Сверхточный метод мониторинга станков с ИИ: разработка ученых СПбГУ

Ученые Центра искусственного интеллекта Санкт-Петербургского государственного университета создали новый метод мониторинга состояния металлорежущих станков, использующий алгоритмы машинного обучения для анализа вибраций и других параметров работы. Эта разработка позволяет с высокой точностью определять степень износа режущего инструмента и прогнозировать поломки, что критически важно для промышленности, где простои оборудования обходятся в миллионы рублей. Метод основан на непрерывном сборе данных с датчиков вибрации и их обработке нейросетью, обученной распознавать характерные паттерны износа.

Как работает новый метод мониторинга от СПбГУ

Разработка петербургских ученых отличается от аналогов прежде всего точностью и скоростью анализа. Традиционные методы часто требуют остановки станка для измерений или используют косвенные признаки, такие как температура или сила тока, которые не всегда коррелируют с реальным состоянием инструмента. Новый подход использует непрерывный сбор данных в реальном времени и их мгновенную обработку с помощью сверточных нейросетей.

Специалисты центра ИИ СПбГУ обучили модель на большом массиве данных, собранных в ходе экспериментов на реальных станках. В результате система способна различать до десяти стадий износа инструмента с точностью более 95%. Это позволяет не только предсказывать поломки, но и оптимизировать режимы резания, продлевая срок службы оснастки и снижая расходы на запчасти.

Почему точность мониторинга станков так важна для промышленности?

Точный мониторинг состояния режущего инструмента напрямую влияет на производительность и себестоимость продукции. Внезапная поломка инструмента может привести к повреждению заготовки, простою станка на несколько часов и дополнительным затратам на ремонт. По данным отраслевых исследований, незапланированные простои обходятся машиностроительным предприятиям в среднем в 5–10% от годового оборота. Система, способная предупредить о критическом износе за несколько циклов обработки, позволяет оперативно заменить инструмент и избежать аварийных остановок.

Кроме того, работа изношенным инструментом ухудшает качество поверхности деталей, что ведет к браку. Новый метод от СПбГУ помогает поддерживать оптимальные режимы резания на протяжении всего срока службы оснастки, снижая долю брака и повышая точность обработки.

Предыстория и контекст

Проблема мониторинга состояния промышленного оборудования не нова. Еще в 1980-х годах инженеры пытались использовать виброакустические методы для диагностики станков, однако тогдашние вычислительные мощности не позволяли обрабатывать сигналы в реальном времени. С развитием интернета вещей и искусственного интеллекта в последние годы появились коммерческие системы мониторинга от таких компаний, как Siemens, Bosch Rexroth и Fanuc. Однако большинство из них либо требуют дорогостоящего оборудования, либо имеют ограниченную точность.

Новый метод СПбГУ, как подчеркивают разработчики, использует относительно недорогие датчики и может быть интегрирован в существующие станки без их серьезной модернизации. Это делает технологию доступной для средних и малых предприятий, которые не могут позволить себе замену парка оборудования. Кроме того, алгоритм адаптируется к конкретному станку и условиям работы, что повышает надежность прогнозов.

Чем отличается от существующих решений?

Главное отличие — использование глубокого обучения для анализа вибрационных сигналов. В отличие от традиционных методов, которые полагаются на пороговые значения или простые статистические модели, нейросеть способна выявлять сложные нелинейные зависимости. Это позволяет обнаруживать дефекты на ранних стадиях, когда они еще не проявляются в виде заметных изменений температуры или уровня шума.

Кроме того, система может работать в режиме онлайн, не требуя участия человека. Данные передаются на сервер или в облако, где модель выдает рекомендации. В перспективе это позволит внедрить предиктивное обслуживание, когда замена инструмента производится не по регламенту, а по фактическому состоянию, что экономит ресурсы.

Технические подробности метода

В основе метода лежит сверточная нейронная сеть, которая обрабатывает спектрограммы вибрационных сигналов. Датчики акселерометра устанавливаются в нескольких точках станка — на шпинделе, суппорте и станине. Сигналы оцифровываются с частотой 10 кГц, после чего преобразуются в изображения частотно-временных характеристик. Нейросеть, обученная на размеченных данных, классифицирует состояние инструмента по шкале от 0 (новый) до 10 (полный износ).

Точность метода, по заявлению ученых, достигает 97% при определении критического износа. Время обработки одного замера не превышает 50 миллисекунд, что позволяет работать в реальном времени. Разработчики также отмечают, что модель устойчива к шумам и помехам, характерным для производственной среды.

Кого затронет и как

Новая технология в первую очередь будет полезна машиностроительным предприятиям, занятым обработкой металла. По данным Минпромторга, в России насчитывается более 50 тысяч металлорежущих станков, значительная часть которых устарела и требует постоянного контроля. Внедрение системы мониторинга может сократить простои на 20–30% и увеличить срок службы инструмента на 15–25%.

Для разработчиков программного обеспечения в области промышленной автоматизации открывается ниша: создание адаптивных алгоритмов для конкретных типов станков. Также технология может быть интересна производителям станков, которые смогут встраивать ее в свои изделия как опцию.

В России и странах СНГ, где многие предприятия используют советское оборудование, метод особенно актуален: он позволяет продлить жизнь старым станкам без дорогостоящей замены. Потенциальный рынок сбыта — сотни тысяч единиц оборудования по всей Евразии.

Что будет дальше

В ближайшие год-два планируется коммерциализация разработки. Ученые СПбГУ уже ведут переговоры с несколькими промышленными партнерами о пилотном внедрении. Ожидается, что первые промышленные испытания пройдут на предприятиях Санкт-Петербурга и Ленинградской области.

В перспективе метод может быть адаптирован для мониторинга других типов оборудования — прессов, токарных и фрезерных станков, а также роботизированных комплексов. Кроме того, планируется разработка мобильного приложения для операторов, которое будет выдавать push-уведомления о необходимости замены инструмента.

Итог

Разработка ученых СПбГУ представляет собой значимый шаг в области промышленной диагностики. Сочетание доступности, высокой точности и возможности интеграции в существующее оборудование делает метод перспективным для массового внедрения. Если проект будет успешно коммерциализирован, российская промышленность получит эффективный инструмент для снижения издержек и повышения надежности производства.