K O M I S J A B U D O W Y M A S Z Y N P A N – O D D Z I A Ł W P O Z N A N I U

Vol. 31 nr 2 Archiwum Technologii Maszyn i Automatyzacji 2011

KRZYSZTOF JEMIELNIAK*

PRZETWARZANIE SYGNAŁÓW W DIAGNOSTYCE STANU

NARZĘDZIA I PROCESU SKRAWANIA

W artykule przedstawiono współczesne metody przetwarzania sygnałów w układach diagno-

styki stanu narzędzia i procesu skrawania (DNiPS). Omówiono przetwarzanie wstępne (np. filtro-

wanie, wzmacnianie, zamianę na postać cyfrową, segmentację), a następnie wyznaczenie miar

sygnałów w dziedzinie czasu, częstotliwości (transformata Fouriera) lub czasu i częstotliwości

(krótkookresowa transformata Fouriera, transformata Falkowa, transformata Hilberta-Huanga).

Uzyskanych miar sygnałów może być bardzo wiele, zwłaszcza jeśli pochodzą z różnych sygnałów

(czujników), a wiele z nich nie jest związanych z monitorowanym procesem. Stąd konieczne jest

stosowanie odpowiednich sposobów oceny stopnia ich powiązania z monitorowanym zjawiskiem.

Omówiono metody oceny przydatności i selekcji miar oraz eliminacji tych miar, które dublują

informacje z lepszych od siebie.

Słowa kluczowe: diagnostyka stanu narzędzia i procesu skrawania, przetwarzanie sygnałów

1. WSTĘP

Rozwój zautomatyzowanych systemów wytwarzania wymaga stosowania

układów diagnostyki stanu narzędzia i procesu skrawania (DNiPS). Układy takie

działają w oparciu o sygnały pochodzące z czujników mierzących wielkości za-

leżne od diagnozowanego zjawiska jak siły skrawania, drgania czy emisja aku-

styczna (AE). Sygnały te są przedmiotem analogowego i cyfrowego przetwarzania

zmierzającego do wyznaczenia miar skorelowanych ze stanem narzędzia czy pro-

cesu skrawania (drgania, wióry, zadziory itd.). Powszechnie uznaje się, iż nie jest

możliwe wiarygodne monitorowanie stanu narzędzia i procesu skrawania w opar-

ciu o pojedynczą miarę. Stąd wyznaczanie odpowiednio dużej liczby miar jest

kluczowym zagadnieniem w każdym układzie DNiPS. Przetwarzanie sygnałów

odbywa się w kilku etapach: obróbka wstępna, wyznaczanie miar, wreszcie selek-

cja miar przydatnych do diagnozowanego procesu. Wyznaczone i wyselekcjono-

wane w ten sposób miary sygnałów stanowią podstawę do oceny stanu narzędzia i

procesu skrawania. Współczesny stan wiedzy o DNiPS jest przedstawiony w arty-

* prof. dr hab. inż. Instytut Technologii Maszyn Politechniki Warszawskiej.

K. Jemielniak 38

kule [34]. Tu pokrótce omówiono jedynie przetwarzanie sygnałów w układach

DNiPS.

2. WSTĘPNA OBRÓBKA SYGAŁÓW

Sygnały analogowe z czujników zwykle nie mogą być połączone bezpośrednio

do przetwornika analogowo-cyfrowego (A/C), lecz wymagają wstępnego przygo-

towania przez układ dedykowany do czujnika. Np. piezoelektryczny czujnik AE,

ze względu na swą dużą oporność wewnętrzną, musi być podłączony bezpośred-

nio do wzmacniacza ładunku (przedwzmacniacza), który zamienia ten ładunek na

proporcjonalny sygnał napięciowy (rys. 1). Sygnał napięciowy powinien być prze-

filtrowany w celu wyeliminowania zakłóceń, a także eliminacji składowych o

częstotliwościach wyższych niż połowa częstotliwości próbkowania w przetwor-

niku A/C. Zakres częstotliwości sygnału AE sięga 1MHz (zwykle 80-700kHz)

stąd jego wykorzystanie wymaga częstotliwości próbkowania ponad 1MS/s, co

pociąga za sobą konieczność zaangażowania dużych zasobów pamięci i znaczne

koszty obliczeniowe. Stąd często stosuje się demodulację sygnału AE do postaci

wartości skutecznej (AERMS), która jest wielkością niskoczęstotliwościową, a

więc łatwiejszą do przetwarzania. Stała czasowa przetwornika RMS musi być

starannie dobrana, zależnie od miar sygnału jakie będą wyznaczane. Jeśli mają

to być miary związane z wybuchami AE, stała ta musi być 10-krotnie krótsza niż

typowy czas trwania wybuchu AE, który w przypadku skrawania wynosi ok. 2

ms [10].

