Доброе утро коллеги!

Пришла мне в голову мысль, как Python может стать мощным инструментом для анализа вибраций и шума на станках с ЧПУ.

Эта тема особенно актуальна для тех, кто хочет повысить надежность оборудования, сократить простои и автоматизировать контроль качества. Ниже — основные аспекты, которые мы можем рассмотреть вместе.
Вообще такой апгрейд наверное будет через чур или из разряда вон, но все же! Нам же надо как-то двигать прогресс!

Почему вибрации и шумы важны?

Любые отклонения в работе станка — будь то износ инструмента, перекос оси или дефект заготовки — проявляются через изменения в вибрациях и акустических сигналах. Анализ этих данных позволяет:

• Предсказывать поломки (например, выявлять износ подшипников).
• Оптимизировать режимы резания.
• Контролировать качество обработки в реальном времени.

Python идеально подходит для таких задач благодаря библиотекам для обработки сигналов, машинного обучения и визуализации. Давайте разберем, как это работает.

Как это реализовать?

1. Сбор данных
Для начала нужно подключить датчики: акселерометры для вибраций (например, ADXL345) и микрофоны для анализа шума. Сигналы можно считывать через Arduino, Raspberry Pi или напрямую с помощью USB-адаптеров. Библиотеки вроде pySerial или sounddevice помогут собрать данные, а затем передать их на обработку.

2. Обработка и анализ
Сырые данные часто содержат шум. Здесь пригодятся фильтры (например, scipy.signal.butter() для низкочастотной фильтрации) и преобразование Фурье (FFT) для перехода к частотному анализу. Например, доминирующие пики на спектре могут указывать на износ определенных деталей. Для аудиосигналов полезно строить спектрограммы с помощью librosa — это визуализирует изменения в шуме станка.

3. Машинное обучение для диагностики
Если вы хотите автоматизировать обнаружение проблем, можно обучить модель на исторических данных. Например, случайный лес (RandomForestClassifier) справится с классификацией состояний станка («исправен», «износ инструмента»), а изолирующий лес (IsolationForest) поможет выявлять аномалии в реальном времени. Для сложных временных зависимостей подойдут рекуррентные нейросети (RNN) на Keras.

4. Интеграция в производство
Создав веб-интерфейс с помощью Streamlit или Dash, вы сможете отслеживать параметры станка в режиме онлайн. А связь с ЧПУ через Modbus или OPC UA (с библиотеками вроде pymodbus) позволит автоматически корректировать режимы работы при обнаружении отклонений.

Пример 1: Сбор данных с датчика через последовательный порт

Используем pySerial для чтения данных с Arduino, где подключен акселерометр (напримере ADXL345).

import serial
import time

# Подключение к COM-порту (указать свой порт)
ser = serial.Serial('COM3', baudrate=9600, timeout=1)

# Чтение данных в течение 10 секунд
start_time = time.time()
data = []

while time.time() - start_time < 10:
    line = ser.readline().decode('utf-8').strip()
    if line:
        try:
            x, y, z = map(float, line.split(','))  # Пример формата данных: "x,y,z"
            data.append((x, y, z))
        except ValueError:
            continue

ser.close()
print("Собранные данные:", data[:5])  # Вывод первых 5 точек

Пример 2: Фильтрация сигнала (низкочастотный фильтр)

Удаляем высокочастотный шум с помощью scipy.

from scipy.signal import butter, filtfilt
import numpy as np

def lowpass_filter(signal, cutoff=100, fs=1000, order=4):
    nyquist = 0.5 * fs
    normal_cutoff = cutoff / nyquist
    b, a = butter(order, normal_cutoff, btype='low', analog=False)
    return filtfilt(b, a, signal)

# Пример сигнала (синтезируем с шумом)
fs = 1000  # Частота дискретизации
t = np.linspace(0, 1, fs, endpoint=False)
signal = np.sin(2 * np.pi * 50 * t) + 0.5 * np.random.normal(size=fs)  # Сигнал 50 Гц + шум

filtered_signal = lowpass_filter(signal, fs=fs)

# Визуализация
import matplotlib.pyplot as plt
plt.plot(t, signal, label="Оригинал")
plt.plot(t, filtered_signal, label="После фильтра")
plt.legend()
plt.show()

Пример 3: Анализ вибраций через FFT

Находим доминирующие частоты в сигнале.

import numpy as np
import matplotlib.pyplot as plt

# Пример сигнала (см. выше)
n = len(signal)
fft_result = np.fft.fft(signal)
frequencies = np.fft.fftfreq(n, 1/fs)

# Оставляем только положительные частоты
magnitude = np.abs(fft_result[:n//2])
freqs = frequencies[:n//2]

# Поиск доминирующей частоты
dominant_freq = freqs[np.argmax(magnitude)]
print(f"Доминирующая частота: {dominant_freq:.2f} Гц")

# Визуализация спектра
plt.plot(freqs, magnitude)
plt.xlabel("Частота (Гц)")
plt.ylabel("Амплитуда")
plt.show()

Пример 4: Построение спектрограммы аудиосигнала

Используем librosa для анализа шума станка.

import librosa
import librosa.display
import matplotlib.pyplot as plt

# Загрузка аудиофайла (замените на свой)
y, sr = librosa.load("machine_noise.wav")  # Пример файла: шум станка

# Построение мел-спектрограммы
S = librosa.feature.melspectrogram(y=y, sr=sr)
S_dB = librosa.power_to_db(S, ref=np.max)

plt.figure(figsize=(10, 4))
librosa.display.specshow(S_dB, sr=sr, x_axis='time', y_axis='mel', fmax=8000)
plt.colorbar(format='%+2.0f dB')
plt.title('Мел-спектрограмма шума станка')
plt.tight_layout()
plt.show()

Пример 5: Классификация состояния станка

Обучаем модель на признаках вибраций.

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# Пример данных: признаки (RMS, FFT-пики) + метки ("исправно", "износ")
X = np.random.rand(100, 5)  # 100 образцов, 5 признаков
y = np.random.choice(["исправно", "износ"], 100)  # Случайные метки

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model = RandomForestClassifier()
model.fit(X_train, y_train)

predictions = model.predict(X_test)
print("Точность:", accuracy_score(y_test, predictions))

Пример 6: Визуализация в реальном времени (Streamlit)

Создаем дашборд для мониторинга.

import streamlit as st
import numpy as np
import time

st.title("Мониторинг вибраций в реальном времени")

# Симуляция данных
placeholder = st.empty()
while True:
    data = np.random.normal(0, 1, 100)  # Случайные данные
    placeholder.line_chart(data)
    time.sleep(1)  # Обновление каждую секунду

Как начать?

1. Установим библиотеки:

   pip install numpy scipy matplotlib librosa scikit-learn streamlit pyserial
   

2. Протестируем примеры с синтетическими данными, затем заменим на реальные.
3. Интегрируем в оборудование: используйте Raspberry Pi/Arduino для сбора данных, а Python — для анализа.

Да, тема конечно интересная, но сложноватая. Хотя всего скорее основные сложности будут возникать с подключением всяких датчиков и так далее, но в целом идея достаточно реализуемая!

Подписывайтесь на нас в телеграм!

Invest Steel | Инвест Сталь

🏭 InvestSteel — ваш проводник в мир промышленности!

Telegram (t.me)