CN110597221A - 机台加工行为异常分析与预测保养系统及其方法 - Google Patents
机台加工行为异常分析与预测保养系统及其方法 Download PDFInfo
- Publication number
- CN110597221A CN110597221A CN201810920944.9A CN201810920944A CN110597221A CN 110597221 A CN110597221 A CN 110597221A CN 201810920944 A CN201810920944 A CN 201810920944A CN 110597221 A CN110597221 A CN 110597221A
- Authority
- CN
- China
- Prior art keywords
- machine
- abnormal
- module
- processing
- analysis module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 227
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims abstract description 143
- 230000006399 behavior Effects 0.000 claims abstract description 202
- 238000012423 maintenance Methods 0.000 claims abstract description 97
- 238000004458 analytical method Methods 0.000 claims description 279
- 230000005856 abnormality Effects 0.000 claims description 106
- 238000003754 machining Methods 0.000 claims description 101
- 230000008569 process Effects 0.000 claims description 68
- 238000013178 mathematical model Methods 0.000 claims description 46
- 238000003745 diagnosis Methods 0.000 claims description 16
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 description 35
- 238000005553 drilling Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000000611 regression analysis Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0256—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明披露一种机台加工行为异常分析与预测保养系统及其方法，该方法包括：由机台感测器撷取模块撷取机台的主轴或关键元件的感测值以计算出时域震动值与频域震动值，并由机台控制器撷取模块撷取机台的主轴转速、运转状态或加工程序的运作信息；依据时域震动值、频域震动值、主轴转速、运转状态或加工程序，对主轴或关键元件的异常时域震动值或异常频域震动值提供告警，并分析出机台的异常加工行为或故障元件原因；以及整合来自机台感测器撷取模块与机台控制器撷取模块的信息以产生整合信息，并在机台的异常加工行为发生或元件故障前，提供机台的保养方式及保养时机。
Description
技术领域
本发明关于一种机台加工行为分析的技术，特别是指一种机台加工行为异常分析与预测保养系统及方法。
背景技术
因应工业4.0的潮流及智能机械产业的发展，如何透过故障预测减少故障停机并提高工厂生产产能，为智能机械的主要聚焦议题。一般业界的SCADA(Supervisory ControlAnd Data Acquisition；监视控制与数据撷取)系统的作法大多着重于机台监控，例如机台信息可视化、远端监控、告警通报等功能，但缺乏机台的预测保养技术。
此外，现有技术提出一种监控机台异常状态方法及其系统，该系统的监控端透过一影像单元或电性连结一监控单元至机台，并由监控端对机台执行监控，当发现机台发生异常时，发出异常讯号至中控端，借此判定机台呈现异常状态。然而，此现有技术仅公开透过影像单元或电性连结方式以判定机台异常发生，但未进一步分析机台的异常问题及原因。
因此，如何解决上述悉知技术的缺点，实已成为本领域技术人员的一大课题。
发明内容
本发明提供一种机台加工行为异常分析与预测保养系统及其方法，其能分析机台的异常加工行为或故障元件原因，并提供机台的保养方式或保养时机。
本发明中机台加工行为异常分析与预测保养系统包括：机台感测器撷取模块，其撷取感测器对机台的主轴或关键元件的感测值，以计算出主轴或关键元件的时域震动值与频域震动值；机台控制器撷取模块，其透过控制器撷取机台的主轴转速、运转状态或加工程序的运作信息；加工行为异常分析模块，其依据机台感测器撷取模块所计算的主轴或关键元件的时域震动值与频域震动值、及机台控制器撷取模块所撷取的机台的主轴转速、运转状态或加工程序的运作信息，对主轴或关键元件的异常时域震动值或异常频域震动值提供告警，并分析出机台的异常加工行为或故障元件原因；以及预测保养分析模块，其整合来自机台感测器撷取模块的主轴或关键元件的时域震动值与频域震动值以及来自机台控制器撷取模块的机台的主轴转速、运转状态或加工程序的运作信息以产生整合信息，俾于整合信息符合已建立的特征数学模型时，由预测保养分析模块在机台的异常加工行为发生或元件故障前，提供机台的保养方式或保养时机。
本发明中机台加工行为异常分析与预测保养方法包括：由机台感测器撷取模块撷取感测器对机台的主轴或关键元件的感测值以计算出主轴或关键元件的时域震动值与频域震动值，并由机台控制器撷取模块透过控制器撷取机台的主轴转速、运转状态或加工程序的运作信息；由加工行为异常分析模块依据机台感测器撷取模块所计算的主轴或关键元件的时域震动值与频域震动值、及机台控制器撷取模块所撷取的机台的主轴转速、运转状态或加工程序的运作信息，对主轴或关键元件的异常时域震动值或异常频域震动值提供告警，并分析出机台的异常加工行为或故障元件原因；以及由预测保养分析模块整合来自机台感测器撷取模块的主轴或关键元件的时域震动值与频域震动值以及来自机台控制器撷取模块的机台的主轴转速、运转状态或加工程序的运作信息以产生整合信息，俾于整合信息符合已建立的特征数学模型时，由预测保养分析模块在机台的异常加工行为发生或元件故障前，提供机台的保养方式及保养时机。
为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图式作详细说明。在以下描述内容中将部分阐述本发明的额外特征及优点，且此等特征及优点将部分自所述描述内容显而易见，或可借由对本发明的实践习得。本发明的特征及优点借助于在申请专利范围中特别指出的元件及组合来认识到并达到。应理解，前文一般描述与以下详细描述两者均仅为例示性及解释性的，且不欲约束本发明所主张的范围。
附图说明
图1为本发明的机台加工行为异常分析与预测保养系统的一架构示意图；
图2为本发明的机台加工行为异常分析与预测保养系统的另一架构示意图；
图3为本发明的机台加工行为异常分析与预测保养方法的流程示意图；以及
图4A至图20D为本发明的机台加工行为异常分析与预测保养方法的实施例示意图。
符号说明
1 机台加工行为异常分析与预测保养系统
10 机台
11 主轴
12 关键元件
13 感测器
14 控制器
20 机台感测器撷取模块
30 机台控制器撷取模块
40 加工行为异常分析模块
41 加工程序分析模块
