Laboratorio per l innovazione MISURA, INTERPRETAZIONE E UTILIZZO DEI DATI Marco Grasso www.musp.it
Monitoraggio multi-sensore e fusione dei dati Il caso della fresatura Il caso della rettifica Il trattamento e la fusione di dati da più sensori Scenari futuri Attività MUSP Argomenti trattati 22/06/2011 2
MONITORAGGIO Della Macchina (e suoi componenti/sottoassiemi) Usura, sbilanciamento mandrino, guasti (elettrici/elettronici, meccanici, idraulici,ecc ) Del Processo Dell Utensile Usura, stima tempo vita residuo, scheggiature, rotture, mancanza, Della Produzione Stabilità (vibrazioni, chatter), qualità del processo (stima in process di indici idi qualità, e.g. rugosità sul pezzo), eventi inattesi (collisioni) Controllo qualità, stabilità delle caratteristiche di qualità nel tempo, capacità di processo, identificazione i di cause assegnabili. 22/06/2011 3
Monitoraggio multi-sensore Supervisione di processo Stato in controllo Monitoraggio vs Diagnosi Stato fuori controllo Identificazione dei guasti e malfunzionamenti che hanno causato i fuori controllo Prognosi e previsione Stima del tempo di vita residuo del componente output Allarmi (sintomi di malfunzionamento) Dettagli tipologia guasto / usura Aggiornamento time-to-failure e scheduling sostituzione Controllo Controllo adattativo e compensazione Reazione ad allarmi Sostituzione utensile Operatore Modifica parametri e ciclo lavoro Ispezione Manutenzione Manutenzione predittiva Pianificazione fermi macchina 22/06/2011 4
La situazione OGGI MON NITORAG GGIO DIAGNOS SI P ROGNOS SI CO ORREZIO NE In Process UTENSILE Post Proc. OPERATORE OPERATORE OPERATORE MACCHINA In Process Post Proc. OPERATORE OPERATORE OPERATORE PROCESSO In Process OPERATORE OPERATORE OPERATORE PRODUZIONE Post Proc. OPERATORE OPERATORE OPERATORE 22/06/2011 5
La situazione OGGI MON NITORAG GGIO DIAGNOS SI P ROGNOS SI CO ORREZIO NE In Process UTENSILE Post Proc. OPERATORE OPERATORE AUTOMATICA OPERATORE In Process SENSOR FUSION Oppure MACCHINA OPERATORE OPERATORE OPERATORE Post Proc. In Process OPERATORE + Supporto Da PROCESSO In Process OPERATORE OPERATORE Software OPERATORE On-Line OPERATORE PRODUZIONE Post Proc. OPERATORE OPERATORE + OPERATORE supporto Da Software On-Line 22/06/2011 6
Cosa vuol dire sensor-fusion? Un esempio Monitoraggio multi-sensore Camere Lidar GPS Radar Sensori prossimità
Cosa vuol dire sensor-fusion? Un esempio Monitoraggio multi-sensore Sistema multisensore permette di svolgere contemporaneamente più funzioni di monitoraggio, assitenza e controllo
Cosa vuol dire sensor-fusion? Un esempio Monitoraggio multi-sensore Camere Sistema multisensore permette di svolgere contemporaneamente Lidar più Camere Radar: funzioni alta accuratezza di monitoraggio, assitenza e controlloradar radiale Camere: alta accuratezza laterale Radar GPS Sensori prossimità Sensori diversi hanno accuratezza diversa e diversa dipendenza da condizioni ambientali Accoppiamento dei sensori aumenta probabilità di riconoscere l ostacolo e migliore accuratezza posizionale
Monitoraggio multi-sensore La fusione dei dati forniti da più sensori (sensor fusion) L obiettivo è migliorare la qualità e l attendibilità delle informazioni acquisite dal sistema attraverso i sensori. Principali benefici: Aumento della robustezza rispetto al rumore, ai disturbi esterni e alle condizioni operative Riduzione dell incertezza della misura Aumento del range di misura, dell osservabilità del sistema e della quantità di informazioni relative alla macchina e al processo Possibilità di integrare dati acquisiti nel processo corrente con conoscenza pregressa e dati aggiuntivi Aumento dell affidabilità del processo decisionale basato sui segnali Possibile centralizzazione delle logiche di monitoraggio e controllo per supervisione automatizzata 22/06/2011 10
La fusione dei dati forniti da più sensori Livelli di fusione e sottoproblemi Monitoraggio multi-sensore Risultati analisi, monitoraggio, diagnosi, Segnali Nuove Segnali grezzi trattati variabili Processamento Elaborazione Livello decisionale Acquisiz zione segn nali Allineamento Segmentazione Conversione in formato comune Estrazione e selezione di indicatori (analisi tempo, frequenza, ) Riduzione quantità di dati Stima dello stato (macchina o processo) Classificazione dello stato (monitoraggio e diagnosi) Selezioni delle strategie di controllo e/o reazione a fuori controllo Ricostruzione Supporto decisioni operatore Basso livello Fusione dei dati Alto livello 22/06/2011 11
