宣布..

首届，限量版的MachineMetrics 8轨道，直接从P.L.C中充满了节拍。

在我们最后的博客帖子，我们比较高频数据，能够听到从机器的完整音符交响乐。我们最近发现我们的隐喻并不遥远......我们可以完全听到我们的机器通过我们收集的原始PLC（可编程逻辑控制）数据进行声音，而没有任何麦克风。使用来自数字信号处理的方法，这些是我们提取的纯加工声音的一些示例。随意捅在这里。

这是“值得注意的”，因为我们听到了从运营商的最常见的欺骗之一是，在机器失败之前，有听觉提示他们可以倾听它的操作表示问题。

在MachinineMetrics的早期，我们尝试使用机床内阁内部安装MEMS麦克风，结合深度学习方法来复制操作员的耳朵，但我们的实验最终是不成功的，因为机器商店中的其他噪音的干扰最终不成功。一个真实的，直播机器商店是一个高度异质的环境，受到各种各样的熟练和赫巴巴罗的影响。

为了解决这个问题，我们提出了一种我们不使用的方法任何外部传感器。我们目前在研究方面的进步已经使我们能够仅通过PLC数据创建声音模拟，使我们能够在没有工厂噪音的情况下提取纯粹的、纯粹的加工声音。

从本质上讲，我们发现了一种技术可以从PLC中提取负载和主轴速度数据的潜在谐波，结果是我们“听到”机器即可通过这两个信号“听到”。在这件作品中，我们将如何完成我们的这一问题和对行业的一些影响。

为什么要从高频加工数据开始?

机器控制必须维护加工过程的准确实时图片，以便适当地运行并保持其运营商适当地通知。为此，控制由嵌入机器主轴和轴电机中嵌入（预构建）产生的传感器产生的连续更新信号。我们将该数据描述为“高频”，这简单意味着它代表了一流的数字化信号，即在这么快地呈现给我们的人类，就像互联网上的音频或视频流一样。

这种极其丰富的数据通过控制指导的事实意味着可以捕获它没有额外的传感器安装。这对可扩展性具有令人难以置信的后果，如

1. 这不再需要将传感器涉及的集成开销

2. 我们的数据来源是标准化的 - 不受传感器定位，混淆等方差的影响。

3. 通过远程软件推动，可以通过云提供升级到我们的算法

高频数据可以使用一套现代软件工具和算法进行分析，允许对加工质量进行极其详细的监控。

对于某些控制类型，MachineMetrics目前使用现有的即插即用边缘硬件进行高频数据流。然后可以使用简单的软件升级捕获高频加工数据，如我们最后的博客文章所详述。

作为说明性示例，让我们来看看正在加工汽车部件的垂直磨机的主轴速度和负载信号：

要将某些上下文添加到原始信号，我们选择了一个代表性部分周期，并覆盖了不同工具使用期之间的边界。通过我们的边缘设备与控件的连接，也可以检测到口袋内的工具编号和ATC（自动换刀器）换档，因此我们可以有意义地跟踪哪种工具在哪个工具上追踪。（原始信号甚至可以根据个体加工进行调查运营，通过折叠我们记录的额外机器数据，但这是未来帖子的主题！）

我们可以快速了解该数据如何通过查看主轴和刀具杂志之间的工具互换敏感。虽然上面的速度绘图在80秒的时间内覆盖了数千个RPM的范围，但我们在两秒钟内放大到几个rpm的范围内。

我们在这里看的是主轴首先要完成完整的停止，然后在T2（垂直线）中交换的命令，然后拆下某些主轴方向的钝齿轮，最后是T2的微小主轴旋转安顿下来。

上述视觉表示。礼貌CNC培训中心。

正是高频数据中这种精细的细节水平，使我们能够探测可能影响加工质量的极其细微的影响。

机器中的音乐

进一步放大主轴速度平台就会发现这样一个微妙的影响。

虽然在这些时间段期间，磨机做了一个非常好的工作，但是保持主轴速度固定，但它并不完美。通过RPM的一小部分，速度摆动其编程值2100rpm。已经在练习镜上浏览，主轴速度信号中的“噪声”似乎包含一些结构。例如，这里的最大摇摆的周期性为约14毫秒。

高质量的主轴实际上通过电子反馈机制维持一致的RPM，这对于在加工过程中经历的不规则扭矩至关重要。因此，主轴产生的波动，虽然它抗击其编程速度，但因此也可以作为一个金属切削力的反射。通过密切研究这些波动，我们可以获得关于工具面和材料之间的时刻相互作用的线索。由于主轴速度可以在高频上极其强大地监控，这为我们提供了独特的加工条件探头。

为了将短时间的反馈效果分开，我们首先执行一个数学平滑操作，倾向于平均偏离波动。让我们看看这看起来像稍微复杂的内心主轴速度信号，那里的整体趋势并不相当恒定。原始信号处于蓝色，而我们平滑的合身则在橙色。

