh gambar]

Memang, itulah yang terjadi.

Stay tuned for Part 2, where we’ll review tool life estimation, the consequences of incorrect offsets on your machine, and incomplete cutoffs from tool failure.

Gambar unggulan dengan izin dari Daniel Smyth.