Ontdek hoe ons voorspellend bewerken betrouwbaarheid verbetert: real-world use cases

Origineel gepubliceerd op Towards Data Science

De afgelopen maanden hebben we stilzwijgend nieuwe use cases voor ons voorspellende bewerkingsproduct gemonitord en ontdekt. Dankzij een gestroomlijnde operator-interface, die ook handig dubbeleert als een "achter de schermen" gelabelde dataverzamelingsplatform, hebben we honderden gereedschapsstoringen, lagerstoringen, en andere machinefalenscenario's gezien.

In samenwerking met onze klanten hebben we een grote catalogus opgebouwd van wat typische machinefalens eruitzien vanuit een motordata-perspectief, wat we vandaag met u willen delen. We zullen zes scenario's bekijken die we herhaaldelijk over meerdere klantsites hebben gezien, en wat ze eruitzien vanuit zowel een "punten op een grafiek" perspectief als hun fysieke manifestatie op de shopfloor. Deze zijn als volgt:

1. Eindfrezen-falen leidend tot slechte afwerking en schrootonderdelen
2. Kogellager-falen leidend tot beschadigde spindelbehuizing
3. Ruwe bewerkingsgereedschapsfalen, leidend tot cascaderende gereedschapsstoringen op afwerkingsgereedschappen
4. Onjuiste offset, leidend tot leidingsbus-uitlijning
5. Gereedschapsstoring, leidend tot onvolledige afsnijding
6. Onjuiste schatting van gereedschapslevensduur, leidend tot over- of ondergebruik van gereedschappen

Voordat we tot de goede dingen komen, laten we onze thesis voor ons voorspellende bewerkingsaanbod herhalen:

We extraheren rijke data van ingebouwde sensoren op de machine om te voorspellen en te voorkomen verschillende scenario's die kostelijk kunnen zijn.

1. Rijke data: 1 milliseconde sample rate -> 170 miljoen observaties per dag per motor, precisie tot .001 RPM voor spindelsnelheid, .01% continue rating voor vermogen/belasting
2. Ingebouwde sensoren: Geen additionele sensoren nodig, data is noodzakelijk beschikbaar op alle moderne CNC-machines. We halen alleen data op die de machine gebruikt voor zijn interne control feedback loop. Alle scenario's gedemonstreerd werden geïmplementeerd tijdens de COVID-19-pandemie zonder dat MachineMetrics-personeel ooit de fabrieksvloer betrad
3. Voorspellen en voorkomen van kostbare scenario's: De uiteengezette situaties kosten onze klanten geld, en het voorkomen ervan bespaart hen geld. We monetariseren dit door een fractie van de besparing te nemen

Eindfrezen-falen

Ter herinnering, bij elke enkele MachineMetrics-machine hebben we een operator-tablet, wat eigenlijk gewoon een Samsung Galaxy-tablet of iPad is gericht op de specifieke machine-webpagina in ons SaaS-product.

Een klant die onze operator-tablet gebruikt.

De operator-tablet is direct verbonden met ons platform, dus telkens de machine stopt, wordt een signaal gestuurd van de machine naar ons Edge-apparaat, wat dan naar de cloud gestuurd wordt waar het geaggregeerd en gedashboardd wordt met andere metrics. De tablet reflecteert dan deze nieuwe informatie en geeft een popup op de machine-webpagina die de operator vraagt uit te leggen waarom de machine stopte.

Wanneer een machine stopt, verschijnt een popup die de operator vraagt een redencode toe te voegen.

In de loop van de tijd accumuleren deze annotaties, wat ons een rijk, gedetailleerd beeld geeft van wanneer en om welke reden een machine brak.

Het is aan MachineMetrics Data Science om de waarom en hoe van de machinebreakdown te bedenken, gebruikmakend van de extreem fijnmazige data die we verzamelen van de motoren van de machine. In één uitvoering hiervan, kunnen we over tienduizenden gemaakte onderdelen en tientallen annotaties kijken om patronen te identificeren, zoals in het onderstaande voorbeeld, waar zwarte lijnen geannoteerde falen zijn en stippen de vermogensverbruik per gemaakte onderdeel zijn.