Rys. 1. Typowy schemat przygotowania sygnału AE

Fig. 1. Typical measuring chain for AE detection during machining.

Energia AE pochodzącej ze strefy skrawania może być bardzo znaczna, co

może spowodować przesterowanie wzmacniacza ładunku i nasycenie sygnału.

Górnoprzepustowe filtrowanie takiego sygnału, objawia się chwilowymi spad-

kami amplitudy do zera, co prowadzi do całkowicie błędnej interpretacji wyni-

ków, zwłaszcza gdy korzysta się z wartości skutecznej. W celu uniknięcia takich

zniekształceń, wzmocnienie ładunku powinno być jak najniższe, a dalsze nie-

zbędne wzmocnienie wykonywane po przefiltrowaniu sygnału [11].

Zaawansowane metody przetwarzania sygnałów… 39

Po przetworzeniu na postać cyfrową, sygnał podlega dalszej obróbce. Filtro-

wanie cyfrowe eliminuje składowe o częstotliwościach spoza interesującego

zakresu lub zakłócenia pochodzące spoza monitorowanego zjawiska [7,21].

Np. sygnały z czujnika sił zintegrowanego z wrzecionem centrum obróbkowego,

są zniekształcone gdy częstotliwości mierzonych sił są zbieżne z częstotliwościa-

mi własnymi wrzeciona. Filtr Kalmana umożliwia eliminację tych zakłóceń [2].

Filtrowanie dolnoprzepustowe sygnałów sił skrawania przy wykrywaniu katastro-

ficznego stępienia ostrza (KSO) w oparciu o szybkie zmiany tych sił, umożliwiło

zastosowanie znacznie węższych granic tolerancji sygnału, a co za tym idzie wy-

krywanie mniejszych wykruszeń ostrza [9].

Innym ważnym elementem wstępnej obróbki sygnału jest jego segmentacja, to

jest wycięcie do dalszej analizy jedynie fragmentów zarejestrowanych w czasie

trwania procesu.

3. WYZNACZANIE MIAR SYGAŁÓW

Z sygnału w postaci cyfrowej (szeregu czasowego) wyznaczane są miary sy-

gnałów, które opisują jego cechy związane z monitorowanym zjawiskiem. Miary

te mogą być wyznaczane z sygnałów w dziedzinie czasu, z ich transformat w

dziedzinie częstotliwości lub czasu i częstotliwości.

3.1. Miary w dziedzinie czasu

Miary ogólnego stosowania

Istnieje wiele miar, jakie można wyznaczyć z sygnałów w dziedzinie czasu.

Najczęściej stosowane to: średnia, amplituda, zakres, współczynnik szczytu,

wartość skuteczna, wariancja (lub odchylenie standardowe), skośność, kurtoza,

moc, stosunek lub przyrosty sygnałów [np. 1, 5, 7, 25, 26, 31, 77].

Miary AE i drgań

Niektóre miary stosowane są jedynie do sygnałów drgań i AE: liczba lub

tempo impulsów lub wybuchów, szerokość impulsów lub wybuchów (procent

czasu powyżej progu) [11, 20, 31]. Kannatey-Asibu and Dornfeld [18] przyjęli,

że sygnał AERMS ma rozkład β i wykazali, że skośność i kurioza tego rozkładu

jest wrażliwa na zużycie powierzchni przyłożenia. W [16] zastosowano te para-

metry do wykrywania KSO przy toczeniu przerywanym.

Modelowanie szeregów czasowych

W DNiPS wykorzystywane są trzy techniki modelowania szeregów czaso-

wych: autoregresja (AR), ruchoma średnia (MA) oraz połączenie tych technik

K. Jemielniak 40

(ARMA) [5, 20, 28]. Jako miary sygnału stosowane są współczynniki AR, MA

lub ARMA 1go lub 1go i 2go rzędu, rzadziej 3-5go rzędu [4].

Analiza głównych składowych (ang. Principal Component Analysis, PCA)

PCA to jedna ze statystycznych metod analizy czynnikowej stosowana sze-

roko do identyfikacji i redukcji wymiarowości systemów. Zbiór danych składa-

jący się z N obserwacji, z których każda obejmuje K zmiennych, można inter-

pretować jako chmurę N punktów w przestrzeni K-wymiarowej. PCA polega na

takim obrocie układu współrzędnych który maksymalizuje wariancję pierwszej

współrzędnej, następnie wariancję drugiej współrzędnej, itd. Przekształcone

wartości współrzędnych nazywane są ładunkami wygenerowanych czynników

(składowych głównych).