42 时域振幅分析模块
421 时域加工模型分析单元
422 加工异常分析单元
423 频域加工模型分析单元
43 加工分析模块
431 加工异常原因分析单元
432 加工异常程度分析单元
44 频域振幅分析模块
441 频域主轴寿命与关键元件模型分析单元
45 主轴寿命分析模块
451 第一元件异常种类分析单元
452 第一元件异常程度分析单元
46 关键元件分析模块
461 第二元件异常种类分析单元
462 第二元件异常程度分析单元
50 加工行为历史模块
51 异常加工行为特征分析单元
52 主轴寿命与关键元件异常加工行为特征分析单元
60 预测保养分析模块
61 特征模型学习单元
62 专家保养诊断单元
63 预测结果单元
70 数学模型更新模块
80 时域振幅加工行为异常模型设定模块
90 频域振幅加工行为异常模型设定模块
S1至S5 步骤。
具体实施方式
以下借由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭示的内容轻易地了解本发明的其他优点与功效，亦可借由其他不同的具体实施例加以施行或应用。
图1为本发明的机台加工行为异常分析与预测保养系统1的一架构示意图。如图所示，机台加工行为异常分析与预测保养系统1包括感测器13、控制器14、机台感测器撷取模块20、机台控制器撷取模块30、加工行为异常分析模块40、加工行为历史模块50、预测保养分析模块60与数学模型更新模块70，亦可包括时域振幅加工行为异常模型设定模块80与频域振幅加工行为异常模型设定模块90。
感测器13可例如为加速规等，并设置于机台10的主轴11或关键元件12上、或机台10的外部，本发明不以此为限。机台感测器撷取模块20可撷取感测器13对机台10的主轴11或关键元件12的(即时)感测值，以计算出主轴11或关键元件12的时域震动值与频域震动值。
控制器14可设置于机台10上。机台控制器撷取模块30可与控制器14连线(通讯)，并透过控制器14撷取机台10的主轴转速、运转状态或加工程序…等运作信息。
加工行为异常分析模块40可依据机台感测器撷取模块20所计算的主轴11或关键元件12的时域震动值与频域震动值、以及机台控制器撷取模块30所撷取的机台10的主轴转速、运转状态或加工程序等运作信息，提供时域振幅、切削加工、主轴寿命与关键元件等四种异常分析方式，以使加工行为异常分析模块40针对主轴11或关键元件12的异常时域震动值或异常频域震动值提供初步的告警，并自动分析或判断机台10的异常加工行为或故障元件原因。
加工行为历史模块50可收集加工行为异常分析模块40分析或判断为异常加工行为及故障元件的运作信息，以据的建立异常加工行为的特征数据。此特征数据可包括异常加工特征与加工过程的频域震动值，亦可包括(1)异常主轴寿命与关键元件特征、(2)加工过程的频域震动值等两种关联表。
预测保养分析模块60可学习各机台10专属的预测保养数学模型与特征参数，并整合来自机台感测器撷取模块20的信息(如主轴11或关键元件12的时域震动值与频域震动值)与来自机台控制器撷取模块30的信息(如机台10的主轴转速、运转状态或加工程序的运作信息)以产生整合信息，俾于整合信息符合已学习建立的特征数学模型时，由预测保养分析模块60(图2的专家保养诊断单元62)依据预先的设定，在异常加工行为发生或元件故障前，提供机台保养方式与机台保养时机。
数学模型更新模块70可将预测保养分析模块60对机台10的异常特征的学习结果回授至加工行为异常分析模块40的频域加工模型分析单元423或频域主轴寿命与关键元件模型分析单元441(见图2)，使加工行为异常分析模块40的频域加工模型分析单元423或频域主轴寿命与关键元件模型分析单元441的异常分析诊断方式快速收敛。
时域振幅加工行为异常模型设定模块80可供使用者设定如图5A所示机台10的时域振幅加工行为异常模型，例如机台10的状态、加工程序、时域振幅波形、持续时间、发生次数…等模型条件。
频域振幅加工行为异常模型设定模块90可供使用者设定如图5B所示机台10的频域振幅加工行为异常模型，例如设定加工、主轴寿命与关键元件等。此频域振幅加工行为异常模型可包括机台10的主频率f、谐波频率2f、3f、4f等及各频段的贡献度，或轴承保持器损坏频率(如FTF＝RPM×40～60％)。
图2为本发明的机台加工行为异常分析与预测保养系统1的另一架构示意图。如图所示，机台加工行为异常分析与预测保养系统1可包括如图1所示的机台感测器撷取模块20、机台控制器撷取模块30、加工行为异常分析模块40、加工行为历史模块50、预测保养分析模块60与数学模型更新模块70、时域振幅加工行为异常模型设定模块80及频域振幅加工行为异常模型设定模块90，亦可进一步包括图1的感测器13及控制器14，但不以此为限。
加工行为异常分析模块40可包括加工程序分析模块41、时域振幅分析模块42、加工分析模块43、频域振幅分析模块44、主轴寿命分析模块45及关键元件分析模块46，时域振幅分析模块42可具有时域加工模型分析单元421、加工异常分析单元422及频域加工模型分析单元423，加工分析模块43可具有加工异常原因分析单元431及加工异常程度分析单元432，频域振幅分析模块44可具有频域主轴寿命与关键元件模型分析单元441，主轴寿命分析模块45可具有第一元件异常种类分析单元451及第一元件异常程度分析单元452，关键元件分析模块46可具有第二元件异常种类分析单元461及第二元件异常程度分析单元462。加工行为历史模块50可包括异常加工行为特征分析单元51及主轴寿命与关键元件异常加工行为特征分析单元52，预测保养分析模块60可包括特征模型学习单元61、专家保养诊断单元62及预测结果单元63。
加工行为异常分析模块40的加工程序分析模块41可读取来自图1的机台控制器撷取模块30的机台加工程序码，以从机台加工程序码中解读出机台加工行为。同时，加工程序分析模块41可识别加工分析模块43所需的加工动作(如研磨加工、螺杆加工、钻孔切削…等)，亦可识别主轴寿命分析模块45或关键元件分析模块46所需的分析动作(如机台的暖开机、主轴跑合、刀具补偿调校…等)。若加工程序分析模块41识别为加工分析模块43所需的加工动作，则进入时域振幅分析模块42；而若加工程序分析模块41识别为主轴寿命分析模块45或关键元件分析模块46所需的分析动作，则进入频域振幅分析模块44。
在时域振幅分析模块42中，经加工程序分析模块41识别为加工分析模块43所需的加工动作(如研磨加工、螺杆加工、钻孔切削…等)时，可由时域振幅分析模块42的时域加工模型分析单元421分析机台10的时域加工模型，并由时域振幅分析模块42的加工异常分析单元422分析机台10的加工异常，且由时域振幅分析模块42的频域加工模型分析单元423分析机台10的频域加工模型。
举例而言，时域加工模型分析单元421可读取来自图1所示机台感测器撷取模块20的时域振幅的即时量测值，并依据如图5A所示时域振幅加工行为异常模型的进行数据收集与公式计算，例如：研磨加工、螺杆加工、钻孔切削…等各种加工动作，以及各种加工动作的时域异常模型(如正常时域振幅波形、运转状态、异常持续时间、异常发生次数…)，其中时域振幅加工行为异常模型可以透过平台或工具设定。
在时域加工模型分析单元421中，其时域加工模型的分析公式可例如为：TM_Cutting(Return TM_C_Alarm)_i＝F1(C_Process,Vmg(t)ref,Vmg(t),Tcontinued,Count,Status)。前述TM_Cutting(Return TM_C_Alarm)_i为第i种时域加工模型分析，其中TM_C_Alarm＝True/False。C_Process为加工动作。Vmg(t)ref为正常时域振幅波形，其中t为时间。Vmg(t)为即时量测时域振幅波形，其中t为时间。Tcontinued为异常持续时间。Count为异常发生次数。Status为机台运转状态。
