কম্পন বিশ্লেষণ এবং এআই মনিটরিং ব্যবহার করে সিএনসি স্পিন্ডেল ব্যর্থতা কীভাবে পূর্বাভাস দেওয়া যায়

PFT, Shenzhen

 অনাকাঙ্ক্ষিত ডাউনটাইম এবং ব্যয়বহুল মেরামত কমানোর জন্য CNC স্পিন্ডেল ব্যর্থতা আসন্ন হওয়ার প্রাথমিক সনাক্তকরণ অত্যন্ত গুরুত্বপূর্ণ। এই নিবন্ধে পূর্বাভাস রক্ষণাবেক্ষণের জন্য কম্পন সংকেত বিশ্লেষণ এবং কৃত্রিম বুদ্ধিমত্তা (AI) একত্রিত করে একটি পদ্ধতি বিস্তারিতভাবে আলোচনা করা হয়েছে। বিভিন্ন লোডের অধীনে কার্যকরী স্পিন্ডেল থেকে অ্যাক্সিলোমিটার ব্যবহার করে ক্রমাগত কম্পন ডেটা সংগ্রহ করা হয়। সময়-ডোমেইন পরিসংখ্যান (RMS, kurtosis), ফ্রিকোয়েন্সি-ডোমেইন উপাদান (FFT বর্ণালী শিখর), এবং সময়-ফ্রিকোয়েন্সি বৈশিষ্ট্য (ওয়েভলেট শক্তি) সহ মূল বৈশিষ্ট্যগুলি বের করা হয়। এই বৈশিষ্ট্যগুলি দীর্ঘ স্বল্প-মেয়াদী মেমরি (LSTM) নেটওয়ার্কগুলিকে একত্রিত করে একটি ensemble মেশিন লার্নিং মডেলের ইনপুট হিসাবে কাজ করে যা অস্থায়ী প্যাটার্ন স্বীকৃতি এবং শক্তিশালী শ্রেণীবিভাগের জন্য গ্রেডিয়েন্ট বুস্টিং মেশিন (GBM) ব্যবহার করে। উচ্চ-গতির মিলিং কেন্দ্র থেকে ডেটাসেটের উপর যাচাইকরণ মডেলটির কার্যকরী ব্যর্থতার 72 ঘন্টা আগে 92% গড় নির্ভুলতার সাথে ক্রমবর্ধমান বেয়ারিং ত্রুটি এবং ভারসাম্যহীনতা সনাক্ত করার ক্ষমতা প্রদর্শন করে। এই পদ্ধতিটি ঐতিহ্যবাহী থ্রেশহোল্ড-ভিত্তিক কম্পন পর্যবেক্ষণের চেয়ে উল্লেখযোগ্য উন্নতি প্রদান করে, যা সক্রিয় রক্ষণাবেক্ষণ সময়সূচী এবং অপারেশনাল ঝুঁকি হ্রাস করতে সক্ষম করে।