Zwarte lijnen zijn geannoteerde falen, rode stippen zijn afwijkende belasting. Sommige rode stippen lijnen niet op met zwarte lijnen, omdat annotaties soms door operators gemist worden.

In de fysieke manifestatie kunt u zien dat een goed onderdeel, gesneden door een goed eindfrezen, een mooie en gladde afwerking in de gleuf heeft. Een slecht onderdeel, gesneden door een gebroken eindfrezen, heeft een ruwe gleuf omdat het eindfrezen niet in staat was een gladde afwerking te creëren, en het gereedschap dat erna kwam, was ook niet in staat zijn werk correct te doen.

En in ons product monitoren we nu de belasting op deze machine om een feed-hold uit te geven voordat enige van deze Slechte Gleuf Onderdelen gemaakt worden. Over de afgelopen 4 maanden hebben we 60 feed holds uitgegeven op meerdere machines, met 3 false positives en 2 gemiste falen (95% precisie, 96% recall), wat meer dan 2.000 schrootonderdelen voorkwam en ongetelde mannenuren aan machineherconfiguratie bespaarde. Oh, en om zeker te zijn, dit zijn kleine onderdelen, gemaakt door kleine gereedschappen — grootte is geen echte constraint voor ons als we heel gevoelige motordata ophalen. Alle onderdelen die nu uit deze machines komen, zijn glad en nieuw, zonder de defecten die ze ooit droegen.

Best leuk, he? Dat is slechts één van veel use cases. U dacht toch niet dat we een one-trick pony waren, hè?

Kogellager-falen

Vergelijkbaar met eindfrezen-falen, kunnen lagerstoringen kostelijk zijn zowel in termen van materialen als in bemanning.

Anders dan eindfrezen-falen, zien lagerstoringen er volledig anders uit in termen van welke patronen we moeten zoeken.

Vergelijkbaar met eindfrezen-falen, gebruiken lagerstoringen hetzelfde type rijke motordata en verzamelingsmethodologie.

Anders dan eindfrezen-falen, manifesteren lagerstoringen zich over lange (dagen tot weken) periodes en kunnen lang van tevoren voorkomen worden.

Laten we eerst onderzoeken wat de belasting op de machine doet momenten voor een lagerstoring, in een snapshot van data 2 uur voor de storing.

[Volledige afbeelding bekijken]

Elke van die lijnen is belasting op een specifiek gereedschap. Het kost geen raketenwetenschapper om te begrijpen wat er aan de hand is. Belasting schiet omhoog ~15 minuten voor de echte lagerstoring op elk enkel gereedschap, waarschijnlijk door het feit dat de machine additionele spanning ervaart van een steeds meer gecompromitteerd sleutelcomponent.

Als we kijken naar de onderdeel-voor-onderdeel progressie in de 15 minuten voor de storing, ontstaat een ander interessant patroon, namelijk dat de belasting zich over tijd degenereert. U kunt zien dat voor elke snede, de belasting exponentieel meer en meer out-of-spec gaat.

Vergelijk dit met een andere lagerstoring op een andere machine die hetzelfde onderdeel maakt, en de patronen zijn opmerkelijk vergelijkbaar. Dat is omdat dit de unieke handtekening is voor een lagerstoring. Terwijl eindfrezen-falen leidend tot schrootonderdelen een sprong in belasting op het opvolgende gereedschap vertonen, vertonen lagerstoringen een sterke degeneratieve toename in belasting op alle gereedschappen.

Over tijd gekeken, zien we eigenlijk dat deze degeneratie dagen voor de echte storing begint. Op twee afzonderlijke instanties voor twee machines, kunt u zien dat er een verhoging in belasting is lang voor de finale steile klim tijdens de laatste 15 minuten voor breuk. Dat is omdat een lager niet uit het niets gaat. Er is waarschijnlijk een loszitting of breuk die ongecheckt blijft voor dagen voor de finale hari-kari, veroorzaakt door misbruik of gebrek aan onderhoud. In dit geval veroorzaakte het gefaalde lager ook spindelbehuizingsschade, wat nog eens een paar duizend dollar aan reparatie kostte.