加工异常分析单元422可依据时域加工模型分析单元421的分析或计算结果进行加工异常判断。当时域加工模型成立(如TM_C_Alarm＝True)时，加工异常分析单元422可立即产生一加工(如C_Process)异常告警，并接续进入频域加工模型分析单元423分析异常原因与异常程度。
频域加工模型分析单元423可读取图1所示机台感测器撷取模块20的FFT(FastFourier Transform；快速傅立叶转换)快速频域振幅值，并依据频域振幅加工行为异常模型设定模块90的频域振幅加工行为异常模型进行数据收集与公式计算，例如研磨加工、螺杆加工、钻孔切削…等各种加工动作及其相应的异常原因(如转速过高、刀具磨损、机械松动…等)，以及各种异常原因的频域异常模型(如主频率f、谐波频率2f、3f、4f…等，及各频段的贡献度)，其中，频域振幅加工行为异常模型可以透过平台或工具设定。
在频域加工模型分析单元423中，其频域加工模型的分析公式可例如为：FM_Cutting(Return FM_C_Alarm)_i＝F2(C_Process,C_Error,C_Value,FFT(f,n,kn),Status)。前述FM_Cutting(Return FM_C_Alarm)_i为第i种频域加工模型分析，其中FM_C_Alarm＝True/False。C_Process为加工动作。C_Error为异常原因。C_Value为异常频域振幅大小。FFT(f,n,kn)为异常频域振幅公式，其中f为机台主轴转动频率，n为谐波频率数目，kn为各频段的贡献度。Status为机台运转状态。
加工分析模块43可依据频域加工模型分析单元423的频域加工模型的分析或计算结果，针对机台10的(切削)加工动作(C_Process)进行异常原因判断。当频域加工模型成立(如FM_C_Alarm＝True)时，加工分析模块43立即通知系统有关动作加工(C_Process)的异常发生原因为C_Error，并将分析结果存入加工异常原因分析单元431。同时，加工分析模块43依据即时量测FFT(f,n,kn)大小进行加工异常程度分析，并将分析结果存入加工异常程度分析单元432中。
在频域振幅分析模块44中，经加工程序分析模块41识别为主轴寿命与关键元件分析(如机台的暖开机、主轴跑合、刀具补偿调校…等)的机台的特定行为时，可由频域主轴寿命与关键元件模型分析单元441进行频域主轴寿命与关键元件模型分析。
举例而言，频域振幅分析模块44的频域主轴寿命与关键元件模型分析单元441可读取来自图1所示机台感测器撷取模块20的频域振幅值(如FFT频域振幅值)，并依据频域振幅加工行为异常模型设定模块90的频域振幅加工行为异常模型进行数据收集与公式计算，例如：机台的暖开机、主轴跑合、刀具补偿调校…等各种机台的特定行为，相应的异常或故障元件(如滚动轴承outer race、ball、fund.Train、inner race)，以及各种异常或故障元件的频域异常模型(如轴承保持器损坏频率FTF＝RPM×40～60％)，其中，频域振幅加工行为异常模型可以透过平台或工具设定。
在频域主轴寿命与关键元件模型分析单元441中，其频域主轴寿命与关键元件模型的分析公式可例如为：FM_Machine(Return FM_M_Alarm)_i＝F3(M_Process,M_Error,M_Value,FFT(f,n,kn),Status)。前述FM_Machine(Return FM_M_Alarm)_i为第i种频域主轴寿命与关键元件模型分析，其中FM_M_Alarm＝True/False。M_Process为机台的特定行为。M_Error为异常或故障元件。M_Value为异常频域振幅大小。FFT(f,n,kn)为异常频域振幅公式，其中f为机台主轴转动频率，n为谐波频率数目，kn为各频段的贡献度。Status为机台运转状态。
主轴寿命分析模块45可依据频域主轴寿命与关键元件模型分析单元441的分析或计算结果，针对机台10的特定行为(M_Process)进行主轴寿命分析。当频域主轴寿命与关键元件模型成立(如FM_M_Alarm＝True)时，主轴寿命分析模块45可立即通知系统有关主轴寿命的异常原因或故障元件(如M_Error)，并将分析结果存入第一元件异常种类分析单元451中。同时，主轴寿命分析模块45亦可依据FFT(f,n,kn)的大小进行元件异常程度分析，并将分析结果存入第一元件异常程度分析单元452中。
关键元件分析模块46的分析方式与上述主轴寿命分析模块45的分析方式相似，可以针对机台10的其他关键元件12进行异常原因分析或损坏程度评估。亦即，关键元件分析模块46可依据频域主轴寿命与关键元件模型分析单元441的分析或计算结果，针对机台10的特定行为(M_Process)进行关键元件12的分析。当频域主轴寿命与关键元件模型成立(如FM_M_Alarm＝True)时，关键元件分析模块46可立即通知系统有关关键元件的异常或故障元件(如M_Error)，并将分析结果存入第二元件异常种类分析单元461。同时，关键元件分析模块46可依据FFT(f,n,kn)的大小进行元件异常程度分析，并将分析结果存入第二元件异常程度分析单元462中。
加工行为历史模块50可针对加工分析模块43、主轴寿命分析模块45与关键元件分析模块46分析或判断为异常加工行为，自动收集来自加工异常原因分析单元431的加工异常原因、来自加工异常程度分析单元432的异常程度、来自第一元件异常种类分析单元451(第二元件异常种类分析单元461)的元件异常种类、来自第一元件异常程度分析单元452(第二元件异常程度分析单元462)的元件异常程度，并过滤或储存异常加工行为的发生时间的完整FFT频域振幅值。
加工行为历史模块50的异常加工行为特征分析单元51可对异常加工行为特征进行分析，而主轴寿命与关键元件异常加工行为特征分析单元52可对主轴寿命与关键元件异常加工行为特征进行分析，据此建立异常加工行为的特征数据表。
申言之，异常加工行为特征分析单元51可建立加工异常特征(异常原因及异常程度)与异常过程FFT频域振幅值的特征数据表，此特征数据表的数据格式可例如为：DB_Cutting_Table(C_Process,C_Error,C_Level,C_FFT(start,end))ij。前述DB_Cutting_Table为加工异常加工行为的特征数据表。C_Process为加工动作。C_Error为异常原因。C_Level为异常程度。C_FFT(Tstart,Tend)为异常过程FFT频域振幅值，其中Tstart为异常加工行为发生开始时间，Tend为异常加工行为结束时间。DB_Cutting_Table(C_Process,C_Error,C_Level,C_FFT(start,end))ij为第i种异常加工特征(异常原因与异常程度)的第j次异常过程FFT频域振幅值数据表。
主轴寿命与关键元件异常加工行为特征分析单元52可建立主轴寿命与关键元件异常特征(异常问题与异常程度)及异常过程FFT频域振幅值的特征数据表，此特征数据表的数据格式可例如为：DB_Machine_Table(M_Process,M_Error,M_Level,M_FFT(start,end))ij。前述DB_Machine_Table为主轴寿命与关键元件异常加工行为的特征数据表。M_Process为机台的特定行为。M_Error为元件异常问题。M_Level为元件异常程度。M_FFT(Tstart,Tend)为元件异常过程FFT频域振幅值，其中Tstart为元件异常行为发生开始时间，Tend为元件异常行为结束时间。DB_Machine_Table(M_Process,M_Error,M_Level,M_FFT(start,end))ij为第i种主轴寿命与关键元件异常特征(异常问题与异常程度)的第j次异常过程FFT频域振幅。
预测保养分析模块60可透过加工行为历史模块50收集预测保养分析所需的异常加工行为的特征数据表，且异常加工行为的特征数据表的数量可以透过平台或工具设定。