Shi i Gindy [30] wykorzystali sygnały dwóch prostopadłych składowych sił

skrawania przy przeciąganiu do diagnostyki zużycia ostrza. Wyniki pomiarów

tworzyły charakterystyczne zniekształcone elipsy w przestrzeni 2D o kształcie i

położeniu wyraźnie skorelowanym ze zużyciem (rys. 2). Stosując PCA wyzna-

czono: długości osi (a/b) i nachylenie elipsy (β). Środki elips to średnie wartości

sił. Miary sygnałów przyjęte do diagnostyki: Fy,śr, Fz,śr, a, b, β.

Rys. 2. Wykresy kołowe sygnałów sił skrawania w różnych stadiach zużycia ostrza [30]

Fig. 2. Orbit diagram of cutting force signals at different level of tool wear [30].

Zaawansowane metody przetwarzania sygnałów… 41

Analiza widma osobliwego (ang. Singular Spectrum Analysis SSA)

SSA to nowa technika nieparametrycznej analizy szeregów czasowych. Pole-

ga ona na rozkładzie sygnału na trzy niezależne składowe: wolnozmienny trend

reprezentujący lokalną średnią, różnicę między sygnałem a średnią (składową

oscylacyjna) oraz szum pozbawiony jakiejkolwiek struktury [26]. Te trzy skła-

dowe traktuje się jak nowe sygnały i wyznacza z nich omówione poprzednio

podstawowe miary (np. średnią, wariancję, RMS, skośność, kurtozę itd.).

Salgado i Alonso zastosowali SSA sygnału drgań do diagnostyki stanu narzędzia

przy toczeniu [26] oraz do przewidywania chropowatości powierzchni [27].

Entropia permutacji

Kolejną, stosunkowo nową miarą złożoności szeregów czasowych, stosowa-

ną w DNiPS jest entropia permutacji [21]. Im mniejsza entropia permutacji, tym

bardziej regularny szereg czasowy. Z szeregu czasowego x[i], i=1..n można

otrzymać n! permutacji (ustawień w różnej kolejności). Entropię permutacji

takiego szeregu definiuje zależność:

i

n

i

ip ppnH ln!

1

(1)

gdzie p(i) – względna częstość występowania permutacji i.

Znormalizowana entropia permutacji jest wtedy opisana wzorem:

!ln n

nHH

p

p (2)

Li i in. [21] wykorzystali tę miarę do wykrywania KSO na postawie sygnału

silnika przy frezowaniu palcowym. W czasie normalnego skrawania sygnał jest

regularnie okresowy, a Hp niska. Po wystąpieniu KSO regularność ta znacznie

spada, czemu towarzyszy skok wartości Hp.

3.2. Miary w dziedzinie częstotliwości i czasu-częstotliwości

Szybka transformata Fouriera

Miary sygnałów w dziedzinie częstotliwości z reguły oparte są na jednym z

wielu dostępnych algorytmów szybkiej transformacie Fouriera (FFT), która

przekształca szereg czasowy o N elementach x[n] (n = 0…N-1) na dyskretną

reprezentację w dziedzinie częstotliwości X[m] (m = 0…N-1). Np. El-Wardany i

in., którzy wykorzystali widma sygnałów drgań przy wierceniu do oceny stanu

narzędzia zauważyli, że amplituda składowych w paśmie 2-5 Hz wzrasta gwał-

townie tuż przed KSO [6].

K. Jemielniak 42

Bezpośrednie zastosowanie współczynników Fouriera X[m] jest niepraktycz-

ne tak ze względu na ich znaczną liczbę, jak przeciek widma. Stąd wyznacza się

miary tej transformaty: amplituda dominujących składowych, moc lub energia w

wybranych pasmach, średnia częstotliwość, wariancja, skośność, kurioza rozkła-

du mocy np. [20, 6, 8, 11, 32].

Mimo iż sygnały pochodzące ze strefy skrawania są z reguły niestacjonarne,

FFT uśrednia składowe częstotliwościowe po czasie trwania sygnału, ze stałą

rozdzielczością równą odwrotności tego czasu. W celu uwzględnienia zmienno-

ści widma w czasie stosuje się analizę czasowo-częstotliwościową jak np. krót-

kookresowa transformata Fouriera (STFT), w której okno w[n] jest przemiesz-

czane wzdłuż osi czasu, dzięki czemu kolejne transformaty FFT przedstawiają

zmiany składowych częstotliwościowych w kolejnych krótkich odcinkach czasu.