November lagerstoring, verhoogde belasting ~2 dagen van tevoren. [Volledige afbeelding bekijken]

Februari lagerstoring, verhoogde belasting ~1 week van tevoren. [Volledige afbeelding bekijken]

De opmerkelijke consistentie die we zien voor vergelijkbare typen falen is te danken aan het feit dat we kijken naar fysieke fenomenen, die, verrassend genoeg, beheerst worden door de wetten van de natuurkunde. Dus falens volgen deterministische patronen die we kunnen onderscheiden uit voldoende hoge-fidelity data. De truc zit hem echt in het verkrijgen van deze data en het schoonmaken ervan om bruikbaar te zijn, wat een groot deel van ons IP is.

We danken deze innovatie aan de specifieke mix van vaardigheden die we in het MachineMetrics-team hebben — we geloven niet dat het typisch is om geseasoneerde machine-operators te hebben die werken met experts in cyber-fysieke protocollen, aangevuld door fysici van CERN en data scientists van globale think tanks, allen ondersteund door investeerders die geloven dat we een nieuwe leeftijd van de industrie inluiden.

Cascaderende gereedschapsstoringen

Een hele kolom gereedschappen breken kan een frustrerende ervaring zijn voor elke draaier. Helaas is dit een al te veelvoorkomende gebeurtenis in onze industrie. Wat als we kunnen zien wanneer het eerste gereedschap breekt, en de machine direct stoppen voordat de andere gereedschappen meegenomen worden?

Het blijkt, dat kan. Na het eerste gereedschap breekt, is de verandering in belasting-handtekening op opvolgende gereedschappen niet meer dan op een schotel aangeboden.

In één instantie van dit, zien we het eerste gereedschap breken vele onderdeel-cycli voordat de machine zichzelf stopt wanneer het iets catastrofaals detecteert. Op het moment dat de zelf-stoppage optreedt, zijn andere gereedschappen ook meegenomen, wat de werkplaats honderden dollaren aan onnodige gereedschapsvervangingen kost. Het eerste gereedschap brak waarschijnlijk omdat het versleten was en voorbij het einde van levensduur was, dus het kon waarschijnlijk niet gered worden. Maar er is geen reden waarom andere gereedschappen erna, enkele pas vervangen, ook moeten gaan.

U kunt een animatie hieronder zien, waar de vermeende gereedschapsstoring volgens de operator, en wanneer de machine zichzelf stopte, was bij Onderdeel 40. In feite begint het signaal te degenereren rond Onderdeel 37, volle 3 cycli voordat de machine zichzelf identificeerde dat iets mis was. Tijdens deze 3 cycli ging het gereedschap dat het gebroken gereedschap opvolgde, ook kapot.

Laten we dit opsplitsen in gereedschapsgebruiksperiode naast alleen onderdeelnummer — gereedschappen worden aangeduid door verschillende lijntypes.

Laten we inzoomen op de problematische regio. Het is een beetje lastig uit te pikken, maar het lijkt erop dat T101 het overtredende gereedschap is dat brak, en T117 is degene die een hogere belasting ervaart in de cycli direct daarna, dan flatlines (sterft). Zodra de gereedschappen vervangen zijn, gaat de belasting-handtekening ruwweg terug naar wat het was (rekening houdend met een beetje glijden door verse gereedschappen).

De annotatie in dit geval was "H1t1 198/200 rougher broke, took out seat." — betekent, "kop 1, gereedschap 1, het ruwbewerkingsgereedschap, brak tijdens de job, op 198 van de 200 onderdelen bedoeld te maken, en nam de zetting (opvolgend) gereedschap mee."

[Volledige afbeelding bekijken]

Inderdaad, dat is wat er gebeurde.

Blijf op de hoogte voor Deel 2, waar we gereedschapslevensduurschatting, de gevolgen van onjuiste offsets op uw machine, en onvolledige afsnijden van gereedschapsstoring zullen bekijken.

Uitgelichte afbeelding met dank aan Daniel Smyth.