1 ভূমিকা

CNC মেশিন টুল আধুনিক নির্ভুলতা উত্পাদনের মেরুদণ্ড গঠন করে। স্পিন্ডেল, সম্ভবত সবচেয়ে গুরুত্বপূর্ণ এবং ব্যয়বহুল উপাদান, সরাসরি মেশিনিং নির্ভুলতা, পৃষ্ঠের ফিনিশ এবং সামগ্রিক উত্পাদনশীলতাকে প্রভাবিত করে। হঠাৎ স্পিন্ডেল ব্যর্থতা বিপর্যয়কর ডাউনটাইম, স্ক্র্যাপ করা ওয়ার্কপিস এবং ব্যয়বহুল জরুরি মেরামতের দিকে পরিচালিত করে, যা নির্মাতাদের প্রতি ঘন্টায় হাজার হাজার ডলার খরচ করে। ঐতিহ্যবাহী প্রতিরোধমূলক রক্ষণাবেক্ষণ সময়সূচী, নির্দিষ্ট সময়ের ব্যবধান বা সাধারণ রানটাইম কাউন্টারের উপর ভিত্তি করে, অদক্ষ – সম্ভাব্যভাবে সুস্থ উপাদান প্রতিস্থাপন বা আসন্ন ব্যর্থতা মিস করা। ব্যর্থতার পরে প্রতিক্রিয়াশীল রক্ষণাবেক্ষণ অত্যন্ত ব্যয়বহুল। ফলস্বরূপ, কন্ডিশন-বেসড মনিটরিং (CBM), বিশেষ করে কম্পন বিশ্লেষণ, বিশিষ্টতা অর্জন করেছে। সনাক্তকরণের জন্য কার্যকর গুরুতর ত্রুটি, প্রচলিত কম্পন পর্যবেক্ষণ প্রায়শই প্রাথমিক ব্যর্থতা সনাক্ত করতে সংগ্রাম করে। এই নিবন্ধে উন্নত কম্পন সংকেত প্রক্রিয়াকরণ এবং AI-চালিত বিশ্লেষণের সাথে মিলিত একটি সমন্বিত পদ্ধতির উপস্থাপন করা হয়েছে যা স্পিন্ডেল ব্যর্থতাগুলি অনেক আগে থেকেই সঠিকভাবে ভবিষ্যদ্বাণী করতে পারে।

2 গবেষণা পদ্ধতি

2.1 ডিজাইন এবং ডেটা সংগ্রহ

মূল উদ্দেশ্য হল বিপর্যয়কর ব্যর্থতার আগে প্রাথমিক-পর্যায়ের অবনতির সূচক সূক্ষ্ম কম্পন স্বাক্ষর সনাক্ত করা। 18 মাসের বেশি সময় ধরে 3-শিফট স্বয়ংচালিত উপাদান উৎপাদনে কাজ করা 32টি উচ্চ-নির্ভুলতা CNC মিলিং স্পিন্ডেল থেকে ডেটা সংগ্রহ করা হয়েছিল। Piezoelectric অ্যাক্সিলোমিটার (সংবেদনশীলতা: 100 mV/g, ফ্রিকোয়েন্সি রেঞ্জ: 0.5 Hz থেকে 10 kHz) প্রতিটি স্পিন্ডেল হাউজিংয়ে রেডিয়ালি এবং অক্ষীয়ভাবে মাউন্ট করা হয়েছিল। ডেটা অধিগ্রহণ ইউনিট 25.6 kHz এ কম্পন সংকেত নমুনা করে। অপারেশনাল প্যারামিটার (স্পিন্ডেল গতি, লোড টর্ক, ফিড রেট) CNC-এর OPC UA ইন্টারফেসের মাধ্যমে একযোগে রেকর্ড করা হয়েছিল।

2.2 বৈশিষ্ট্য প্রকৌশল

কাঁচা কম্পন সংকেতগুলিকে 1-সেকেন্ডের যুগে বিভক্ত করা হয়েছিল। প্রতিটি যুগের জন্য, একটি বিস্তৃত বৈশিষ্ট্য সেট বের করা হয়েছিল:

• সময়-ডোমেইন: রুট মিন স্কয়ার (RMS), ক্রেস্ট ফ্যাক্টর, কার্টোসিস, স্কিউনেস।

• ফ্রিকোয়েন্সি-ডোমেইন (FFT): বৈশিষ্ট্যপূর্ণ বেয়ারিং ফল্ট ব্যান্ডগুলির মধ্যে প্রভাবশালী শিখর বিস্তার এবং ফ্রিকোয়েন্সি (BPFO, BPFI, FTF, BSF), নির্দিষ্ট ব্যান্ডগুলিতে সামগ্রিক শক্তি (0-1kHz, 1-5kHz, 5-10kHz), বর্ণালী কার্টোসিস।

