[论文解读] Application of Multivariate Data Analysis to machine power measurements as a means of tool life Predictive Maintenance for reducing product waste

Darren Whitaker, David Egan+2 more|arXiv (Cornell University)|Feb 22, 2018

Advanced machining processes and optimization被引用 4

一句话总结

本文提出一种基于实时机床功率测量的多变量数据分析（MVDA）方法，用于预测医疗器械制造中的刀具磨损，实现预测性维护，从而减少产品报废。该方法通过识别与刀具退化相关的细微功率信号模式，实现了100%的磨削刀具状态预测准确率。

ABSTRACT

Modern manufacturing industries are increasingly looking to predictive analytics to gain decision making information from process data. This is driven by high levels of competition and a need to reduce operating costs. The presented work takes data in the form of a power measurement recorded during a medical device manufacturing process and uses multivariate data analysis (MVDA) to extract information leading to the proposal of a predictive maintenance scheduling algorithm. The proposed MVDA model was able to predict with 100 % accuracy the condition of a grinding tool.

研究动机与目标

• 解决高精度制造中意外刀具失效的挑战，特别是在医疗器械生产中，产品报废成本高昂且不可接受。
• 通过主动维护而非被动维修或定期更换，降低产品报废和运营成本。
• 开发一种仅使用功率消耗数据作为非侵入式、实时刀具状态指标的基于数据的预测性维护系统。
• 证明MVDA能够从复杂、嘈杂的工业功率信号中提取有意义的刀具磨损趋势，而无需直接监测刀具。

提出的方法

• 在生产用机床工具的磨削过程中，持续采集机床功率测量数据。
• 应用多变量数据分析（MVDA）技术，检测多个工艺周期中功率信号的模式与相关性。
• 使用主成分分析（PCA）或类似MVDA方法，降低数据维度，并分离出与刀具磨损相关的关键工艺变化。
• 基于MVDA提取的特征训练分类模型，以区分刀具的健康状态与磨损状态。
• 使用历史数据验证模型，评估刀具状态转换的预测准确率。
• 开发一种调度算法，根据预测的刀具寿命触发维护，最大限度减少非计划停机和废品产生。

实验结果

研究问题

• RQ1 仅凭机床功率信号是否足以提供足够的信息来预测制造过程中的刀具磨损？
• RQ2 多变量数据分析在多大程度上能够从功率消耗数据中检测出刀具磨损的早期迹象？
• RQ3 基于功率信号的预测性维护模型在精密制造中能在多大程度上减少产品报废？
• RQ4 在功率测量中，哪些关键信号特征与刀具状态变化相关？
• RQ5 基于功率数据的实时、非侵入式监测系统是否能优于传统的基于时间或状态的维护方法？

主要发现

• 基于MVDA的预测性维护模型在将磨削刀具状态分类为健康或磨损方面实现了100%的准确率。
• 功率信号的变化与刀具磨损进程密切相关，可实现对失效前退化的可靠检测。
• 该方法成功从复杂、多变量的功率数据中提取出有意义的模式，而无需直接监测刀具。
• 所提出的方法可实现刀具磨损的早期检测，使维护能够在缺陷产生前进行调度。
• 该系统在高精度制造环境中展现出减少产品报废和运营成本的潜力。
• 结果证实，仅凭功率测量即可作为工业环境中刀具状态的稳健、非侵入式指标。