Marinescu, i Axinte [22], którzy wykorzystali sygnały AE do wykrywania

KSO przy frezowaniu zastosowali STFT do precyzyjnego określenia momentu

rozpoczynania i kończenia skrawania poszczególnymi ostrzami, czyli do seg-

mentacji sygnału.

Transformata falkowa (ang. Wavelet Transform, WT)

STFT jako metoda analizy czasowo-częstotliwościowej ma zasadniczą wadę:

długość okna decyduje o rozdzielczości w obu dziedzinach – czasu i częstotli-

wości. Obie nie mogą być arbitralnie duże i poprawa jednej odbija się na pogor-

szeniu drugiej (zasada nieoznaczoności Heisenberga). Problemowi temu wycho-

dzi naprzeciw transformata falkowa (WT), w której wysokie częstotliwości są

analizowane wąskimi oknami dla lepszej rozdzielczości w dziedzinie czasu, zaś

niskie szerokimi oknami, co daje lepszą rozdzielczość w dziedzinie częstotliwo-

ści. Dyskretna transformata falkowa (DWT) rozkłada sygnał na współczynniki

skali (tzw. aproksymacje A) i współczynniki falkowe (tzw. detale D) przy pomo-

cy filtrów dolno i górnoprzepustowego. Odpowiedzi filtrów są dwójkowane

(brana jest co druga próbka). Aproksymacja pierwszego poziomu A1 jest ponow-

nie rozkładana na A2 i D2. Ogólnie aproksymację Aj+1 i detal Dj+1 opisać można

jako:

kAknhnA j

k

j

21 (3)

kAkngnD j

k

j

21 (4)

gdzie h i g to odpowiedzi impulsowe filtrów dolno i górnoprzepustowego (funk-

cji skalującej i falki)

Innym typem WT jest pakietowa transformata falkowa (WPT), w której dal-

szej dekompozycji podlega nie tylko aproksymacja lecz i detal. Pozwala to na

uzyskanie większej liczby użytecznych miar sygnałów.

Zaawansowane metody przetwarzania sygnałów… 43

Podobnie jak w przypadku transformaty Fouriera, z reguły nie korzysta się

bezpośrednio ze współczynników falkowych lecz wyznacza z nich miary stoso-

wane do sygnałów z dziedziny czasu. Kamarthi i Pittner, którzy wykorzystali

sygnały sił skrawania i drgań do oceny zużycia ostrza przy toczeniu, jako miarę

sygnałów zastosowali energię współczynników falkowych [17]. Rene i in. zasto-

sowali różnicę między pojedynczymi wartościami siły dla kolejnych ostrzy w

czasie pełnego obrotu frezu wyznaczoną z detalu 5 poziomu DWT. Teti i in.

zastosowali WPT do diagnostyki postaci wióra przy toczeniu [33]. Interesujący

przegląd zastosowań WT w DNiPS można znaleźć w [19].

Transformata Hilberta-Huanga (ang. Hilbert-Huang Transform HHT)

Kolejną, stosunkowo nową metodą analizy czasowo-częstotliwościowej sto-

sowaną w DNiPS jest HHT, przydatna szczególnie do sygnałów niestacjonar-

nych i nieliniowych, które mogą się zmieniać nawet w ramach jednego okresu

oscylacji sygnału. W przeciwieństwie do STFT czy WT, HHT jest raczej algo-

rytmem (podejście empiryczne) niż narzędziem teoretycznym. Wykorzystuje

dwie techniki przetwarzania sygnałów (dwa kroki):

– empiryczną dekompozycję sygnału na nieliniowe składowe modalne (w

przeciwieństwie do typowych składowych harmonicznych funkcje te mogą po-

siadać zmienną amplitudę oraz częstotliwość w dziedzinie czasu),

– transformatę Hilberta, która wyznacza zmiany amplitudy i częstotliwości

składowych sygnału w czasie i tworzy wynikowy rozkład czasowo-

częstotliwościowy (spektrum Hilberta)

Peng [23] zastosował tę metodę do wykrywania KSO w oparciu o sygnały sił

skrawania przy frezowaniu. KSO może być wykrywane bezpośrednio w spek-

trum Hilberta lub za pośrednictwem składowych modalnych związanych z cha-

rakterystycznymi dla frezowania częstotliwościami. Po wystąpieniu KSO ener-

gia charakterystycznych składowych zmienia się w przeciwnym kierunku, ina-

czej niż po zmianie parametrów skrawania (rys. 3).