• সময়-ফ্রিকোয়েন্সি ডোমেইন (ওয়েভলেট প্যাকেট ট্রান্সফর্ম - ডবিচি 4): শক্তি এনট্রপি, ফল্ট ফ্রিকোয়েন্সির সাথে যুক্ত ডিকম্পোজিশন নোডগুলিতে আপেক্ষিক শক্তির মাত্রা।

• অপারেশনাল প্রসঙ্গ: স্পিন্ডেল গতি, লোড শতাংশ।

2.3 AI মডেল উন্নয়ন

একটি ensemble মডেল আর্কিটেকচার নিযুক্ত করা হয়েছিল:

1. LSTM নেটওয়ার্ক: অস্থায়ী অবনতি প্যাটার্নগুলি ক্যাপচার করতে 60টি ধারাবাহিক 1-সেকেন্ডের বৈশিষ্ট্য ভেক্টর (যেমন, 1 মিনিটের অপারেশনাল ডেটা) প্রক্রিয়া করা হয়েছে। LSTM স্তর (64 ইউনিট) সময় পদক্ষেপ জুড়ে নির্ভরতা শিখেছে।

2. গ্রেডিয়েন্ট বুস্টিং মেশিন (GBM): LSTM থেকে একই মিনিট-স্তরের একত্রিত বৈশিষ্ট্য (গড়, স্ট্যান্ডার্ড ডেভ, সর্বোচ্চ) এবং আউটপুট অবস্থা পেয়েছে। GBM (100টি ট্রি, সর্বোচ্চ গভীরতা 6) উচ্চ শ্রেণীবিভাগ দৃঢ়তা এবং বৈশিষ্ট্য গুরুত্ব অন্তর্দৃষ্টি প্রদান করেছে।

3. আউটপুট: পরবর্তী 72 ঘন্টার মধ্যে ব্যর্থতার সম্ভাবনা প্রদান করে একটি সিগময়েড নিউরন (0 = সুস্থ, 1 = উচ্চ ব্যর্থতার সম্ভাবনা)।
   প্রশিক্ষণ ও বৈধতা: প্রশিক্ষণের জন্য 24টি স্পিন্ডেল থেকে ডেটা (18টি ব্যর্থতার ঘটনা সহ) ব্যবহার করা হয়েছিল (70%) এবং বৈধতার জন্য (30%)। অবশিষ্ট 8টি স্পিন্ডেল (4টি ব্যর্থতার ঘটনা) থেকে ডেটা হোল্ড-আউট পরীক্ষার সেট তৈরি করেছে। প্রতিলিপি অধ্যয়নের জন্য মডেল ওজন অনুরোধের ভিত্তিতে উপলব্ধ (NDA-এর অধীন)।

3 ফলাফল এবং বিশ্লেষণ

3.1 ভবিষ্যদ্বাণীমূলক কর্মক্ষমতা

পরীক্ষার সেটে ঐতিহ্যবাহী RMS থ্রেশহোল্ড অ্যালার্ম এবং একক-মডেল পদ্ধতির (যেমন, SVM, বেসিক CNN) তুলনায় ensemble মডেল উল্লেখযোগ্যভাবে ভালো পারফর্ম করেছে:

• গড় নির্ভুলতা: 92%

• পুনরুদ্ধার (ফল্ট ডিটেকশন রেট): 88%

• মিথ্যা অ্যালার্মের হার: 5%

• গড় লিড টাইম: 68 ঘন্টা
  সারণী 1: পরীক্ষার সেটে কর্মক্ষমতা তুলনা
  | মডেল | গড় নির্ভুলতা | পুনরুদ্ধার | মিথ্যা অ্যালার্মের হার | গড় লিড টাইম (ঘন্টা) |
  | :------------------- | :------------- | :----- | :--------------- | :------------------- |
  | RMS থ্রেশহোল্ড (4 মিমি/সেকেন্ড) | 65% | 75% | 22% | < 24 |
  | SVM (RBF কার্নেল) | 78% | 80% | 15% | 42 |
  | 1D CNN | 85% | 82% | 8% | 55 |
  | প্রস্তাবিত ensemble (LSTM+GBM) | 92% | 88%| 5% | 68 |

