Assessment model of cutting tool condition for real-time supervision system

• Autorzy: Kozłowski Edward , Mazurkiewicz Dariusz , Żabiński Tomasz , Prucnal Sławomir , Sęp Jarosław

Identyfikatory

DOI

10.17531/ein.2019.4.18

Warianty tytułu

PL

Model oceny stanu narzędzia skrawającego dla systemu nadzoru w czasie rzeczywistym

• Języki publikacji: EN

Abstrakty

EN

Further development of manufacturing technology, in particular machining requires the search for new innovative technological solutions. This applies in particular to the advanced processing of measurement data from diagnostic and monitoring systems. The increasing amount of data collected by the embedded measurement systems requires development of effective analytical tools to efficiently transform the data into knowledge and implement autonomous machine tools of the future. This issue is of particular importance to assess the condition of the tool and predict its durability, which are crucial for reliability and quality of the manufacturing process. Therefore, a mathematical model was developed to enable effective, real-time classification of the cutting blade status. The model was verified based on real measurement data from an industrial machine tool.

PL

Dalszy rozwój inżynierii produkcji, w szczególności obróbki skrawaniem, wymaga poszukiwania nowych innowacyjnych rozwiązań technologicznych. Dotyczy to w szczególności zaawansowanego przetwarzania danych pomiarowych pochodzących z systemów diagnostycznych i monitorujących. Rosnąca ilość danych gromadzonych przez wbudowane systemy pomiarowe wymaga opracowania skutecznych narzędzi analitycznych, aby efektywnie przekształcać dane w wiedzę i wdrażać autonomiczne obrabiarki przyszłości. Kwestia ta ma szczególne znaczenie dla oceny stanu narzędzia i przewidywania jego trwałości, które są kluczowe dla niezawodności i jakości procesu produkcyjnego. Dlatego opracowano nowy model matematyczny, którego zadaniem jest skuteczna klasyfikacja stanu ostrza narzędzia skrawającego realizowana w czasie rzeczywistym. Opracowany model został zweryfikowany na podstawie rzeczywistych danych pomiarowych z przemysłowej obrabiarki.

Słowa kluczowe

EN

predictive maintenance; logistic regression; elasticnet; maximum likelihood method; ROC; AUC

PL

predykcyjne utrzymanie ruchu; regresja logistyczna; elasticnet; metoda największej wiarygodności; ROC; AUC

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2019
• Tom: Vol. 21, no. 4
• Strony: 679--685
• Opis fizyczny: Bibliogr. 31 poz., rys., tab.

Twórcy

autor

Kozłowski Edward

• Lublin University of Technology Faculty of Management ul. Nadbystrzycka 38, 20-618 Lublin, Poland

autor

Mazurkiewicz Dariusz

• Lublin University of Technology Mechanical Engineering Faculty ul. Nadbystrzycka 38, 20-618 Lublin, Poland

autor

Żabiński Tomasz

• Rzeszów University of Technology Faculty of Mechanical Engineering and Aeronautics Al. Powstańców Warszawy 12, 35-959 Rzeszów, Poland

autor

Prucnal Sławomir

• Rzeszów University of Technology Faculty of Mechanical Engineering and Aeronautics Al. Powstańców Warszawy 12, 35-959 Rzeszów, Poland

autor

Sęp Jarosław

• Rzeszów University of Technology Faculty of Mechanical Engineering and Aeronautics Al. Powstańców Warszawy 12, 35-959 Rzeszów, Poland