4. SELEKCJA MIAR SYGAŁÓW

Liczba miar pochodząca z jednego lub więcej sygnałów może być bardzo du-

ża, lecz większość z nich jest bardzo zakłócona lub niezależna od monitorowa-

nego zjawiska. Należy zatem wybrać te, które są skorelowane z tym zjawiskiem.

Liczba takich miar sygnałów musi być na tyle duża, by skompensować przypad-

kowe zakłócenia nieuniknione w każdej z nich. Z drugiej strony, szczególnie w

układach wykorzystujących sztuczne sieci neuronowe, im więcej miar tym wię-

cej niezbędnych danych do trenowania i walidacji sieci. Jeśli układ DNiPS ma

pracować bezpośrednio po pierwszym okresie trwałości ostrza, liczba danych

może być zbyt mała do właściwego wytrenowania sieci przy dużej liczbie miar

K. Jemielniak 44

[12]. Stąd bardzo ważnym przedmiotem przetwarzania sygnałów jest zapewnie-

nie jak największej ilości istotnych informacji przez usunięcie zbędnych lub

nieskorelowanych z procesem miar. W zastosowaniach przemysłowych wybór

miar musi być prowadzony automatycznie, bez udziału, a nawet wiedzy operato-

ra.

Rys. 3. Frezowanie ze wzrostem głębokości skrawania i wyłamaniem ostrza; a) sygnał siły

skrawania, b) częstotliwość chwilowa, c) i d) średnie energie w dwu dominujących pasmach czę-

stotliwości f1 i f2 [23].

Fig. 3. Milling process with increased depth of cut and tool breakage; a) cutting force signal,

b) instantaneous frequency, c) and d) average energies of two dominant frequency regions f1 and f2

[23].

Zaawansowane metody przetwarzania sygnałów… 45

Sick zaprezentował interesującą klasyfikację procedur wyboru miar do dia-

gnostyki zużycia ostrza przy toczeniu [31]. W 38% ze 138 przeanalizowanych

publikacji, miary sygnałów były wybierane bez żadnego uzasadnienia (lub w

oparciu o dane literaturowe), w 26% były definiowane po analizie zmierzonych

sygnałów, w 21% najbardziej użyteczne miary były wybierane bez uwzględnie-

nia wynikającej z nich oceny zużycia ostrza. Jedynie w 15% analizowanych

publikacji optymalny zestaw miar był określany po przeanalizowaniu wpływu

tego wyboru na ocenę zużycia ostrza.

Quan i in. [24], do znalezienia miar najlepiej charakteryzujących zużycie

ostrza, zastosowali współczynnik korelacji r Pearsona:

i ii i

i ii

yyxx

yyxxr

22

2

2 (5)

gdzie x i y są średnimi wartościami x i y (tu np. wartość miary i wartość zuży-

cia ostrza). Współczynnik korelacji r jest miarą siły liniowej zależności y(x).

Również Scheffer i Heyns [28] stosowali ten współczynnik do wyboru miar,

zakładając, że im niższa jego wartość, tym niższa szansa, że miara wykaże jaką-

kolwiek zależność od zużycia ostrza. Zignorowali oni fakt, że nawet jeśli miara

jest doskonale skorelowana ze zużyciem lecz korelacja jest nieliniowa, współ-

czynnik korelacji jest <1.

W celu uniknięcia niepewności związanej z modelowaniem zależności miary

od stanu narzędzia w [14] zaproponowano wykorzystanie współczynnika deter-

minacji, który wskazuje, na ile dowolny model oddaje wartości doświadczalne,

lub inaczej mówiąc, na ile ten model lepiej opisuje przebieg miary niż jej war-

tość średnia. Współczynnik determinacji opisany jest zależnością:

i i

i iii i

yy

yyyy

CSK

RSKCSK

CSK

ZSKR

2

22

2ˆ

(6)

gdzie: i i yyCSK

2– całkowita suma kwadratów,

i ii yyRSK2ˆ –

resztkowa suma kwadratów, ZNK=CSK–RSK – zniesiona suma kwadratów,

yyi, – kolejna i średnia wartość miary, iy – wartość miary oszacowana na

podstawie dowolnego modelu jej zależności od stanu narzędzia. Autorzy zapro-

ponowali pogrupowanie wartości miar w czterech zakresach wartości zużycia

ostrza i zastąpienie iy średnimi w tych grupach.

