A statistical data-based approach to instability detection and wear prediction in radial turning processes

• Autorzy: Jimenez Cortadi A. , Boto F. , Suarez A. , Galar D. , Irigoien I. , Sierra B.

Identyfikatory

DOI

10.17531/ein.2018.3.7

Warianty tytułu

PL

Metoda wykrywania niestabilności i przewidywania zużycia w procesach toczenia promieniowego w oparciu o dane statystyczne

• Języki publikacji: EN

Abstrakty

EN

Radial turning forces for tool-life improvements are studied, with the emphasis on predictive rather than preventive maintenance. A tool for wear prediction in various experimental settings of instability is proposed through the application of two statistical approaches to process data on tool-wear during turning processes: three sigma edit rule analysis and Principal Component Analysis (PCA). A Linear Mixed Model (LMM) is applied for wear prediction. These statistical approaches to instability detection generate results of acceptable accuracy for delivering expert opinion. They may be used for on-line monitoring to improve the processing of different materials. The LMM predicted significant differences for tool wear when turning different alloys and with different lubrication systems. It also predicted the degree to which the turning process could be extended while conserving stability. Finally, it should be mentioned that tool force in contact with the material was not considered to be an important input variable for the model.

PL

Badano siły występujące w procesie toczenia promieniowego. Celem badań było wydłużenie żywotności narzędzi tokarskich, przy czym główny nacisk kładziono na konserwację predykcyjną, a nie zapobiegawczą. Zaproponowano technikę prognozowania zużycia w różnych warunkach eksperymentalnych niestabilności, która polega na zastosowaniu metod statystycznych do przetwarzania danych dotyczących zużycia narzędzi podczas procesów toczenia. Wykorzystano dwie metody statystycznę: analizę z zastosowaniem reguły trzech sigm oraz analizę głównych składowych (PCA). Do prognozowania zużycia zastosowano liniowy model mieszany (LMM). Omawiane statystyczne podejścia do wykrywania niestabilności generują wyniki o dopuszczalnej dokładności, na podstawie których można formułować opinie eksperckie. Dane te można wykorzystywać do doskonalenia przetwarzania różnych materiałów poprzez monitorowanie w trybie on-line. W przedstawionych badaniach, LMM pozwolił przewidzieć znaczące różnice w zużyciu narzędzia podczas toczenia różnych stopów przy zastosowaniu różnych systemów smarowania. Umożliwił także prognozowanie stopnia, w jakim proces toczenia można przedłużać zachowując jego stabilność. Na koniec należy wspomnieć, że nie brano pod uwagę siły generowanej w kontakcie narzędzia z materiałem jako istotnej zmiennej wejściowej dla modelu.

Słowa kluczowe

EN

radial turning; tool-life improvement; instability detection; wear prediction; Linear Mixed Models

PL

toczenie promieniowe; poprawa żywotności narzędzi; wykrywanie niestabilności; predykcja zużycia; liniowe modele mieszane

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2018
• Tom: Vol. 20, no. 3
• Strony: 405--412
• Opis fizyczny: Bibliogr. 20 poz., rys.

Twórcy

autor

Jimenez Cortadi A.

• Tecnalia R&I Industry and Transport Division Paseo Mikeletegui 7, Donostia-San Sebastin, 20009, Spain

autor

Boto F.

• Tecnalia R&I Industry and Transport Division Paseo Mikeletegui 7, Donostia-San Sebastin, 20009, Spain

autor

Suarez A.

• Tecnalia R&I Industry and Transport Division Paseo Mikeletegui 7, Donostia-San Sebastin, 20009, Spain

autor

Galar D.

• Tecnalia R&I Industry and Transport Division Paseo Mikeletegui 7, Donostia-San Sebastin, 20009, Spain

autor

Irigoien I.

• University of the Basque Country (UPV/EHU) Manuel Lardizabal Ibilbidea 1, Donostia-San Sebastin, 20018, Spain

autor

Sierra B.