预测保养分析模块60的特征模型学习单元61可分析与建立异常加工行为数学模型，且异常加工行为数学模型的学习方式可利用如回归分析法、类神经网络…等技术达成。同时，数学模型更新模块70可将特征模型学习单元61的学习结果回授至频域加工模型分析单元423及频域主轴寿命与关键元件模型分析单元441，让频域加工模型分析单元423及频域主轴寿命与关键元件模型分析单元441的异常分析诊断方式快速收敛。
预测保养分析模块60的专家保养诊断单元62可设有异常加工行为的机台保养方式，且机台保养方式可以透过平台或工具设定。当图1所示机台感测器撷取模块20及机台控制器撷取模块30的整合信息符合已学习建立的特征数学模型时，预测结果单元63可提供异常加工行为或元件故障的保养方式与机台保养时机。
申言之，特征模型学习单元61可分析主轴寿命与关键元件的异常加工行为的特征数据表，并利用特征模型学习法(如回归分析法、类神经网络…等)建立特征数学模型，其中特征模型学习法可以透过平台或工具选择或设定。同时，特征模型学习单元61可输出相关系数指标以表示特征数学模型的可信度，当相关系数指标大于设定目标时，特征模型学习单元61可储存特征数学模型，并通知数学模型更新模块70进行学习结果的回授与更新。
在特征模型学习单元61中，其特征模型学习的公式可例如为：Model_Learning(Return Finish,Index,FFT_Model(f,n,kn))_i＝F4(DB_Table,Error,n,Method)。前述Model_Learning(Return Finish,Index,FFT_Model(f,n,kn))_i为第i种特征模型学习公式，其中Finish＝True(完成建模)/False(建模中)。Index为特征模型的相关系数指标。FFT_Model(f,n,kn)为特征数学模型，其中f为机台主轴转动频率，n为谐波频率数目，kn为各频段的贡献度。DB_Table为DB_Cutting_Table或DB_Machine_Table，Error为异常原因(C_Error)或元件异常问题(M_Error)，n为数据表的数量，Method为特征模型学习法。
又，在特征模型学习单元61中，当相关系数指标大于设定目标时，数学模型更新模块70可依据特征模型学习单元61的特征模型的相关系数指标，将FFT_Model(f,n,kn)的特征数学模型回授与更新。例如，当Error为异常原因(如C_Error)时，数学模型更新模块70可更新频域加工模型分析单元423的频域加工模型；而当Error为元件异常问题(如M_Error)时，数学模型更新模块70可更新频域主轴寿命与关键元件模型分析单元441的频域主轴寿命与关键元件模型。
专家保养诊断单元62可针对切削加工、主轴寿命与关键元件的异常原因提供专属的机台保养方式，并依据异常程度分析建议适合的保养时机，且专家保养诊断数据表的数据格式可为：DB_Diagnosis_Table_i(Process,Error,Level,Maintain_Method,Maintain_Time)。前述DB_Diagnosis_Table_i为第i种专家保养诊断数据表，Process为C_Process或M_Process，Error为C_Error或M_Error，Level为C_Level或M_Level，Maintain_Method为机台保养方式，Maintain_Time为机台保养时机。
当图1所示机台感测器撷取模块20及机台控制器撷取模块30的整合信息符合已学习建立的特征数学模型FFT_Model(f,n,kn)时，预测结果单元63可比对或查询专家保养诊断单元62以提供预测结果的说明，例如：异常加工行为(Process)、异常原因或元件异常问题(Error)、机台保养方式(Maintain_Method)与机台保养时机(Maintain_Time)。
图3为本发明的机台加工行为异常分析与预测保养方法的流程示意图，其主要技术内容可如下列所述并参照图1至图2予以说明，其余技术内容请参考图1至图2与图4A至图20D的详细说明。
在图3的步骤S1中，由机台感测器撷取模块20撷取感测器13对机台10的主轴11或关键元件12的感测值以计算出主轴11或关键元件12的时域震动值与频域震动值，并由机台控制器撷取模块30透过控制器14撷取机台10的主轴转速、运转状态或加工程序的运作信息。同时，透过时域振幅加工行为异常模型设定模块80设定机台10的时域振幅加工行为异常模型，并透过频域振幅加工行为异常模型设定模块90设定机台10的频域振幅加工行为异常模型。
在图3的步骤S2中，由加工行为异常分析模块40依据机台感测器撷取模块20所计算的主轴11或关键元件12的时域震动值与频域震动值、及机台控制器撷取模块30所撷取的机台10的主轴转速、运转状态或加工程序的运作信息，对主轴11或关键元件12的异常时域震动值或异常频域震动值提供告警，并分析出机台10的异常加工行为或故障元件原因。
申言之，可由加工行为异常分析模块40的加工程序分析模块41读取来自机台控制器撷取模块30的机台加工程序码，以从机台加工程序码中解读出机台加工行为。同时，可由加工行为异常分析模块40的时域振幅分析模块42分析机台10的时域加工模型、加工异常或频域加工模型。此外，可由加工行为异常分析模块40的加工分析模块43依据频域加工模型的分析结果，针对机台10的加工动作进行异常原因判断。
另外，可由加工行为异常分析模块40的频域振幅分析模块44读取来自机台感测器撷取模块20的频域振幅值，并依据机台10的频域振幅加工行为异常模型进行数据收集。同时，可由加工行为异常分析模块40的主轴寿命分析模块45分析机台10的主轴寿命的异常原因或故障元件，而由加工行为异常分析模块40的关键元件分析模块46分析机台10的关键元件的异常原因或损坏程度。
在图3的步骤S3中，由加工行为历史模块50针对机台10的异常加工行为收集来自加工行为异常分析模块40的异常分析结果，以依据异常分析结果建立异常加工行为的特征数据表。
在图3的步骤S4中，由预测保养分析模块60整合来自机台感测器撷取模块20的信息(如主轴11或关键元件12的时域震动值与频域震动值)与来自机台控制器撷取模块30的信息(如机台10的主轴转速、运转状态或加工程序的运作信息)以产生整合信息，俾于整合信息符合已建立的特征数学模型时，由预测保养分析模块60在机台10的异常加工行为发生或元件故障前，提供机台10的保养方式及保养时机。另外，亦可由预测保养分析模块60学习机台专属的预测保养数学模型与特征参数，并依据来自加工行为历史模块50的异常加工行为的特征数据表建立机台10的切削加工、主轴寿命与关键元件的异常特征数学模型。
在图3的步骤S5中，由数学模型更新模块70将预测保养分析模块60对机台10的异常特征的学习结果回授至加工行为异常分析模块40，使加工行为异常分析模块40的异常分析诊断方式收敛。
图4A至图20D为本发明的机台加工行为异常分析与预测保养系统及方法的实施例示意图，其作业程序可如下列所述并参照图1至图2予以说明。要说明的是，图4A至图20D仅以实施例示意图的方式说明，但本发明不以此为限。
程序(1)：如图4A至图4B所示，工厂设有图1的机台10，如工具机或加工机(如多轴车床综合加工机)。每日开工前，先对机台10执行暖开机的运转模式，并在机台10的暖开机完成时，由机台10开始依工单需求进行螺杆加工、钻孔切削、切断…等加工。同时，机台10的时域振幅加工行为模型(见图4A)与频域振幅加工行为模型(见图4B)可透过感测器13与机台感测器撷取模块20量测取得，或是由机台原厂商提供数据。
程序(2)：如图5A至图5B所示，在加工分析上(如螺杆加工、钻孔切削、切断…等加工)，可透过时域振幅加工行为异常模型设定模块80设定图5A的时域振幅加工行为异常模型(如振幅波形、异常持续时间、异常发生次数…等)，以利判断加工异常及提供加工异常告警，并透过频域振幅加工行为异常模型设定模块90设定图5B的频域振幅加工行为异常模型(如主频率f、谐波频率2f、3f、4f…等，及各频段的贡献度)，以利自动判断加工异常原因。