W [12, 13] szacowano powiązanie miar z wykorzystaną częścią okresu trwa-

łości ostrza (stosunek czasu skrawania do tego okresu T = t/T) korelując każdą

z miar z T przy pomocy wielomianu 2go stopnia, a błąd średniokwadratowy

takiego oszacowania przyjęto za miarę przydatności miary do diagnostyki zuży-

K. Jemielniak 46

cia ostrza. Później [15] metoda została udoskonalona przez zastąpienie aprok-

symacji wielomianowej przez filtrowanie dolnoprzepustowe szeregu przebiegu

miary w funkcji T oraz wykorzystanie współczynnika determinacji w sposób

opisany wyżej. Dodatkowo, dla dalszych okresów trwałości ostrza wprowadzo-

no ocenę powtarzalności miary modelując jej przebieg średnią z kolejnych okre-

sów trwałości.

Al-Habaibeh i Gindy [1] wyszukiwali miary sygnałów zależne od stanu frezu

stosując średnie wartości zależności otrzymane z ortogonalnych macierzy Tagu-

chiego jako wskaźniki przydatności kombinacji miar z określonego czujnika, do

wykrywania stępienia narzędzia (im silniejsza zależność, tym czujnik jest bar-

dziej przydatny). Sun i in. [32] identyfikowali najbardziej przydatne miary sto-

sując model Bayesowski i metodę wektorów nośnych (Support Vector Machine

- SVM). Oceniano błąd oceny stanu narzędzia modelowanego z zastosowaniem

wybranej miary ze stanem rzeczywistym (ostre – stępione), a najgorsze miary

były eliminowane.

Inny sposób weryfikacji przydatności miar to współczynnik statystycznego

pokrywania się (Statistical Overlap Factor SOF), określający stopień separacji

wartości miar odpowiadających narzędziom ostrym i stępionym [29]. Współ-

czynnik ten jest zdefiniowany jako:

221

21

xxSOF (7)

gdzie 2211 ,,, xx to odpowiednio średnie i odchylenia standardowe wartości

miar dla narzędzia ostrego (1) i stępionego. Autorzy zauważyli, że przy automa-

tycznej selekcji miar często wybierane są miary zbyt bliskie lub podobne jedna

do drugiej, co przeczy celowi jakim jest integracja różnych miar. W takich przy-

padkach autorzy zalecili „inżynierską ocenę” co ogranicza automatyzm wyboru i

zmusza do ręcznej interwencji operatora, a raczej naukowca. Taka procedura nie

jest do zaakceptowania w warunkach przemysłowych, stąd w [15] zastosowano

współczynnik korelacji Pearsona (wzór 5) do oceny korelacji między najlepszą

wybraną miarą (najlepiej skorelowaną ze stanem narzędzia – wzór 6) a wszyst-

kimi pozostałymi i eliminację miar podobnych. Z pozostałych ponownie wybie-

rano najlepszą i odrzucano podobne do niej itd.

Binsaeid i in. [3] przedstawili metodę wyboru miar, w której przydatność

miary ocenia się na podstawie korelacji pojedynczej miary ze stanem ostrza oraz

korelacji między miarami. Wysoki wynik osiągają miary, dobrze skorelowane ze

stanem narzędzia, a jednocześnie słabo skorelowane między sobą. Współczyn-

nik przydatności miary wyznaczano jako:

ff

cf

rNNN

rNm

1 (8)

Zaawansowane metody przetwarzania sygnałów… 47

gdzie N = liczba miar, ffcf rr , = średnia korelacja miara-stan narzędzia oraz

miara-miara. Korelację badano miarami entropii.

5. WNIOSKI

– Zaawansowane metody przetwarzania sygnałów umożliwiają uzyskanie bar-

dzo znacznej liczby miar dostępnych (zwykle kilku) sygnałów.

– Nie da się przewidzieć z góry, które miary okażą się przydatne do diagnostyki.

– Zwykle w literaturze występuje „ręczna” selekcja miar przez badacza, co czyni

prezentowane metody laboratoryjnymi, nawet jeśli badania prowadzone były w

warunkach przemysłowych

– Jednym z głównych wyzwań w rozwoju układów DNiPS jest opracowanie i

wdrożenie metod automatycznej akwizycji i segmentacji sygnałów, wyznacza-

nia, oceny i eliminacji miar zbędnych, bez udziału operatora, który powinien

dostarczać do układu jedynie nieliczne, niezbędne informacje (im mniej, tym

lepiej) PODZIĘKOWANIA

Badania zrealizowano w ramach Projektu „Nowoczesne technologie materia-

łowe stosowane w przemyśle lotniczym” Nr POIG.0101.02-00-015/08 w Pro-

gramie Operacyjnym Innowacyjna Gospodarka (POIG). Projekt współfinanso-

wany przez Unię Europejską ze środków Europejskiego Funduszu Rozwoju

Regionalnego.

