<  Back to the Polytechnique Montréal portal

Volumetric Error-Based Condition and Health Monitoring System for Machine-Tools

Kanglin Xing

PhD thesis (2019)

[img] Restricted to: Repository staff only until 25 August 2021.
Cite this document: Xing, K. (2019). Volumetric Error-Based Condition and Health Monitoring System for Machine-Tools (PhD thesis, Polytechnique Montréal). Retrieved from https://publications.polymtl.ca/4086/
Show abstract Hide abstract

Abstract

Résumé Des défaillances ou détériorations imprévues ou non détectées des machines-outils entraînent des pertes de production et de qualité, d'où la nécessité d'une maintenance prescriptive et normative utilisant la surveillance de l'état des machines-outils. Cette recherche présente la méthodologie et les solutions développées pour surveiller l’état de précision des machines-outils à cinq axes en analysant les erreurs volumétriques de la machine-outil. L’erreur volumétrique est définie comme un vecteur d'erreur cartésien représentant l'écart de la position réelle de l'outil par rapport à sa position attendue par rapport au repère de la pièce et projeté dans le repère de base. La méthode SAMBA (Scale and Master Ball Artefact) a été utilisée pour mesurer les erreurs volumétriques de la machine-outil expérimentale à cinq axes. Les erreurs volumétriques acquises contenant les états normaux et défectueux de la machine-outil constituent la base de données pour cette recherche. De plus, des pseudo-fautes et les fautes graduelles et soudaines simulées ont également été utilisées. Les caractéristiques du vecteur d'erreurs volumétriques extraites par des mesures de similarité de vecteur sont utilisées comme entrée pour le graphique de contrôle basé sur les moyennes mobiles pondérées exponentiellement, où le changement anormal du vecteur unique d'erreurs volumétriques peut être détecté. Pour surveiller de manière exhaustive l’état de précision de la machine-outil, une matrice de mesures de similarité vectorielle combinée contenant toutes les caractéristiques d’erreurs volumétriques acquises a été proposée et traitée par le graphique de contrôle de la moyenne mobile pondérée exponentiellement. Pour les mêmes défauts, les deux traitements de données ci-dessus peuvent tous détecter automatiquement le temps exact d’apparition du défaut. Sur la base d'une logique de surveillance complète des erreurs volumétriques, une analyse fractale des coordonnées d'erreur volumétrique a également été explorée. Les résultats des tests révèlent qu’il s’agit d’un outil efficace pour représenter la fonctionnalité des erreurs volumétriques. Pour comprendre le processus de changement de l'état de la machine-outil, les erreurs volumétriques historiques acquises ont été traitées par analyse en composantes principales et par K-moyennes. D'une part, les méthodes proposées séparent les états normaux et défectueux de la machine-outil (près de 100%), d'autre part, les machines-outils désignées fournissent les références pour la reconnaissance de l'état d’autre machines-outils lors du traitement de nouvelles données d'erreurs volumétriques. En résumé, le travail de recherche effectué dans cette thèse a contribué à la mise au point d’une solution efficace de surveillance de l’état de la précision des machines-outils à l’aide des erreurs volumétriques des machines-outils, basées sur des méthodes d’extraction de caractéristiques, de reconnaissance des modifications et de classification des états. Le système développé peut reconnaître les points de changement exacts des défauts réels du codeur d'axe C, des pseudo-défauts EXX et EYX. De plus, il atteint une précision proche de 100% dans la classification de l'état défectueux et normal de la machine-outil. ---------- Abstract Unexpected or undetected machine tool failures or deterioration results in production and quality losses, hence proactive and prescriptive maintenance using machine tool condition monitoring is sought. This research presents the methodology and solutions developed to monitor the accuracy state of five-axis machine tools by analyzing the machine tool volumetric errors which are defined as the Cartesian error vector of the deviation of the actual tool position compared to its expected position relative to the workpiece frame and projected into the foundation frame. The scale and master ball artefact (SAMBA) method has been used for the measurement of volumetric errors of the experimental five-axis machine tool. The acquired volumetric errors containing machine tool normal and faulty states provide the database for this research. In addition, pseudo-faults and the simulated gradual and sudden faults have also been used. Volumetric error vector features extracted by vector similarity measures are used as the input for the exponential weight moving average control chart where the abnormal change of the single volumetric error vector can be detected. To comprehensively monitor the machine tool accuracy state, a combined vector similarity measure array containing all acquired volumetric errors features has been proposed and processed by the exponential weight moving average control chart. Towards the same faults, the above two data processing can all automatically detect the exact fault occurrence time. Based on the logic of comprehensive monitoring of volumetric errors, fractal analysis of volumetric error coordinates has also been explored. The testing results reveal that it is an effective tool for volumetric errors features representing. To understand the change process of the machine tool state, the acquired historical volumetric errors have been processed by principal component analysis and K-means. For one thing, the proposed methods separate the normal and faulty states of the machine tool (Nearly 100%), for another thing, the designated machine tools provide the references for machine tools state recognition when processing new volumetric errors data. In summary, this research contributed to the development of an efficient solution for machine tool accuracy state monitoring using machine tools volumetric errors based on feature extraction, change recognition and state classification methods. The developed system can recognize the exact change points of real C-axis encoder faults, pseudo-faults EXX and EYX. In addition, it achieves close to 100% accuracy in machine tool faulty and normal state classification.

Open Access document in PolyPublie
Department: Département de génie mécanique
Academic/Research Directors: Sofiane Achiche and René Mayer
Date Deposited: 25 Aug 2020 14:47
Last Modified: 24 Sep 2020 14:53
PolyPublie URL: https://publications.polymtl.ca/4086/

Statistics

Total downloads

Downloads per month in the last year

Origin of downloads

Repository Staff Only