3.2 মূল অনুসন্ধান এবং উদ্ভাবন

• প্রাথমিক স্বাক্ষর সনাক্তকরণ: মডেলটি কার্যকরী ব্যর্থতার 50+ ঘন্টা আগে উচ্চ-ফ্রিকোয়েন্সি শক্তিতে (5-10kHz ব্যান্ড) এবং ক্রমবর্ধমান কার্টোসিস মানগুলিতে সামান্য বৃদ্ধি নির্ভরযোগ্যভাবে সনাক্ত করেছে, যা মাইক্রোস্কোপিক বেয়ারিং স্প্যাল শুরু হওয়ার সাথে সম্পর্কযুক্ত। এই পরিবর্তনগুলি প্রায়শই স্ট্যান্ডার্ড বর্ণালীতে অপারেশনাল শব্দ দ্বারা আবৃত ছিল।

• প্রসঙ্গ সংবেদনশীলতা: বৈশিষ্ট্য গুরুত্ব বিশ্লেষণ (GBM এর মাধ্যমে) অপারেশনাল প্রসঙ্গের গুরুত্বপূর্ণ ভূমিকা নিশ্চিত করেছে। 8,000 RPM বনাম 15,000 RPM-এ ব্যর্থতার স্বাক্ষরগুলি আলাদাভাবে প্রকাশ পেয়েছে, যা LSTM কার্যকরভাবে শিখেছে।

• থ্রেশহোল্ডের উপর শ্রেষ্ঠত্ব: সাধারণ RMS পর্যবেক্ষণ পর্যাপ্ত লিড টাইম দিতে ব্যর্থ হয়েছে এবং উচ্চ-লোড অপারেশনের সময় ঘন ঘন মিথ্যা অ্যালার্ম তৈরি করেছে। AI মডেলটি অপারেটিং অবস্থার উপর ভিত্তি করে গতিশীলভাবে থ্রেশহোল্ডগুলি মানিয়ে নেয় এবং জটিল নিদর্শন শিখেছে।

• বৈধতা: চিত্র 1 একটি বাইরের রেসওয়ে বেয়ারিং ফল্ট তৈরি করে এমন একটি স্পিন্ডেলের জন্য মডেলের আউটপুট সম্ভাবনা এবং মূল কম্পন বৈশিষ্ট্য (কার্টোসিস, উচ্চ-ফ্রিকোয়েন্সি শক্তি) চিত্রিত করে। মডেলটি সম্পূর্ণ জব্দ হওয়ার 65 ঘন্টা আগে একটি সতর্কতা (সম্ভাব্যতা > 0.85) ট্রিগার করেছে।

4 আলোচনা

4.1 ব্যাখ্যা

উচ্চ ভবিষ্যদ্বাণীমূলক নির্ভুলতা মডেলের ক্ষমতা থেকে উদ্ভূত হয় তাদের অপারেশনাল প্রসঙ্গে মাল্টি-ডোমেইন কম্পন বৈশিষ্ট্যগুলিকে একত্রিত করতে এবং অস্থায়ী অবনতি ট্র্যাজেক্টোরি শিখতে। LSTM স্তরগুলি সময়ের সাথে সাথে ত্রুটি স্বাক্ষরগুলির অগ্রগতি কার্যকরভাবে ক্যাপচার করেছে, একটি মাত্রা যা স্ন্যাপশট বিশ্লেষণে প্রায়শই উপেক্ষা করা হয়। প্রাথমিক সূচক হিসাবে উচ্চ-ফ্রিকোয়েন্সি শক্তি এবং কার্টোসিসের প্রাধান্য ট্রিবিওলজি তত্ত্বের সাথে সঙ্গতিপূর্ণ, যেখানে প্রাথমিক পৃষ্ঠের ত্রুটিগুলি উচ্চ ফ্রিকোয়েন্সিগুলিকে প্রভাবিত করে ক্ষণস্থায়ী স্ট্রেস তরঙ্গ তৈরি করে।