Qualche esempio 22/06/2011 12
ESEMPI: Il caso della fresatura Problema: monitoraggio condizioni mandrino, utensile e stabilità processo in fresatura. Controllo e soppressione di vibrazioni con Spindle Speed Variation. Capacità di monitoraggio: Durata utensile Durata mandrino Vibrazioni (instabilità, sbilanciamento, ecc ) Usura/danneggiamento cuscinetti Rottura taglienti utensile Carico utensile Consumo energetico Finitura superficiale Logiche di monitoraggio e controllo integrate 22/06/2011 13
ESEMPI: Il caso della fresatura Problema: monitoraggio condizioni mandrino, utensile e stabilità processo in fresatura. Controllo e soppressione di vibrazioni con Spindle Speed Variation. Accelerometro naso mandrino Accelerometro interno Corrente motore Encoder motore Microfono Sensori forza/coppia Sonde termiche (carcassa, albero) 22/06/2011 14
ESEMPI: Il caso della fresatura Problema: miglioramento delle prestazioni della macchina utensile Obiettivo: ottimizzare il processo attraverso conoscenza continua del comportamento della macchina e possibilità di intervenire in caso di deviazioni dal comportamento desiderato: Controllo adattativo per soppressione/mitigazione delle vibrazioni Modifica dei parametri di taglio attraverso supporto decisionale all operatore Reazione immediata a guasti o eventi che possono compromettere lo stato t di salute della macchina e/o qualità del processo Integrazione di conoscenza pregressa (calibrazione e caratterizzazione macchina, mandrino e processo) con informazioni acquisite in-process 22/06/2011 15
ESEMPI: Il caso della fresatura Corrente/potenza mandrino Velocità rotazione mandrino di Corrente/potenza azionamenti i 22/06/2011 16
ESEMPI: Il caso della fresatura 22/06/2011 17
ESEMPI: integrazione di monitoraggio diretto e indiretto Problema: integrare misure indirette delle condizioni macchina, utensile e processo, con misure dirette di utensile e pezzo. Monitoraggio continuo in-process indiretto basato su segnali Riconoscimento usura utensile Riconoscimentoi rottura utensile Qualità e stabilità del processo Condizioni mandrino Riconoscimento collisioni Verifica con misure dirette post-process delle condizioni utensile, aggiornamento dei livelli di soglia e del tempo di vita residuo Verifiche post-process programmate sulla base delle info fornite dal monitoraggio in process (eseguo verifiche post-process process solo quando serve, ottimizzando i tempi globali di lavorazione) 22/06/2011 18
ESEMPI: integrazione di monitoraggio diretto e indiretto Misure In-Process Accelerometro naso mandrino Misure Post-Process Process in macchina Misura utensile Accelerometro tavola portapezzo p Segnali corrente/potenza (mandrino e azionamenti) Microfono Misura pezzo 22/06/2011 19
ESEMPI: Il caso della rettifica Problema: monitoraggio e ottimizzazione di processo in rettifica su cilindri Evitare o ridurre battiture e ondulazioni sulla superficie del cilindro Mantenere in controllo la rugosità sul pezzo Evitare danneggiamenti da bruciature Da pubblicazione China Steel Ridurre il tempo ciclo complessivo 22/06/2011 20
ESEMPI: Il caso della rettifica Accelerometro lato pezzo Accelerometro lato mola Velocità mola Potenza assorbita (lato pezzo) Potenza assorbita (lato mola) Velocità rotazione pezzo Da pubblicazione China Steel Misure (off-line) di ondulazioni superficiali e rugosità sul pezzo con tastatore 22/06/2011 21
Monitoraggio multi-sensore Metodi e tecniche per la fusione dell informazione Letteratura scientifica focalizzata soprattutto su tecniche derivate da Intelligenza Artificiale (e.g. Reti Neurali) Abellan-Nebot, 2010 Limiti Reti Neurali: soluzione a scatola nera, richiedono addestramento opportuno basato su dati ma spesso risultano poco flessibili rispetto a variazioni delle condizioni operative. Altre tecniche: metodi statistici, ti ti i analisi i multivariata, i t Controllo Statistico di Processo, tecniche di clustering e riconoscimento pattern 22/06/2011 22