• University of the Basque Country (UPV/EHU) Manuel Lardizabal Ibilbidea 1, Donostia-San Sebastin, 20018, Spain

Bibliografia

• 1. Galar D, Palo M, Van Horenbeek A, and Pintelon L. Integration of disparate data sources to perform maintenance prognosis and optimal decision making. Insight-non-destructive testing and condition monitoring 2012; 54 (8): 440-445, https://doi.org/10.1784/insi.2012.54.8.440.
• 2. Galecki A, and Burzykowski T. Linear mixed-effects models using R: A step-by-step approach. Springer Science & Business Media, 2013.
• 3. Jolliffe I T, and Cadima J. Principal component analysis: a review and recent developments. Phil. Trans. R. Soc. 2016; 374, 2065, 20150202.
• 4. Kebdani S, Sahli A, Rahmani O, Boutchicha D, and Belarbi A. Analysis of chatter stability in facing. Journal of Applied Sciences 2008; 8 (11): 2050-2058, https://doi.org/10.3923/jas.2008.2050.2058.
• 5. Lee Y B, Shin D H, Park K-T, and Nam W J. Effect of annealing temperature on microstructures and mechanical properties of a 5083 al alloy deformed at cryogenic temperature. Scripta materialia 2004; 51 (4): 355-359, https://doi.org/10.1016/j.scriptamat.2004.02.037.
• 6. Liu Q, and Altintas Y. On-line monitoring of flank wear in turning with multilayered feed-forward neural network. International Journal of Machine Tools and Manufacture 1999; 39 (12): 1945-1959, https://doi.org/10.1016/S0890-6955(99)00020-6.
• 7. Mahamad A K, Saon S, and Hiyama T. Predicting remaining useful life of rotating machinery based artificial neural network. Computers & Mathematics with Applications 2010; 60 (4): 1078-1087, https://doi.org/10.1016/j.camwa.2010.03.065.
• 8. Maronna R, Martin R D, and Yohai V. Robust statistics. John Wiley & Sons 2006; Chichester.
• 9. Maruda R W, Krolczyk G M, Feldshtein E, Nieslony P, Tyliszczak B, and Pusavec F. Tool wear characterizations in finish turning of aisi 1045 carbon steel for mqcl conditions. Wear 2017; 372: 54-67, https://doi.org/10.1016/j.wear.2016.12.006.
• 10. Maruda R W, Krolczyk G M, Nieslony P, Wojciechowski S, Michalski M, and Legutko S. The influence of the cooling conditions on the cutting tool wear and the chip formation mechanism. Journal of Manufacturing Processes 2016; (24): 107-115, https://doi.org/10.1016/j.jmapro.2016.08.006.
• 11. Ozel T, Karpat Y, Figueira L, and Davim J P. Modelling of surface finish and tool flank wear in turning of aisi d2 steel with ceramic wiper inserts. Journal of materials processing technology 2007; 189 (1-3): 192-198, https://doi.org/10.1016/j.jmatprotec.2007.01.021
• 12. Rao C S, and Srikant R. Tool wear monitoringan intelligent approach. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture 2004; 218 (8): 905-912, https://doi.org/10.1243/0954405041486028.
• 13. Repo J. Condition monitoring of machine tools and machining processes using internal sensor signals. PhD thesis, KTH Royal Institute of Technology, 2010.
• 14. Sekar M, Srinivas J, Kotaiah K R, and Yang S-H. Stability analysis of turning process with tailstock-supported workpiece. The International Journal of Advanced Manufacturing Technology 2009; 43 (9-10): 862-871, https://doi.org/10.1007/s00170-008-1764-2.
• 15. Shaban Y, and Yacout S. Predicting the remaining useful life of a cutting tool during turning titanium metal matrix composites. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture 2016; 0954405416654184.
• 16. Suarez A, Lopez de Lacalle L, Polvorosa R, Veiga F, and Wretland A. Effects of high-pressure cooling on the wear patterns on turning inserts used on alloy in718. Materials and Manufacturing Processes 2016; (1-9).
• 17. Tangjitsitcharoen S. In-process monitoring and detection of chip formation and chatter for cnc turning. Journal of Materials Processing Technology 2009; 209 (10): 4682-4688, https://doi.org/10.1016/j.jmatprotec.2008.10.054.
• 18. Tibshirani R J, and Efron B. An introduction to the bootstrap. Monographs on Statistics and Applied Probability 1993; (57): 1-436.
• 19. Wu D, Jennings C, Terpenny J, Gao R, and Kumara S. Data-driven prognostics using random forests: Prediction of tool wear. In ASME 2017 12th International Manufacturing Science and Engineering Conference collocated with the JSME/ASME 2017 6th International Conference on Materials and Processing 2017; American Society of Mechanical Engineers; V003T04A048-V003T04A048.
• 20. Xue H, Wang S, Yi L, Zhu R, Cai B, and Sun S. Tool life prediction based on particle swarm optimization-back-propagation neural network. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture 2015; 229 (10): 1742-1752, https://doi.org/10.1177/0954405414538961.