然后我们采取原始信号与这种平滑信号之间的差异，将它们链接在一起以获得“纯噪声”的新信号。

当它表示为数字信号时，这些绘图开始类似于声音所看到的模式。我们可以期待类似的信息密度，但现在代表，有效地，由主轴电机产生的声音。事实上，这个程序涵盖的频率范围从大约10 Hz到500 Hz，这与人类听力显着重叠，从大钢琴​​上的最低音符达到大约在占地面积上方的八度。实际上，我们可以将虚拟耳朵放到主轴电机上，听取它正在播放的调整！

关注机加工质量

始终产生循环到循环的部件转化为主轴电机上的特定旋律。正如我们在播放熟悉的调谐期间，我们可能很容易地接受任何关注，那么从磨损或破碎的工具的加工问题就可以在与规范内加工相比的主轴速度波动中的模式。

用于前面的示例的特定磨坊具有在钻孔磨损时经历不稳定性的历史。这通常需要零件划分或重新加工 - 一旦操作员抓住了问题。在只有一个例子中，必须抛弃十六个连续部分，以数百美元的损失收入抛弃。

在R＆D期间，MachineMetrics的高频数据收集正在监视此事件。该轧机作为其程序的一部分按顺序排列六个孔，并且在正常和报废部分的加工期间，我们收集了一些声隙。

你能听到差异吗？

被视为源自主轴速度的声音模式，这是这些切割对于第一个糟糕的周期以及紧接在之前和之后的剪辑。

你能看出区别吗?

回顾从该角度来看发生的事情，我们可以发现问题不稳定的确切时刻，在质量保证之前完整的二十分钟就捕获了这个问题。

自动化故障检测

用于自动化和广义检测此类事件的开发算法现在是MachinineMetrics正在进行的主要项目。通过以这种方式代表数据，我们开辟了许多可能性，可以从数字信号处理领域采用丰富的分析工具以及音符中的模式识别。但是，我们已经使用了一些简单的技巧进行了重要的入门，以测量给定模式的“嘈杂”是如何。

通过在正常加工过程中监测主轴的噪声水平，可以自动学习其一般趋势和典型的操作范围。然后可以立即将大型偏移标记为有问题。应用此类程序，我们发现几个月的正常部分周期导致腐败事件，然后是一串明显的异常循环，并由操作员更换工具。

进一步的诊断洞察力可以通过研究这些声音模式根据不同的音调或频率的流行程度。这是通过另一种常见的数学运算——傅里叶变换来实现的。对于每个单独的周期，我们可以绘制不同频率的响度，然后检查这个图寻找线索。如果我们把一堆这样的图堆叠在一起，做成一本翻页本，我们就可以制作一个小电影，展示不同频率的响度是如何一个周期一个周期地变化的。

这里的明显模式是在破坏事件时出现一个信号尖峰，然后在工具被替换后完全消失。这告诉我们，额外的噪音主要以35赫兹的频率出现。并非巧合的是，这是相同的频率，主轴是在:35hz转换为2100 RPM。由于刀具损坏，主轴承受越来越不稳定的扭矩，因此被送入补偿功率的额外脉冲在每转，以保持其速度稳定。在主轴速度和其他度量中保持频率尖峰可能很快成为我们自动加工质量监测的标准特征 - 从字面上保持耳朵响应异常发声音符。

对行业的影响

在20世纪中期之前，机器健康监测几乎纯粹依赖于机器操作员的耳朵。一个好的机械师不仅具有巨大的灵巧和不可思议的手掌，而且对于机器的细微差别以及学习他倾向于的系统的模式的差异，也是一个挑剔的耳朵。

在20世纪60年代的MEMS和传感器技术出现之后，该系统被补充，在某些情况下部分替换自动化方法。加速度计，麦克风和压电传感器有助于检测与正常活动的轻微偏差和辅助机械师更可靠地诊断问题。然而，由于在企业中的装置和难度缩放难度，大规模采用从未持有则持有。这一现状是过去六十年左右行业的状态。

我们在MachineMetrics公司有兴趣开创一个预测加工的新时代，在这个时代，我们的机器预测和健康管理技术具有大规模部署的亲和性。我们的目标是实现真正的大众化、即插即用的解决方案。这种转变早该发生了。

我们认为这项技术现在存在使得这种商业可行性，尽管执行和实施仍然是实现这一愿景至关重要。通过证明我们基本上有“耳朵”在工厂地板上没有踏上脚的数千台机器，我们相信我们的研究结果可能产生了很大的后果，并对这一目标大致贡献。没有任何类似于传感器装置，我们可以远程监控机器的声音并推断它的健康状况，就像操作员做的那样。

更重要的是，它不仅仅是我们的团队可以做到这一点 - 任何数据科学团队都可以访问MachineMetrics平台，允许真正分布的研究和发现过程。（我们不是唯一一个为我们的数据找到创新用途的人 - 每天都是我们的客户对我们的洞察力和创造力感到惊讶。）

如果你听了整首8音轨，你会有什么感觉。