Monitoraggio multi-sensore Metodi e tecniche per la fusione dell informazione Segnali acquisiti: Corrente mandrino Corrente azionamento X Corrente azionamento Y Velocità mandrino Accelerazione naso mandrino Emissione acustica Indicatori usati per ogni segnale: RMS Varianza Ampiezza (picco-picco) Skweness Kurtosis Potenza segnale Esempio: 6 segnali X 5 indicatori = 30 parametri da monitorare Analisi delle Componenti Principali: trasformazione da spazio a 30 dimensioni a spazio con N<<30 dimensioni; mantengo solo contenuto informativo rilevante e filtro rumore e info inutilmente ridondanti 22/06/2011 23
Monitoraggio multi-sensore Metodi e tecniche per la fusione dell informazione %100 100% 2000 80 60 40 20 80% 60% 40% 20% T 2 Control Chart 1500 1000 500 0 20 40 60 80 100 120 140 160 180 200 220 Profile Index (j) 0 0% 1 2 3 4 5 6 7 8 9 10 Principal Component Control Chart Q 4.6 x 108 4.4 4.2 Riduco il problema pobe aal 4 monitoraggio di soli 4 3.8 nuovi parametri, che sono 20 40 60 80 100 120 140 Profile Index (j) ottenuti da trasformazione 160 180 200 220 dei parametri orginali 22/06/2011 24
Monitoraggio multi-sensore Metodi e tecniche per la fusione dell informazione Comportamento con utensile scheggiato 10000 9500 Comportamento con utensile usurato Comportamento con utensile nuovo Risultan nte forze di tag glio [N] 9000 8500 8000 7500 7000 11.5 12 12.5 13 13.5 14 14.5 15 15.5 16 16.5 Corrente assorbita azionamento Y [A] 22/06/2011 25
Monitoraggio multi-sensore Forza F X [N] Forz za Y [N] Forza Z [N] 4000 2000 0 Metodi e tecniche per la fusione dell informazione -2000 5000 0 50 100 150 200 250 ino [A] Corrente mandri 4000 3000 2000 1000 0 50 100 150 200 250 500 0-500 40 20 0 50 100 150 200 250 50 100 150 200 250 ca robabilità empiri Densità di pr 0.014 0.012 0.01 0.008 0006 0.006 0.004 0002 0.002 Forza di taglio X Forza di taglio Y Forza di taglio Z Corrente mandrino 0-500 0 500 22/06/2011 26
Forza X [N] Forz za Y [N] Forza Z [N] 4000 2000 0 Monitoraggio multi-sensore Metodi e tecniche per la fusione dell informazione -2000 5000 0 50 100 150 200 250 ino [A] Corrente mandri 4000 3000 2000 1000 0 50 100 150 200 250 500 0-500 40 20 0 50 100 150 200 250 50 100 150 200 250 ca robabilità empiri Densità di pr 0.014 0.012 0.01 0.008 0006 0.006 0.004 1 0.8 0002 0.002 0.6 Forza di taglio X Forza di taglio Y Forza di taglio Z Corrente mandrino 0-500 0 500 0.4 0.2 0 Forza X Forza Y Forza Z Corr. SP 22/06/2011 27
Scenari futuri? 22/06/2011 28
Scenari futuri Architetture di monitoraggio e supervisione Macchina Macchina Unità locale Monitoraggio Unità di Diagnosi Monitoraggio processamentounità e di Prognosi Diagnosi Unità locale analisi supervisionecontrollo Prognosi centralizzata centralizzata Controllo Unità locale sensori sensori Oggi: ogni possibilità segnale di avere trattato a bordo separatamente; macchina più integrazione sistemi di di analisi basso dedicati livello, ma a nessuna diverse funzioni, fusione di ma alto non livello dialogano tra loro Domani: fusione supervisione di più di segnali alto livello per miglioramento che integra diversi informazione sotto-livelli; e integrazione capacità di discriminare livelli diversi tradi sorgenti monitoraggio di dati (utensile, attendibilicomponente, e non. macchina, processo ) Fusione dei dati 22/06/2011 29
Scenari futuri Architetture di monitoraggio e supervisione Macchina Macchina Unità locale Monitoraggio Unità di Diagnosi Monitoraggio processamentounità e di Prognosi Diagnosi Unità locale analisi supervisione Controllo Prognosi centralizzata centralizzata Controllo Unità locale Sensori sensori sensori intelligenti Oggi: ogni nessuna possibilità segnale comunicazione di avere trattato a bordo separatamente; tra macchina sensori più integrazione sistemi di di analisi basso dedicati livello, ma a nessuna diverse Domani: funzioni, fusione reti di sensori di ma alto non livello wireless, dialoganoadattamento tra loro del comportamento dei sensori Domani: rispetto alle fusione supervisione condizioni più operative, di segnali alto livello per isolamento miglioramento che integra di sensori diversi informazione guasti, sotto-livelli; e integrazione capacità di discriminare livelli diversi tradi sorgenti monitoraggio di dati (utensile, attendibilicomponente, e non. macchina, processo ) Fusione dei dati 22/06/2011 30