Bibliografia

• 1. Altman D G, Bland J M. Diagnostic tests 1: sensitivity and specificity. British Medical Journal 1994; 308: 1552, https://doi.org/10.1136/bmj.308.6943.1552.
• 2. Altman D G, Bland J M. Diagnostic tests 2: predictive values. British Medical Journal 1994; 309: 102, https://doi.org/10.1136/bmj.309.6947.102.
• 3. Arrazola P J, Özel T, Umbrello D, Davies M, Jawahir I S. Recent advances in modelling of metal machining processes. CIRP Annals 2013;62(2): 695-718, https://doi.org/10.1016/j.cirp.2013.05.006.
• 4. Balakrishnan N. Handbook of the Logistic Distribution. Marcel Dekker, Inc., 1991, https://doi.org/10.1201/9781482277098.
• 5. Cheng Q, Sun B, Zhao Y, Gu P. A method to analyze the machining accuracy reliability sensitivity of machine tools based on Fast Markov Chain simulation. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2016; 18 (4): 552-564, http://dx.doi.org/10.17531/ein.2016.4.10.
• 6. de Jonge B. Maintenance Optimization based on Mathematical Modeling. University of Groningen 2017.
• 7. Fawcett T. An Introduction to ROC Analysis. Pattern Recognition Letters 2006; 27(8): 861-874, https://doi.org/10.1016/j.patrec.2005.10.010.
• 8. Fox J, Weisberg S. An R companion to applied regression. SAGE Publications, Inc., 2019.
• 9. Freedman D A. Statistical Models: Theory And Practice. Cambridge University Press, 2009, https://doi.org/10.1017/CBO9780511815867.
• 10. Goyal D, Pabla B S. The Vibration Monitoring Methods and Signal Processing Techniques for Structural Health Monitoring: A Review. Archives of Computational Methods in Engineering 2016; 23(4): 585-594, https://doi.org/10.1007/s11831-015-9145-0.
• 11. Hamilton J. Time Series Analysis. Princeton University Press, 1994.
• 12. Hastie T, Tibshirani R, Friedman J. The Elements of Statistical Learning. Springer-Verlag, New York Inc., 2009, https://doi.org/10.1007/978-0-387-84858-7.
• 13. James G, Witten D, Hastie T, Tibshirani R. An Introduction to Statistical Learning. Springer-Verlag GmbH, 2013, https://doi.org/10.1007/978-1-4614-7138-7.
• 14. Jasiulewicz-Kaczmarek M, Żywica P. The concept of maintenance sustainability performance assessment by integrating balanced scorecard with non-additive fuzzy integral. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2018; 20 (4): 650-661, https://doi.org/10.17531/ein.2018.4.16.
• 15. Jasiulewicz-Kaczmarek M. Identification of maintenance factors influencing the development of sustainable production processes-a pilot study, IOP Conf. Series: Materials Science and Engineering 2018; 400: 062014, https://doi.org/10.1088/1757-899X/400/6/062014.
• 16. Jayal A D, Badurdeen F, Dillon O W, Jawahir I S. Sustainable manufacturing: Modeling and optimization challenges at the product, process and system levels. CIRP Journal of Manufacturing Science and Technology 2010; 2(3): 144-152, https://doi.org/10.1016/j.cirpj.2010.03.006.
• 17. Kant G, Sangwan K S. Prediction and optimization of machining parameters for minimizing power consumption and surface roughness in machining. Journal of Cleaner Production 2014; 83: 151-164. https://doi.org/10.1016/j.jclepro.2014.07.073.
• 18. Kosicka E, Kozłowski E, Mazurkiewicz D. The use of stationary tests for analysis of monitored residual processes. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2015; 17 (4): 604-609, https://doi.org/10.17531/ein.2015.4.17.
• 19. Kosicka E, Mazurkiewicz D, Gola A. - Multi-criteria decision support in maintenance of machine part. Innowacje w Zarządzaniu i Inżynierii Produkcji, monografia pod red. Ryszarda Knosali, Oficyna Wydawnicza Polskiego Towarzystwa Zarządzania Produkcją, Opole 2016, tom II: 584-593.
• 20. Kosicka E., Kozłowski E., Mazurkiewicz D. - Intelligent Systems of Forecasting the Failure of Machinery Park and Supporting Fulfilment of Orders of Spare Parts. In book: Intelligent Systems in Production Engineering and Maintenance - ISPEM 2017, Edition: Advances in Intelligent Systems and Computing vol. 637. Publisher: Springer International Publishing, Editors: Anna Burduk, Dariusz Mazurkiewicz, pp. 54-63, https://doi.org/10.1007/978-3-319-64465-3_6.
• 21. Kozłowski E. Analiza i identyfikacja szeregów czasowych Politechnika Lubelska 2015.
• 22. Lee J, Bagheri B, Kao H-A. A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters 2015; 3: 18-23, https://doi.org/10.1016/j.mfglet.2014.12.001.
• 23. Leturiondo U, Salgado O, Ciani L, Galar D, Catelani M. Architecture for hybrid modelling and its application to diagnosis and prognosis with missing data. Measurement 2017; 108: 152-162, https://doi.org/10.1016/j.measurement.2017.02.003.
• 24. Rymarczyk T, Kozłowski E, Kłosowski G. - Electrical impedance tomography in 3D flood embankments testing - elastic net approach. Transactions of the Institute of Measurement and Control 2019; https://doi.org/10.1177/0142331219857374.
• 25. Rymarczyk T, Nita P, Vejar A, Stefaniak B, Sikora J. - Electrical tomography system for Innovative Imaging and Signal Analysis. Przegląd Elektrotechniczny 2019; 95(6): 133-136, https://doi.org/10.15199/48.2019.06.24.
• 26. Rymarczyk T., Kłosowski G., Kozłowski E., Tchórzewski P. - Comparison of Selected Machine Learning Algorithms for Industrial Electrical Tomography. Sensors 2019; 9(7):1521, https://doi.org/10.3390/s19071521.
• 27. Shiryaev A N. Probability-1, 2 . Springer New York, 2016, https://doi.org/10.1007/978-0-387-72206-1.
• 28. Valis D, Mazurkiewicz D, Forbelska M. Modelling of a Transport Belt Degradation Using State Space Model. In: Proceedings of the 2017 IEEE International Conference on Industrial Engineering & Engineering Management. Singapore: IEEE 2017: 949-953, https://doi.org/10.1109/IEEM.2017.8290032.
• 29. Valis D, Mazurkiewicz D. Application of selected Levy processes for degradation modelling of long range mine belt using real-time data. Archives of Civil and Mechanical Engineering 2018; 18: 1430-1440, https://doi.org/10.1016/j.acme.2018.05.006.
• 30. Weremczuk A, Borowiec M, Rudzik M, Rusinek R. Stable and unstable milling process for nickel superalloy as observed by recurrence plots and multiscale entropy. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2018; 20 (2): 318-326, https://doi.org/10.17531/ein.2018.2.19.
• 31. Żabiński, T., Mączka, T., Kluska, J. Industrial Platform for Rapid Prototyping of Intelligent Diagnostic Systems. In W. Mitkowski, J. Kacprzyk, K. Oprzędkiewicz, P. Skruch (Eds.), Trends in Advanced Intelligent Control, Optimization and Automation. Polish Control Conference, Kraków, Poland 2017: 712-721, https://doi.org/10.1007/978-3-319-60699-6_69.