漢諾威萊布尼茨大學(xué)制造技術(shù)與機床研究所（IFW）正在其AutoBohr項目中開發(fā)一種人工智能（AI），能夠識別可能出現(xiàn)的故障，例如即將發(fā)生的刀具斷裂。借助機器學(xué)習(xí)算法，該系統(tǒng)能夠及早識別潛在干擾并啟動預(yù)防措施。例如，可以在刀具斷裂發(fā)生前即刻生成警告信息，或者自動觸發(fā)緊急停止。這為制造效率以及避免工件和機床損壞帶來了顯著優(yōu)勢。

鉆孔工藝約占切削加工的30%，通常在工藝鏈的末端。如果在鉆孔過程中出現(xiàn)故障（例如刀具斷裂），斷裂的鉆頭可能卡在工件中，取出斷裂的鉆頭會產(chǎn)生輔助時間。如果無法取出鉆頭，或者材料在斷裂時受損，則會導(dǎo)致廢品。在這種情況下，之前所有加工步驟所創(chuàng)造的附加值也將損失殆盡。因此，可靠的鉆孔過程監(jiān)控對于及早識別和防止工藝故障、降低成本和縮短訂單交付時間至關(guān)重要。

在小批量和單件生產(chǎn)中，過程監(jiān)控尤其具有挑戰(zhàn)性，因為通常只有很少甚至完全沒有可供參考的工序流程。傳統(tǒng)的過程監(jiān)控方法（例如包絡(luò)線法）通?；趨⒖剂慵慕y(tǒng)計閾值。因此，對于每個新的制造過程，都需要對監(jiān)控系統(tǒng)進(jìn)行重新學(xué)習(xí)。只有在積累了一定數(shù)量的參考工序后，監(jiān)控系統(tǒng)才能可靠應(yīng)用。

鉆孔過程監(jiān)控面臨的挑戰(zhàn)

使用傳統(tǒng)方法監(jiān)控鉆孔過程尤其具有挑戰(zhàn)性，因為它受到工藝特有干擾的顯著影響。隨著鉆孔深度的增加，切屑在排出孔外的過程中更容易發(fā)生堵塞，這些切屑堵塞會導(dǎo)致扭矩突然上升。這種扭矩上升對加工過程并不危險，但會超出監(jiān)控閾值。

切屑堵塞會引發(fā)誤報警，導(dǎo)致采用包絡(luò)線法等傳統(tǒng)方法進(jìn)行過程監(jiān)控變得困難

由此會引發(fā)誤報警。為了減少誤報警的數(shù)量，監(jiān)控閾值通常被設(shè)定得具有特別大的容差范圍。然而，這種做法降低了監(jiān)控的靈敏度，導(dǎo)致干擾只有在出現(xiàn)顯著延遲后才能被識別，甚至根本無法識別。這種鉆孔特有的復(fù)雜性使得干擾和即將發(fā)生的刀具斷裂的檢測變得困難。實踐中一種常見的避免斷裂的措施是預(yù)防性更換刀具。但這會導(dǎo)致刀具未能得到充分利用，從而產(chǎn)生可避免的成本和換裝時間。

AutoBohr項目旨在開發(fā)一種可靠的過程監(jiān)控方法，用于預(yù)測單件和小批量生產(chǎn)中的鉆頭斷裂問題。AutoBohr項目的目標(biāo)是通過AI系統(tǒng)在鉆頭斷裂之前將其識別出來。隨后，系統(tǒng)會向操作者發(fā)出警告，或者及時自動更換備用刀具。這樣就可以防止損壞并最大限度地利用刀具。這種自主且按需的換刀操作還能實現(xiàn)鉆孔過程的無人化運行。

基于AI的數(shù)據(jù)異常檢測

用于訓(xùn)練機器學(xué)習(xí)方法的數(shù)據(jù)是在DMG MORI公司的Milltap 700上采集的。在此過程中，研究人員使用了各種不同的工藝參數(shù)，采集的數(shù)據(jù)包括有切屑斷裂周期和無切屑斷裂周期兩種情況。