在时域加工模型分析单元421中，其时域加工模型的分析公式可例如为：TM_Cutting(Return TM_C_Alarm)_i＝F1(C_Process,Vmg(t)ref,Vmg(t),Tcontinued,Count,Status)，i＝1～3。前述C_Process为加工动作(包含螺杆加工、钻孔切削、切断)，Vmg(t)ref为正常加工动作时域振幅波形(由程序(1)获得)，Vmg(t)为即时量测时域振幅波形，Tcontinued为异常持续时间(3秒)，Count为异常发生次数(1次)，Status为机台运转状态(加工状态)。
在频域加工模型分析单元423中，其频域加工模型的分析公式可例如为：FM_Cutting(Return FM_C_Alarm)_i＝F2(C_Process,C_Error,C_Value,FFT(f,n,kn),Status)，i＝1～3。前述C_Process为加工动作(包含螺杆加工、钻孔切削、切断)，C_Error为异常原因(包含转速过高、刀具磨损、机械松动)，C_Value为异常频域振幅大小(由程序(1)获得，FFT(f,n,kn)为异常频域振幅公式(由程序(1)获得)，Status为机台运转状态(加工状态)。
程序(3)：如图6所示，在主轴寿命与关键元件分析上(如暖开机)，频域振幅加工行为异常模型设定模块90可设定频域振幅加工行为异常模型以自动判断故障元件，本实施案例谨以滚珠轴承异常模型作分析说明。
在频域主轴寿命与关键元件模型分析单元441中，其频域主轴寿命与关键元件模型的分析公式可例如为：FM_Machine(Return FM_M_Alarm)_i＝F3(M_Process,M_Error,M_Value,FFT(f,n,kn),Status),i＝1～4。前述M_Process为机台的特定行为(机台的暖开机)，M_Error为异常或故障元件(如滚动轴承outer race、ball、fund.Train、inner race)，M_Value为异常频域振幅大小(由程序(1)获得)，FFT(f,n,kn)为异常频域振幅公式(由程序(1)获得)，Status为机台运转状态(加工状态)。
程序(4)：在完成上述程序(2)至程序(3)的设定后，在每日机台10开工前，机台10会先进行暖开机的运转模式。同时，加工程序分析模块41会读取机台控制器撷取模块30的机台加工程序码，并在自动分析或判断加工动作为机台的暖开机后，由频域振幅分析模块44分析每一异常或故障元件(如M_Error)的异常频域振幅大小。举例而言，如图7所示，频域振幅分析模块44的分析程序为：[a]分析机台10的运转状态(见图7上方)，[b]分析机台感测器撷取模块20的频域振幅值及机台10的主轴转动频率(见图7中间)，[c]依据频域振幅加工行为异常模型设定模块90的频域振幅加工行为异常模型进行数据收集与公式计算(见图7下方)。
程序(5)：将上述程序(4)的分析或计算结果透过主轴寿命分析模块45进行分析，并将发生异常的分析结果分别存入第一元件异常种类分析单元451及第一元件异常程度分析单元452中。举例而言，如图8所示，主轴寿命分析模块45的分析程序为：[a]针对暖开机的行为进行主轴寿命分析(见图8上方)，[b]Ball M_Value(40)>28(见图8下方)，[c]频域主轴寿命模型异常成立，FM_M_Alarm＝True(见图8下方)。
程序(6)：在完成机台10的暖开机后，机台10开始依工单需求进行螺杆加工、钻孔切削、切断…等加工。加工程序分析模块41会读取机台控制器撷取模块30的机台加工程序码，以自动分析或判断加工动作为螺杆加工、钻孔切削、切断…等加工，并由时域振幅分析模块42进行加工异常告警分析。举例而言，如图9所示，时域振幅分析模块42的分析程序为：[a]分析机台10的运转状态(见图9上方)，[b]分析机台感测器撷取模块20的时域振幅值(见图9中间)，[c]依据频域振幅加工行为异常模型设定模块90的频域振幅加工行为异常模型进行数据收集与公式计算(见图9下方)。
程序(7)：当机台10的加工(如钻孔切削)异常发生时，时域振幅分析模块42可分析每一异常原因(如C_Error)的异常频域振幅大小。举例而言，如图10所示，时域振幅分析模块42的分析程序为：[a]分析机台感测器撷取模块20的FFT频域振幅值(见图10上方)，[b]分析机台10的主轴转动频率振幅(见图10中间)，[c]依据频域振幅加工行为异常模型设定模块90的频域振幅加工行为异常模型进行数据收集与公式计算(见图10下方)。
程序(8)：将上述程序(7)的分析或计算结果透过加工分析模块43进行分析，并由加工分析模块43将发生异常的分析结果分别存入加工异常原因分析单元431及加工异常程度分析单元432中。举例而言，如图11所示，加工分析模块43的分析程序为：[a]针对钻孔切削行为进行切削加工分析(见图11上方)，[b]刀具磨损C_Value(33)>18(见图11上方)，[c]频域加工模型的异常成立，FM_C_Alarm＝True(见图11下方)，[d]通知系统有关加工分析的钻孔切削的异常原因为刀具磨损并储存分析结果(见图11下方)。
程序(9)：加工行为历史模块50自动收集上述程序(5)与程序(8)的分析结果，并过滤及储存异常加工行为的发生时间的完整FFT频域振幅值，再透过异常加工行为特征分析单元51及主轴寿命与关键元件异常加工行为特征分析单元52完成异常加工行为的特征数据表的建立。举例而言，如图12A所示，异常加工行为特征分析单元51所建立的特征数据表的数据格式或特征数据包括数据表(j)、C_Error、C_Level、C_FFT(start,end)。如图12B所示，主轴寿命与关键元件异常加工行为特征分析单元52所建立的特征数据表的数据格式或特征数据包括数据表(j)、M_Error、M_Level、M_FFT(start,end)。
程序(10)：如图13A至图13B所示，在完成异常加工行为的特征数据表的建立后，由预测保养分析模块60针对C_Process(钻孔切削)与C_Error(刀具磨损)、以及M_Process(暖开机)与M_Error(Ball)设定预测保养分析所需的数据表的数量为3，以据此自动筛选异常程度(C_Level或M_Level)较高的数据表(j)的内容。
程序(11)：如图14A至图14B所示，利用特征模型学习单元61进行异常加工行为数学模型的分析与建立，其中数据表的数量(n)为3，且特征模型学习法(Method)选用回归分析法。
程序(12)：如图15A至图15B所示，利用回归分析法获得关键频谱参数(相关系数(R2)>0.8)，并透过关键频谱参数的回归公式完成特征数学模型FFT_Model(f,n,kn)，其中，图15A采用C_Process(钻孔切削)、C_Error(刀具磨损)、FFT_Model(f,n,kn)，图15B采用M_Process(暖开机)、M_Error(Ball)、FFT_Model(f,n,kn)。
程序(13)：如图16A至图16B所示，在完成特征数学模型FFT_Model(f,n,kn)后，透过数学模型更新模块70判断FFT_Model(f,n,kn)是否符合更新条件，若符合更新条件，则数学模型更新模块70更新频域加工模型分析单元423的频域加工模型及频域主轴寿命与关键元件模型分析单元441的频域主轴寿命与关键元件模型。
在本实施例中，相关系数的目标值设定为0.8，因FFT_Model(f,n,kn)的相关系数(0.9919与0.9911)大于0.8，符合更新条件，故数学模型更新模块70会修正与更新频域加工模型分析单元423的相关公式、及频域主轴寿命与关键元件模型分析单元441的相关公式，以克服机台差异与元件老化造成模型误差，让频域加工模型分析单元423及频域主轴寿命与关键元件模型分析单元441的异常分析诊断方式快速收敛。
程序(14)：预测保养分析模块60会储存上述程序(12)的特征数学模型，例如FFT_Model(f,n,kn)。当前端的机台感测器撷取模块20及机台控制器撷取模块30的整合信息符合FFT_Model(f,n,kn)且Index>0.8时，将由预测结果单元63提供异常加工行为或元件故障的保养方式与机台保养时机。专家保养诊断单元62的保养方式可以透过平台或工具设定，兹说明如下：