LITERATURA

[1] Al-Habaibeh A, Gindy N., A New Approach for Systematic Design of Condition Moni-

toring Systems for Milling Processes, Journal of Materials Processing Technology 2000,

vol. 107, s. 243–251.

[2] Altintas Y, Park SS., Dynamic Compensation of Spindle-integrated Force Sensors.

CIRP Annals, 2004, vol. 53, nr 1 s. 305–308.

[3] Binsaeid S., Asfoura S., Chob S., Onarc A.,, Machine Ensemble Approach for Simul-

taneous Detection of Transient and Gradual Anomalies in Milling Using Multisensor Fu-

sion. Journal of Materials Processing Technology, 2009, vol. 209, s. 4728–4738.

[4] Christopher A., Piazza J., Roth J., Directionally Independent Failure Prediction of

End-milling Tools During Pocketing Maneuvers, Journal of Manufacturing Science and

Engineering, 2007, vpl. 129, nr 4, s. 770–779.

[5] Dong J., Subrahmanyam K., Wong Y., Hong G., Mohanty A., Bayesian-inference-

based Neural Networks for Tool Wear Estimation. International Journal of Advanced

Manufacturing Technology, 2006, vol. 30, s. 797–807.

[6] El-Wardany T.I., Gao D., Elbestawi M.A., Tool Condition Monitoring in Drilling Us-

ing Vibration Signature Analysis, International Journal of Machine Tools and Manufac-

ture, 1996, vol. 36, s. 687–711.

K. Jemielniak 48

[7] Ghosh N., Ravib Y.B., Patrac A., Mukhopadhyayc S., Pauld S., Estimation of Tool

Wear During CNC Milling Using NN-based Sensor Fusion, Mechanical Systems and

Signal Processing, 2007, nr. 21, s. 466–479.

[8] Grzesik W, Bernat P., An Investigation of the Cutting Process for Chip Breaking

Monitoring in Turning of Steels. Journal of Manufacturing Science and Engineering,

1998, vol. 120, nr 3, s. 555–562.

[9] Jemielniak K., Detection of Cutting Edge Breakage in Turning, CIRP Annals, 1992,

vol. 41. nr 1, s. 97–100.

[10] Jemielniak K., Some Aspects of Acoustic Emission Signal Pre-processing, Journal of

Material Processing Technology, 2001, vol. 109, s. 242–247.

[11] Jemielniak K., Some Aspects of AE Application in Tool Condition Monitoring, Ultra-

sonics, 2000, vol. 38 s. 604–608.

[12] Jemielniak K., Bombiński S., Hierarchical Strategies in Tool Wear Monitoring. Proc.

IMechE, 2006, vol. 220/B, s. 375–381.

[13] Jemielniak K., Bombinski S., Aristimuno PX., Tool Condition Monitoring in Micro-

milling Based on Hierarchical Integration of Signal Measures, CIRP Annals, 2008, vol.

57, nr 1, s. 121–124.

[14] Jemielniak K., Kwiatkowski L., Wrzosek P., Diagnosis of Tool Wear Based on Cut-

ting Forces and AE Measures as Inputs to Neural Network, Journal of Intelligent Manu-

facturing, 1998, vol. 9, s. 447–455.

[15] Jemielniak K., Kossakowska J., Urbański T., Application of wavelet transform of

acoustic, emission and cutting force signals for tool condition, monitoring in rough turn-

ing of Inconel 625, 2010, Proc. IMechE Vol. 225 Part B: J. Engineering Manufacture,

DOI: 10.1243/09544054JEM2057

[16] Jemielniak K, Otman O., Catastrophic Tool Failure Detection Based on AE Signal

Analysis, CIRP Annals. 1998, vol. 47, nr 1, s. 31–34.

[17] Kamarthi S, Pittner S., Fourier and Wavelet Transform for Flank Wear Estimation.

Mechanical Systems and Signal Processing, 1997, vol. 11, nr 6, s, 791–809.

[18] Kannatey-Asibu E, Dornfeld D., A Study of Tool Wear Using Statistical Analysis of

Metal Cutting Acoustic Emission, Wear, 1982, vol. 76, s. 247–261.

[19] Kunpeng Z., Wong Y.S., Hong G.S., Wavelet Analysis of Sensor Signals for Tool

Condition Monitoring - A Review and Some New Results, International Journal of Ma-

chine Tools and Manufacture, 2009, vol. 49, s. 537–553.