項目中采用ibaDAQ系統(tǒng)結(jié)合ibaPDA軟件進(jìn)行數(shù)據(jù)采集，測量數(shù)據(jù)被儲存在ibaHD服務(wù)器上，供后續(xù)處理使用。這些數(shù)據(jù)用于開發(fā)算法。采集的信號包括驅(qū)動電流、扭矩和刀具位置等等。此外，還采集了通過安裝在主軸上的傳感器直接測量的振動數(shù)據(jù)。這些傳感器數(shù)據(jù)提供了關(guān)于振動狀況和意外偏差的信息，這些偏差預(yù)示著鉆孔過程中的干擾。

正在開發(fā)的系統(tǒng)由兩個模塊組成。 第一個模塊已完成開發(fā)，用于對輸入數(shù)據(jù)進(jìn)行實時分段。如下圖所示，該系統(tǒng)能識別不同的加工階段。

鉆孔過程自主分段：I–快速進(jìn)給（圖中未顯示）；II–空切狀態(tài)；III–刀具嚙合狀態(tài)；IV–預(yù)期扭矩下降；V–異常扭矩下降；VI–刀具復(fù)位

從首次鉆孔開始，系統(tǒng)就能區(qū)分刀具嚙合狀態(tài)、空切狀態(tài)、刀具復(fù)位或異常扭矩下降。該分段功能完全自主運行，無需預(yù)先進(jìn)行數(shù)據(jù)標(biāo)注，并能通過持續(xù)學(xué)習(xí)適應(yīng)加工過程的變化。

隨后，分段后的數(shù)據(jù)將在第二個模塊（目前正在開發(fā)中）由訓(xùn)練好的AI進(jìn)行評估。該評估結(jié)果是異常檢測的基礎(chǔ)。AI的開發(fā)主要采用神經(jīng)網(wǎng)絡(luò)。這些網(wǎng)絡(luò)能夠識別所采集的機器和傳感器數(shù)據(jù)中的模式，并發(fā)現(xiàn)異常趨勢。鉆孔過程中潛在的斷裂或其他干擾的早期跡象將被檢測出來。通過結(jié)合機器內(nèi)部數(shù)據(jù)與外部傳感器數(shù)據(jù)，能實現(xiàn)更高的預(yù)測精度，從而優(yōu)化制造過程。該系統(tǒng)也可以僅使用內(nèi)部機器數(shù)據(jù)運行，這簡化了在產(chǎn)線環(huán)境中的集成并降低了成本。

多樣化制造流程的通用解決方案

只有防止模型對特定加工過程的過擬合，才能實現(xiàn)機器學(xué)習(xí)模型的高度通用性。過擬合問題是AI模型開發(fā)中一個眾所周知的挑戰(zhàn)。此時模型傾向于“死記硬背”某些特定數(shù)據(jù)以獲得良好的預(yù)測精度。當(dāng)開發(fā)完成后在真實條件下將此類模型應(yīng)用于新數(shù)據(jù)時，其預(yù)測結(jié)果會變得不準(zhǔn)確。為避免此問題，AutoBohr項目采集了大量工藝參數(shù)變體的過程數(shù)據(jù)用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，數(shù)據(jù)多樣性使得實現(xiàn)高通用性成為可能。為進(jìn)行驗證，研究人員還使用了訓(xùn)練模型未知的工藝組合測試數(shù)據(jù)評估系統(tǒng)的有效性。

最終的系統(tǒng)將具備魯棒性，并能避免由常見干擾（如切屑堵塞、深孔鉆削時的扭矩升高或刀具磨損）引發(fā)的誤報警。憑借高通用性，該系統(tǒng)可適用于廣泛的工藝參數(shù)和鉆頭直徑范圍。系統(tǒng)自主運行并持續(xù)學(xué)習(xí)，不斷改進(jìn)。為此，系統(tǒng)也會使用無故障過程的數(shù)據(jù)來建模預(yù)期的正常狀態(tài)。當(dāng)加工新工件時，無需重新配置。該解決方案不僅節(jié)省時間，還能保護寶貴的機床和工件。

該項目將持續(xù)至2026年春季。在此期間，IFW將完成第二個模塊的開發(fā)并對整個系統(tǒng)進(jìn)行優(yōu)化，以進(jìn)一步提高預(yù)測精度，為廣泛的工業(yè)應(yīng)用奠定基礎(chǔ)。