The topic of this work is the identification of the operating state of CNC machines (e.g. idle, air-cutting, or cutting). Operating state identification can help companies monitor their machine utilization to identify inefficiencies, and the insights allow for more accurate maintenance scheduling. Existing approaches exhibit several limitations that affect their practical use in real industry settings. This study aims to create a model that can identify the operating state of a CNC machine.Therefore, a Machine Learning algorithm captures the underlying vibration patterns of each operating state. The proposed Decision Tree classifier uses a triaxial vibration signal from sensors attached to the spindle housing. The continuous vibration signal is divided into moving windows, from which statistical features like mean and quantile 75 are extracted to train the decision tree. A case study is conducted using a 5-axis CNC machine. Data from several cutting experiments and test cycles train and validate the classifier. The processes used to validate the model differ from the training processes to ensure robust generalization and prevent overfitting. The model identifies the operating state correctly with an accuracy of 74%. The decision tree manages to identify idling and cutting accurately. However, a substantial share of air-cutting sequences are falsely classified as cutting. The results demonstrated that a decision tree classifier can classify operating states with limited accuracy, enabling better monitoring and optimization of CNC machine operations. With this model, engineers can monitor machine states and reduce idle times. The methodology lays the groundwork for future research aimed at enhancing the model’s applicability to a broader spectrum of CNC machines and processes. Testing the method on different machines and adding frequency features could significantly enhance the model’s effectiveness.

Detta examensarbete behandlar identifiering av driftstillstånd för CNC-maskiner (t.ex. idle, air-cut eller cut). Identifiering av driftstillstånd kan hjälpa företag att övervaka maskinutnyttjandet för att identifiera eventuell ineffektivitet, och insikterna möjliggör mer noggrann planering av underhåll. Befintliga metoder har flera begränsningar som påverkar deras praktiska användning i verkliga industrimiljöer. Denna studie syftar till att skapa en modell som kan identifiera driftstillståndet för en CNC-maskin.Därför kan en maskininlärningsalgoritm fånga upp de underliggande vibrationsmönstren för varje driftstillstånd. Den föreslagna beslutsträdsklassificeraren använder en triaxiell vibrationssignal från sensorer monterade vid spindelhuset. Den kontinuerliga vibrationssignalen delas upp i moving windows, från vilka statistiska egenskaper såsom medelvärde och kvantil 75 extraheras för att träna beslutsträdet. En fallstudie utförs med en 5-axlig CNC-maskin. Data från flera skärexperiment och testcykler används för att träna och validera modellen. De processer som används för att validera modellen skiljer sig från träningsprocesserna för att säkerställa robust generalisering och förhindra överanpassning. Modellen identifierar driftstillståndet korrekt med en noggrannhet på 74%. Beslutsträdet lyckas identifiera tomgång och skärning med hög noggrannhet. Dock klassificeras en betydande andel av luftskärningssekvenserna felaktigt som skärning. Resultaten visade att en beslutsträds-klassificerare kan klassificera driftstillstånd med begränsad noggrannhet, vilket möjliggör bättre övervakning och optimering av CNC-maskinoperationer. Med denna modell kan ingenjörer övervaka maskintillstånd och minska tomgångstider. Metodiken lägger grunden för vidare forskning som syftar till att förbättra modellens tillämpbarhet på ett bredare spektrum av CNC-maskiner och processer. Testning av metoden på olika maskiner och tillägg av frekvensegenskaper kan avsevärt förbättra modellens effektivitet.