[a]如图17A至图17D所示，在M_Process为暖开机下，读取4次机台感测器撷取模块20及机台控制器撷取模块30的整合信息，其中图17C至图17D符合M_Process为暖开机、M_Error为Ball、FFT_Model(f,n,kn)、Index>0.8。
[b]如图18A至图18D所示，在C_Process为钻孔切削下，读取4次机台感测器撷取模块20及机台控制器撷取模块30的整合信息，其中图18C至图18D符合C_Process为钻孔切削、C_Error为刀具磨损、FFT_Model(f,n,kn)、Index>0.8。
[c]如图19所示，依据机台10的原厂商保养手册，透过平台或工具设定专家保养诊断单元62的保养方式。
[d]如图20A至图20D所示，针对上述程序(14)中[a]与[b]的分析结果，由预测结果单元63提供异常加工行为或元件故障的保养方式与机台保养时机，以达到机台的预测保养目的。
综上所述，本发明机台加工行为异常分析与预测保养系统及方法可具有例如下列的特色、优点或技术功效：
(1)本发明可透过感测器与机台感测器撷取模块结合控制器与机台控制器撷取模块，针对机台的主轴或关键元件的异常时域震动值或异常频域震动值提出告警，并自动分析或判断出机台的异常加工行为(如研磨加工、螺杆加工、钻孔切削…等)或故障元件(如滚动轴承outer race、ball、fund.Train、inner race)原因。
(2)本发明的加工行为异常分析模块(加工分析模块)可透过加工程序针对特定加工行为(如研磨加工、螺杆加工、钻孔切削…等)进行加工特征分析，并依据时域振幅加工行为模型(如振幅大小、持续时间、发生次数…等)自动提出加工异常告警，且依据频域振幅加工行为模型(如主频率f、谐波频率2f、3f、4f…等及各频段的贡献度)自动判断出异常加工原因(如转速过高、刀具磨损、机械松动…等)或异常程度指标(如机械松动的FFT(mm/s2)大小等级)。
(3)本发明的频率主轴寿命与关键元件模型分析单元可利用加工程序针对机台的特定行为(如机台的暖开机、主轴跑合、刀具补偿调校…等)进行主轴寿命与关键元件特征分析，并透过频域异常模型(如轴承保持器损坏频率FTF＝RPM×40～60％)自动判断故障元件(如滚动轴承outer race、ball、fund.Train、inner race)及异常程度指标(如FTF频率的FFT(mm/s2)大小等级)。
(4)本发明的加工行为历史模块可针对机台的异常加工行为自动收集来自加工行为异常分析模块(加工分析模块、主轴寿命分析模块与关键元件模型分析模块)的异常分析结果以建立异常加工行为的特征数据表，例如切削加工特征(异常原因与异常程度)和异常过程FFT频域振幅值，以及主轴寿命与关键元件特征(异常问题与异常程度)和异常过程FFT频域振幅值等两种关联表。据此，本发明可以解决一般业界的SCADA(监视控制与数据撷取)系统必须储存完整原始数据(raw data)，容易造成系统的数据庞大与查询效率不佳问题。
(5)本发明的加工行为历史模块可自动收集异常加工行为与故障元件的运作信息，而预测保养分析模块可学习各机台专属的预测保养数学模型与特征参数，并在异常加工行为发生或元件故障前提供机台保养方式与保养时机，进而达到减少故障停机及提高工厂生产产能的目的。
(6)本发明的预测保养分析模块可整合来自机台感测器撷取模块的信息与来自机台控制器撷取模块的信息，当整合信息符合已建立的特征数学模型时，预测保养分析模块可在机台的异常加工行为发生或元件故障前，提供机台保养方式与机台保养时机。
(7)本发明的预测保养分析模块可透过加工行为历史模块收集的异常加工行为的特征数据表，利用特征模型学习单元进一步建立每一机台的切削加工、主轴寿命与关键元件的异常特征数学模型，且学习方式可以利用回归分析法或类神经网络等达成，并在专家保养诊断单元中提供专属的机台保养方式与保养时机的设定方式。
(8)本发明的数学模型更新模块可提供数学模型回授机制，并将异常特征的学习结果回授至加工行为异常分析模块(频域加工模型分析单元及主轴寿命与关键元件模型分析单元)，让加工行为异常分析模块的异常分析诊断方式快速收敛，以克服机台差异与元件老化造成的模型误差问题。
上述实施例仅例示性说明本发明的原理、特点及其功效，并非用以限制本发明的可实施范畴，任何熟习此项技艺的人士均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。任何运用本发明所揭示内容而完成的等效改变及修饰，均仍应为申请专利范围所涵盖。因此，本发明的权利保护范围应如权利要求书所列。
Claims (20)
1.一种机台加工行为异常分析与预测保养系统，其特征在于，包括：
机台感测器撷取模块，其撷取感测器对机台的主轴或关键元件的感测值，以计算出该主轴或关键元件的时域震动值与频域震动值；
机台控制器撷取模块，其透过控制器撷取该机台的主轴转速、运转状态或加工程序的运作信息；
加工行为异常分析模块，其依据该机台感测器撷取模块所计算的该主轴或关键元件的时域震动值与频域震动值、及该机台控制器撷取模块所撷取的该机台的主轴转速、运转状态或加工程序的运作信息，对该主轴或关键元件的异常时域震动值或异常频域震动值提供告警，并分析出该机台的异常加工行为或故障元件原因；以及
预测保养分析模块，其整合来自该机台感测器撷取模块的该主轴或关键元件的时域震动值与频域震动值以及来自该机台控制器撷取模块的该机台的主轴转速、运转状态或加工程序的运作信息以产生整合信息，俾于该整合信息符合已建立的特征数学模型时，由该预测保养分析模块在该机台的异常加工行为发生或元件故障前，提供该机台的保养方式或保养时机。
2.根据权利要求1所述的系统，其特征在于，该加工行为异常分析模块具有加工程序分析模块，用以读取来自该机台控制器撷取模块的机台加工程序码，以从该机台加工程序码中解读出机台加工行为。
3.根据权利要求1所述的系统，其特征在于，该加工行为异常分析模块具有时域振幅分析模块，用以分析该机台的时域加工模型、加工异常或频域加工模型。
4.根据权利要求3所述的系统，其特征在于，该加工行为异常分析模块更具有加工分析模块，其依据该频域加工模型的分析结果，针对该机台的加工动作进行异常原因判断。
5.根据权利要求1所述的系统，其特征在于，该加工行为异常分析模块具有频域振幅分析模块，用以读取来自该机台感测器撷取模块的频域振幅值，并依据该机台的频域振幅加工行为异常模型进行数据收集。
6.根据权利要求1所述的系统，其特征在于，该加工行为异常分析模块具有主轴寿命分析模块与关键元件分析模块，该主轴寿命分析模块分析该机台的主轴寿命的异常原因或故障元件，而该关键元件分析模块分析该机台的关键元件的异常原因或损坏程度。
7.根据权利要求1所述的系统，其特征在于，该系统还包括加工行为历史模块，其针对该机台的异常加工行为收集来自该加工行为异常分析模块的异常分析结果，以依据该异常分析结果建立该异常加工行为的特征数据表。
8.根据权利要求7所述的系统，其特征在于，该预测保养分析模块更学习该机台专属的预测保养数学模型与特征参数，并依据来自该加工行为历史模块的异常加工行为的特征数据表建立该机台的切削加工、主轴寿命与关键元件的异常特征数学模型。
9.根据权利要求1所述的系统，其特征在于，该系统还包括数学模型更新模块，其将该预测保养分析模块对该机台的异常特征的学习结果回授至该加工行为异常分析模块，以使该加工行为异常分析模块的异常分析诊断方式收敛。
10.根据权利要求1所述的系统，其特征在于，该系统还包括时域振幅加工行为异常模型设定模块与频域振幅加工行为异常模型设定模块，该时域振幅加工行为异常模型设定模块用以设定该机台的时域振幅加工行为异常模型，而该频域振幅加工行为异常模型设定模块用以设定该机台的频域振幅加工行为异常模型。
11.一种机台加工行为异常分析与预测保养方法，其特征在于，该方法包括：
由机台感测器撷取模块撷取感测器对机台的主轴或关键元件的感测值以计算出该主轴或关键元件的时域震动值与频域震动值，并由机台控制器撷取模块透过控制器撷取该机台的主轴转速、运转状态或加工程序的运作信息；