[20] Li X., A Brief Review—Acoustic Emission Method for Tool Wear Monitoring in Turn-

ing, International Journal of Machine Tools and Manufacture, 2002, vol. 42. s. 157–165.

[21] Li X., Ouyang G, Liang Z., Complexity Measure of Motor Current Signals for Tool

Flute Breakage Detection in End Milling. International Journal of Machine Tools and

Manufacture, 2008, vol. 48, s.371–379.

[22] Marinescu I., Axinte D., A Time–frequency AE-based Monitoring Technique to Identi-

fy Workpiece Surface Malfunctions in Milling with Multiple Teeth Cutting Simultane-

ously, International Journal of Machine Tools and Manufacture, 2009, vol. 49, s. 53–65.

[23] Peng Y., Empirical Model Decomposition Based Time–frequency Analysis for the Ef-

fective Detection of Tool Breakage, Journal of Manufacturing Science and Engineering,

2006, vol. 128, nr 1, s. 154–166.

[24] Quan Y., Zhoub M., Luo Z., On-line Robust Identification of Tool Wear Via Multi-

sensor NN Fusion, Engineering Applications of Artificial Intelligence, 1998 vol. 11, s.

717–722.

[25] Rene de Jesus R.T., Gilberto H.R., Ivan T.V., Carlos J.C.J., FPGA Based On-line

Tool Breakage Detection System for CNC Milling Machines, Mechatronics, 2004, vol.

14, s. 439–454.

Zaawansowane metody przetwarzania sygnałów… 49

[26] Salgado D., Alonso F., Tool Wear Detection in Turning Operations Using Singular

Spectrum Analysis, Journal of Materials Processing Technology, 2006, vol. 171, s. 451–

458.

[27] Salgado D., Alonso F., Cambero I., Marcelo A., In-Process Surface Roughness Predic-

tion System Using Cutting Vibrations in Turning, International Journal of Advanced

Manufacturing Technology, 2009, vol. 43, s. 40–51.

[28] Scheffer C., Heyns P.C., Wear Monitoring in Turning Operations Using Vibration and

Strain Measurements, Mechanical Systems and Signal Processing, 2001, vol. 15, nr 6, s.

1185–1202.

[29] Scheffer C., Heyns P.C., An Industrial Tool Wear Monitoring System for Interrupted

Turning, Mechanical Systems and Signal Processing, 2004, vol. 18, s. 1219–1242.

[30] Shi D, Gindy N.N., Tool Wear Predictive Model Based on Least Squares Support Vec-

tor Machines, Mechanical Systems and Signal Processing, 2007, vol., 21, s. 1799-1814.

[31] Sick B., On-line and Indirect Tool Wear Monitoring in Turning with Artificial Neural

Networks: A Review of More Than a Decade of Research, Mechanical Systems and

Signal Processing, 2002, vol. 16, nr 4, s. 487–546.

[32] Sun J., Hong G.S., Rahman M., Wong Y.S., Identification of Feature Set for Effective

Tool Condition Monitoring by AE Sensing, International Journal of Production Re-

search, 2004, vol. 42, nr 5, s. 901–918.

[33] Teti R., Jawahir I.S., Jemielniak K., Segreto T., Chen S., Kossakowska J., Chip

Form Monitoring through Advanced Processing of Cutting Force Sensor Signals CIRP

Annals, 2006, vol. 55, nr 1, s. :75–80.

[34] Teti R., Jemielniak K., O’Donnell G., Dornfeld D., Advanced monitoring of machin-

ing operations (keynote paper), CIRP Annals-Manufacturing Technology, 2010, vol. 59,

nr 2, s. 717–739.

Praca wpłynęła do Redakcji dd.mm.2010 Recenzent: prof. dr hab. inż.

SIGNAL PROCESSING IN TOOL AND PROCESS CONDITION

MONITORING

S u m m a r y

Paper presents state of the art methods of signal processing in tool and process condition moni-

toring systems (T/PCM). First the signal pre-processing (filtering, amplification, A/D conversion,

segmentation) was described. Then discussed the extraction of signal features in time domain,

frequency domain (Fourier transform) or time-frequency domain (Short Time Fourier Transform,

Wavelet Transform, Hilbert-Huang Transform). There are many diverse descriptors especially

from different sensor signals, however many of them are not correlated with monitored process.

Thus, feature relevancy evaluation is of critical importance. Methods of signal feature usability

evaluation, selection and elimination of these which are doubling information contained in better

ones were also presented.

Key words: tool and process condition monitoring, signal processing