4.2 সীমাবদ্ধতা

• ডেটা সুযোগ: বর্তমান বৈধতা প্রধানত বেয়ারিং এবং ভারসাম্যহীনতা ত্রুটির উপর। কম সাধারণ ব্যর্থতার (যেমন, মোটর ওয়াইন্ডিং ফল্ট, লুব্রিকেশন সমস্যা) কর্মক্ষমতার জন্য আরও অধ্যয়নের প্রয়োজন।

• সেন্সর নির্ভরতা: নির্ভুলতা সঠিক অ্যাক্সিলোমিটার মাউন্টিং এবং ক্যালিব্রেশনের উপর নির্ভর করে। সেন্সর ড্রিফট বা ক্ষতি ফলাফলের উপর প্রভাব ফেলতে পারে।

• গণনামূলক লোড: রিয়েল-টাইম বিশ্লেষণের জন্য মেশিনের কাছাকাছি এজ কম্পিউটিং হার্ডওয়্যার প্রয়োজন।

4.3 ব্যবহারিক প্রভাব

• ডাউনটাইম হ্রাস: সক্রিয় সতর্কতা পরিকল্পিত স্টপেজের সময় রক্ষণাবেক্ষণ সময়সূচী সক্ষম করে, যা ব্যাঘাত কমিয়ে দেয়।

• কম খরচ: বিপর্যয়কর ক্ষতি (যেমন, ধ্বংস হওয়া স্পিন্ডেল শ্যাফ্ট) প্রতিরোধ করে, অতিরিক্ত যন্ত্রাংশের ইনভেন্টরি চাহিদা কমায় (ঠিক সময়ে প্রতিস্থাপন), এবং রক্ষণাবেক্ষণ শ্রমকে অপ্টিমাইজ করে।

• বাস্তবায়ন: সেন্সর, এজ গেটওয়ে এবং সফ্টওয়্যার ইন্টিগ্রেশনে প্রাথমিক বিনিয়োগের প্রয়োজন। ক্লাউড-ভিত্তিক সমাধানগুলি আবির্ভূত হচ্ছে, যা ছোট নির্মাতাদের জন্য বাধা কমিয়ে দিচ্ছে। ROI সাধারণত উচ্চ-ব্যবহার স্পিন্ডেলের জন্য 6-12 মাসের মধ্যে অর্জন করা হয়।

5 উপসংহার

এই গবেষণায় CNC স্পিন্ডেল ব্যর্থতার প্রাথমিক পূর্বাভাসের জন্য একটি LSTM-GBM ensemble AI মডেলের সাথে ব্যাপক কম্পন বৈশিষ্ট্য নিষ্কাশন একত্রিত করার কার্যকারিতা দেখানো হয়েছে। এই পদ্ধতিটি উচ্চ নির্ভুলতা (92%) এবং উল্লেখযোগ্য লিড টাইম (গড় 68 ঘন্টা) অর্জন করে, যা ঐতিহ্যবাহী কম্পন পর্যবেক্ষণ পদ্ধতিগুলিকে উল্লেখযোগ্যভাবে ছাড়িয়ে যায়। মূল উদ্ভাবনের মধ্যে রয়েছে মাল্টি-ডোমেইন বৈশিষ্ট্যগুলির সংমিশ্রণ, LSTM-এর মাধ্যমে অস্থায়ী অবনতি প্যাটার্নের সুস্পষ্ট মডেলিং এবং GBM ensemble লার্নিং দ্বারা প্রদত্ত দৃঢ়তা।