由加工行为异常分析模块依据该机台感测器撷取模块所计算的该主轴或关键元件的时域震动值与频域震动值、及该机台控制器撷取模块所撷取的该机台的主轴转速、运转状态或加工程序的运作信息，对该主轴或关键元件的异常时域震动值或异常频域震动值提供告警，并分析出该机台的异常加工行为或故障元件原因；以及
由预测保养分析模块整合来自该机台感测器撷取模块的该主轴或关键元件的时域震动值与频域震动值以及来自该机台控制器撷取模块的该机台的主轴转速、运转状态或加工程序的运作信息以产生整合信息，俾于该整合信息符合已建立的特征数学模型时，由该预测保养分析模块在该机台的异常加工行为发生或元件故障前，提供该机台的保养方式及保养时机。
12.根据权利要求11所述的方法，其特征在于，该方法还包括由加工程序分析模块读取来自该机台控制器撷取模块的机台加工程序码，以从该机台加工程序码中解读出机台加工行为。
13.根据权利要求11所述的方法，其特征在于，该方法还包括由时域振幅分析模块分析该机台的时域加工模型、加工异常或频域加工模型。
14.根据权利要求13所述的方法，其特征在于，该方法还包括由加工分析模块依据该频域加工模型的分析结果，针对该机台的加工动作进行异常原因判断。
15.根据权利要求11所述的方法，其特征在于，该方法还包括由频域振幅分析模块读取来自该机台感测器撷取模块的频域振幅值，并依据该机台的频域振幅加工行为异常模型进行数据收集。
16.根据权利要求11所述的方法，其特征在于，该方法还包括由主轴寿命分析模块分析该机台的主轴寿命的异常原因或故障元件，而由关键元件分析模块分析该机台的关键元件的异常原因或损坏程度。
17.根据权利要求11所述的方法，其特征在于，该方法还包括由加工行为历史模块针对该机台的异常加工行为收集来自该加工行为异常分析模块的异常分析结果，以依据该异常分析结果建立该异常加工行为的特征数据表。
18.根据权利要求17所述的方法，其特征在于，该方法还包括由该预测保养分析模块学习该机台专属的预测保养数学模型与特征参数，并依据来自该加工行为历史模块的异常加工行为的特征数据表建立该机台的切削加工、主轴寿命与关键元件的异常特征数学模型。
19.根据权利要求11所述的方法，其特征在于，该方法还包括由数学模型更新模块将该预测保养分析模块对该机台的异常特征的学习结果回授至该加工行为异常分析模块，以使该加工行为异常分析模块的异常分析诊断方式收敛。
20.根据权利要求11所述的方法，其特征在于，该方法还包括透过时域振幅加工行为异常模型设定模块设定该机台的时域振幅加工行为异常模型，并透过频域振幅加工行为异常模型设定模块设定该机台的频域振幅加工行为异常模型。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107120182A TWI682333B (zh) | 2018-06-12 | 2018-06-12 | 機台加工行為異常分析與預測保養系統及其方法 |
| TW107120182 | 2018-06-12 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110597221A true CN110597221A (zh) | 2019-12-20 |
| CN110597221B CN110597221B (zh) | 2023-10-10 |
Family
ID=68849215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810920944.9A Active CN110597221B (zh) | 2018-06-12 | 2018-08-14 | 机台加工行为异常分析与预测保养系统及其方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110597221B (zh) |
| TW (1) | TWI682333B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115600930A (zh) * | 2022-11-29 | 2023-01-13 | 天津佰利金电力有限公司（Cn） | 用于电力金具生产数据的智能管理方法 |
| US11604450B1 (en) | 2021-11-23 | 2023-03-14 | Delta Electronics, Inc. | Processing machine and determining method for determining abnormal processing of the processing machine |
| TWI800108B (zh) * | 2021-11-23 | 2023-04-21 | 台達電子工業股份有限公司 | 加工機及其加工異常判斷方法 |
| PL443764A1 (pl) * | 2023-02-13 | 2024-08-19 | Politechnika Rzeszowska im. Ignacego Łukasiewicza | Układ elektroniczny do detekcji anomalii w procesie frezowania, zwłaszcza stopów inconel oraz sposób detekcji anomalii w procesie frezowania, zwłaszcza stopów inconel z wykorzystaniem tego układu |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI742709B (zh) * | 2020-06-04 | 2021-10-11 | 國立成功大學 | 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品 |
| TWI786473B (zh) * | 2020-11-24 | 2022-12-11 | 迅得機械股份有限公司 | 運動載體即時監控系統 |
| TWI764687B (zh) * | 2021-04-23 | 2022-05-11 | 財團法人石材暨資源產業研究發展中心 | 智能化機台管理系統 |
| TWI805041B (zh) * | 2021-10-22 | 2023-06-11 | 智影顧問股份有限公司 | 機台異常標註與異常預測系統 |
| TWI804077B (zh) | 2021-11-30 | 2023-06-01 | 財團法人工業技術研究院 | 製程診斷系統及其操作方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103033362A (zh) * | 2012-12-31 | 2013-04-10 | 湖南大学 | 一种基于改进多变量预测模型的齿轮故障诊断方法 |
| CN104791187A (zh) * | 2015-04-08 | 2015-07-22 | 武汉四创自动控制技术有限责任公司 | 能实现健康状态预测的水轮机调节系统及方法 |
| US20160292578A1 (en) * | 2015-04-03 | 2016-10-06 | BigML, Inc. | Predictive modeling of data clusters |
| CN106991502A (zh) * | 2017-04-27 | 2017-07-28 | 深圳大数点科技有限公司 | 一种设备故障预测系统和方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08301523A (ja) * | 1995-04-28 | 1996-11-19 | Toray Ind Inc | 糸条の巻取方法およびその巻取装置 |