Scenari futuri Direzioni di ricerca e sviluppo Strumenti e algoritmi di fusione efficienti, robusti, affidabili, Architetture di monitoraggio (centralizzate, gerarchiche ) integrate con CN Sensori integrati in mandrino e sottoassiemi macchina Sensori miniaturizzati (MEMS) Sensori intelligenti ti Reti di sensori wireless Protocolli standard per la comunicazione e trattamento dati 22/06/2011 31
Qualche riferimento verso la Smart Factory Le 5 idee per migliorare i sistemi CNC secondo D.Dornfeld (et al.) University of California, Berkeley: 1. Aggiungere sensori al CNC 2. Aggiungere reti wireless al CNC 3. Offrire servizi software per migliorare il valore del CNC 4. Creare accurate simulazioni del sistema e del processo per offrire un feedbach durante la progettazione 5. Usare computer per migliorare/creare/programmare/ /p g / pianificare Un punto chiave: standardizzare interfacce e protocolli comunicazione tra sensori e prodotti wireless di diversi produttori in modo da garantire l interoperabilitàt I primi passi in questa direzione qualche esempio: MTConnect: open and royalty free standard based on XML WirelessHART: protocollo per comunicazione reti wireless di sensori 22/06/2011 32
Monitoraggio multi-sensore Condizioni operative e Informazioni esterne Sistema Data Fusion Manutenzione predittiva Correnti Feedback sul sistema Emissioni acustiche Forze Vibrazioni Emissioni acustiche Forze Vibrazioni Emissioni acustiche Forze SPC Analisi capacità Firma tecnologica 6 sigma Supportoo operatoree HMI Utensile Macchina Processo Produzione 22/06/2011 33
Monitoraggio multi-sensore Condizioni operative e Informazioni esterne Sistema Data Fusion Manutenzione predittiva Feedback sul sistema Supportoo operatoree Standard di comunicazione e interfacce dati HMI Correnti Emissioni acustiche Forze Vibrazioni Emissioni acustiche Forze Vibrazioni Emissioni acustiche Forze SPC Analisi capacità Firma tecnologica 6 sigma Utensile Macchina Processo Produzione 22/06/2011 34
Attività MUSP 22/06/2011 35
Utensile Macchina Processo Produzione Monitoraggio/diagnosi MILL4D Regione Emilia Romagna (PRRIITT) Partner: Capellini, ITIA CNR Michelangelo Ministero Supporto a ITIA CNR STEMMA Regione Emilia Romagna Partner: tutte le aziende del Consorzio AcquaControl Reg. Lombardia Partner: Tecnocut, Altag, Polimi, Tecnopolo Ricerca Area 2 e Area 3 Progetti di ricerca in ambito Monitoraggio Controllo Adattativo Attività Supervisione/ MUSP ottimizzazione Controllo Statistico Processo AnalisiCapacità 6 sigma Tecnopolo Ricerca e Servizi Area 2 MuProdD Factoryof of the Future Supporto a Polimi; cordata internazionale 22/06/2011 36
Misure in-process Forze di taglio Stabilità di processo (vibrazioni, chatter) Condizioni utensile Condizioni mandrino Consumi energetici Attività MUSP di misura e monitoraggio Tavole dinamometriche Kistler Accelerometri PCB Sensori di corrente/potenza Microfono Misure termiche Mappa termica Termocoppie Misure puntuali Termocamera FLIR a Infrarossi 22/06/2011 37
Le attività MUSP Sistemi di acquisizione, processamento e analisi in tempo reale dei dati Schede acquisizione e Piattaforma con OS real time National Instrument Strumentazione Macchina con sensori Acquisizione segnali in lavorazione Analisi off line Sviluppo algoritmi monitoraggio Validazione real-time Implementazione algoritmi su hardware dedicato Monitoraggio on-line 22/06/2011 38
I Nostri Servizi a Pacchetto Le attività MUSP lla Mac cchina Utensile e Check k-up de Caratterizzazione del comportamento dinamico: di fondamentale importanza a supporto del monitoraggio e soppressione dll dellevibrazioni i i Analisi modale sperimentale Collaudo volumetrico Calibrazione degli errori di inseguimento di traiettoria Verifica virtuale del part program Analisi di capacità della macchina (6σ) 22/06/2011 39
Caratterizzazione dinamica della macchina Le attività MUSP Prove di cedevolezza Martellistrumentati e accelerometri Diagrammi di stabilità /instabilità Analisi modali Ottimizzazione dei parametri di taglio Software MUSP 22/06/2011 40
Laboratorio per l innovazione Contatti marco.grasso@musp.it info@musp.it www.musp.it Grazie