| CA3173538A1 (en) * | 2010-05-14 | 2011-11-17 | Joy Global Surface Mining Inc | Predictive analysis for remote machine monitoring |
| CN103323157B (zh) * | 2013-06-07 | 2015-04-08 | 武汉理工大学 | 铁路道岔转辙机锁闭杆应力增敏的光纤光栅动态监测方法及装置 |
| US20160187226A1 (en) * | 2013-08-01 | 2016-06-30 | Ntn Corporation | Bearing device vibration analysis method, bearing device vibration analyzer, and rolling bearing condition monitoring system |
| US9732434B2 (en) * | 2014-04-18 | 2017-08-15 | Lam Research Corporation | Methods and apparatuses for electroplating nickel using sulfur-free nickel anodes |
-
2018
- 2018-06-12 TW TW107120182A patent/TWI682333B/zh active
- 2018-08-14 CN CN201810920944.9A patent/CN110597221B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103033362A (zh) * | 2012-12-31 | 2013-04-10 | 湖南大学 | 一种基于改进多变量预测模型的齿轮故障诊断方法 |
| US20160292578A1 (en) * | 2015-04-03 | 2016-10-06 | BigML, Inc. | Predictive modeling of data clusters |
| CN104791187A (zh) * | 2015-04-08 | 2015-07-22 | 武汉四创自动控制技术有限责任公司 | 能实现健康状态预测的水轮机调节系统及方法 |
| CN106991502A (zh) * | 2017-04-27 | 2017-07-28 | 深圳大数点科技有限公司 | 一种设备故障预测系统和方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11604450B1 (en) | 2021-11-23 | 2023-03-14 | Delta Electronics, Inc. | Processing machine and determining method for determining abnormal processing of the processing machine |
| TWI800108B (zh) * | 2021-11-23 | 2023-04-21 | 台達電子工業股份有限公司 | 加工機及其加工異常判斷方法 |
| CN115600930A (zh) * | 2022-11-29 | 2023-01-13 | 天津佰利金电力有限公司（Cn） | 用于电力金具生产数据的智能管理方法 |
| PL443764A1 (pl) * | 2023-02-13 | 2024-08-19 | Politechnika Rzeszowska im. Ignacego Łukasiewicza | Układ elektroniczny do detekcji anomalii w procesie frezowania, zwłaszcza stopów inconel oraz sposób detekcji anomalii w procesie frezowania, zwłaszcza stopów inconel z wykorzystaniem tego układu |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202001703A (zh) | 2020-01-01 |
| TWI682333B (zh) | 2020-01-11 |
| CN110597221B (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110597221B (zh) | 机台加工行为异常分析与预测保养系统及其方法 | |
| EP3221579B1 (en) | Wind turbine condition monitoring method and system | |
| EP2950177A1 (en) | Asset condition monitoring | |
| CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
| EP3913453A1 (en) | Fault detection system and method for a vehicle | |
| CN113552840A (zh) | 一种机械加工控制系统 | |
| KR20190000826A (ko) | 실시간 진동 분석을 이용한 회전기계의 자동진단방법 | |
| CN110134679B (zh) | 故障部位确定装置、故障部位确定方法及计算机可读介质 | |
| CN112710345B (zh) | 持续改进预测性维护数据库的机器监视方法和装置 | |
| CN113341879A (zh) | 一种数控机床的数据采集与监控方法及系统 | |
| KR20220068799A (ko) | 자동화설비의 고장 검출 시스템 및 그 방법 | |
| CN115356970A (zh) | 一种基于实时数据和运维数据的动环监控系统及方法 | |
| CN106704080B (zh) | 基于在线数据的水轮发电机组推力头松动故障的诊断方法 | |
| CN109240253B (zh) | 一种在线设备诊断及预防性维护方法及系统 | |
| JP2002236511A (ja) | 工程管理システムおよび工程管理方法 | |
| CN116910680B (zh) | 一种健身器材的远程故障检测方法及系统 | |
| CN117932358A (zh) | 一种智能远程电场故障诊断方法及系统 | |
| CN117910999A (zh) | 一种智能电厂设备检修方法及系统 | |
| EP3961333A1 (de) | System und verfahren zur bestimmung einer ursache einer betriebsanomalie einer maschine sowie computerprogramm und elektronisch lesbarer datenträger | |
| KR102232884B1 (ko) | 필거장비의 실시간 운전정보 수집 및 진동감시 시스템과 그 방법 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN111338890A (zh) | 一种存储设备的异常检测方法、装置、设备及存储介质 | |
| CN114705424A (zh) | 机械故障检测方法、装置、服务端设备及存储介质 | |
| CN117359391B (zh) | 数控机床滚动轴承的故障智能诊断方法及系统 | |
| WO2023139790A1 (ja) | 診断装置及びコンピュータ読み取り可能な記録媒体 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |