CN111390647A - 刀具寿命预测系统及其方法 - Google Patents
刀具寿命预测系统及其方法 Download PDFInfo
- Publication number
- CN111390647A CN111390647A CN201910057435.2A CN201910057435A CN111390647A CN 111390647 A CN111390647 A CN 111390647A CN 201910057435 A CN201910057435 A CN 201910057435A CN 111390647 A CN111390647 A CN 111390647A
- Authority
- CN
- China
- Prior art keywords
- tool
- data
- life prediction
- manufacturing process
- process capability
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004519 manufacturing process Methods 0.000 claims abstract description 76
- 238000003754 machining Methods 0.000 claims abstract description 49
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 description 10
- 230000003449 preventive effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013075 data extraction Methods 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0995—Tool life management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37252—Life of tool, service life, decay, wear estimation
-
- 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
- G05B2219/30—Nc systems
- G05B2219/50—Machine tool, machine tool null till machine tool work handling
- G05B2219/50185—Monitoring, detect failures, control of efficiency of machine, tool life
Abstract
本发明公开一种刀具寿命预测系统及其方法,其中该刀具寿命预测方法包括以下步骤:在机械加工端的刀具提取多个测量数据;转换各测量数据为制作工艺能力指数数据;运算已训练的类神经网络,使制作工艺能力指数数据产生刀具寿命预测数据;以及依据刀具寿命预测数据判断刀具的刀具寿命。
Description
技术领域
本发明涉及利用制作工艺能力分析的一种刀具寿命预测系统及其方法。
背景技术
在生产制造过程中,刀具扮演着极其重要的角色,刀具的使用与管理,甚或是刀具寿命预测等相关技术,成为降低产线成本与缩短产线时间的重要因素。
现有的工具机包括有多种传感器,如温度、振动、位移,由此监控工具机的机台运作的状况,而如何将传感器测量到的数据运用在机台以改善切削效果、提高加工效率、改善切削纹路以及提高工件的几何精度,是亟待研究与解决的问题。
现有技术中,有通过监测高频振动范围或振动频带中的总能量与低频范围或振动频带中的总能量之比来确定切削刀具的磨损;或者,有将加工状态期间主轴的实际负载扭矩与刀具磨损检测来检测刀具当前的使用状况。然而上述现有技术仅收集工具机加工刀具的尺寸变异、主轴负载变异或扭力等数据,一旦出现刀具尺寸异常、主轴扭力异常时才通知使用者,仅具有达到通知效果,无法有依据预测该刀具是否还能使用多少次,换言之,无法达到预测刀具寿命的目的;又或者,有通过监控切削实验中的扭矩负载变化再经由公式计算出该刀具可用寿命,但此现有技术需要建立长期切削测试,由测试中提取扭矩负载再利用其负载的变化趋势进行刀具寿命预测,故无法达到即时预测刀具寿命的目的,并且,此种现有技术首先需要大量切削测试后才能针对客制化的加工事件进行刀具寿命预测,而负载扭力监控对于一些轻切削等无显著的负载差异的加工状况可能会失效,故在作法上有其限制性。
发明内容
本发明提供一种刀具寿命预测系统及其方法,由每次加工的线上测量装置的测量数据,转换成制作工艺能力指数(Cpk)数据,将制作工艺能力指数(Cpk)数据进行类神经网络训练,由此能预测制作工艺能力指数(Cpk)数据在每次加工后的偏移量,获得相对应的刀具寿命预测数据,达成预测刀具寿命的目的。
本发明的一实施例提供一种刀具寿命预测方法,适于连接一工具机,工具机连接一机械加工端,刀具寿命预测方法包括以下步骤:在一机械加工端的一刀具提取多个测量数据;转换各测量数据为一制作工艺能力指数数据;运算已训练的一类神经网络,使各制作工艺能力指数数据产生相应的一刀具寿命预测数据;以及依据刀具寿命预测数据判断该刀具的刀具寿命。
本发明的一实施例另提出一种刀具寿命预测系统,适于连接一工具机,该工具机并连接一机械加工端,刀具寿命预测系统包括一线上测量装置以及一刀具寿命预测装置。线上测量装置连接工具机,线上测量装置用以对机械加工端的一刀具提取多个测量数据。工具机连接线上测量装置与机械加工端,工具机接收线上测量装置传输的各测量数据,并将各测量数据转换为一制作工艺能力指数数据。刀具寿命预测装置连接工具机,刀具寿命预测装置接收工具机传输的各制作工艺能力指数数据,利用运算已训练的一类神经网络,使各制作工艺能力指数数据产生相应的一刀具寿命预测数据,且刀具寿命预测装置依据刀具寿命预测数据判断刀具的刀具寿命。
基于上述,在本发明的刀具寿命预测系统及其方法中,可由线上测量的测量数据转换的制作工艺能力指数(Cpk)数据,来推估刀具的刀具寿命及拥有通报刀具寿命的功能,再利用刀具的刀具寿命提供预防性的换刀机制,将可解决加工上造成精度误差的刀具磨耗问题,并维持加工精度,并能提升产线品质的稳定度。
为让本发明能更明显易懂,下文特举实施例,并配合所附的附图作详细说明如下。
附图说明
图1为本发明的刀具寿命预测系统一实施例的示意图;
图2为本发明的刀具寿命预测方法一实施例的流程图;
图3为图2的制作工艺能力指数数据产生刀具寿命预测数据一实施例的流程图;
图4为图2的依据刀具寿命预测数据判断刀具的刀具寿命一实施例的流程图。
符号说明
10 刀具寿命预测装置
20 工具机
21 控制器
22 数据提取装置
23 显示装置
30 线上测量装置
40 机械加工端
S10 刀具寿命预测方法
S11~S14 步骤
S131~S135 步骤
S141~S143 步骤
具体实施方式
以下结合附图和实施例,对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此限制本发明的保护范围。
图1为本发明的刀具寿命预测系统一实施例的示意图。请参阅图1,本实施例的刀具寿命预测系统实施上包括一刀具寿命预测装置10与一线上测量装置30,并且各别连接一工具机20与一机械加工端40。
在本实施例中,工具机20连接线上测量装置30与机械加工端40。工具机20至少包括一控制器21、一数据提取装置22以及一显示装置23。控制器21可通过硬件(例如处理器、计算机、主机)、软件(例如处理器执行的程序指令)或其组合来实施,控制器21可对机械加工端40发出指令,使刀具对工件进行加工,此处的机械加工端40可表示为可夹持刀具使其进行加工的主轴,同时机械加工端40也可视为工具机20的一部分。线上测量装置30例如为一探针测量装置或一激光测量装置,在刀具对工件进行加工时,线上测量装置30用以对机械加工端40的一刀具提取多个测量数据,需说明的是,在此所用「测量数据」的词汇,是指刀具的尺寸。由于随着工件与加工时间的增加会造成刀具磨耗,进而导致尺寸精度的偏移,故设定本实施的测量数据为刀具的尺寸。显示装置23例如可显示目前加工状态、加工条件或控制器21对机械加工端40发出的刀具处理命令等,其可端视实际工具机设定而可调整。
在本实施例中,工具机20的数据提取装置22接收线上测量装置30传输的每个测量数据,并将各测量数据转换为一制作工艺能力指数(Complex Process Capability index,Cpk)数据。需说明的是,在此所用「制作工艺能力指数」的词汇,又称「精准度」,是指制作工艺在固定生产条件并在稳定管制下的产品生产品质(quality)能力,即用来计算并衡量产品(如本实施例的刀具)尺寸、时间误差,重量标准等可以数据化以及有规格界限产品(如本实施例的刀具)的制作工艺能力,「制作工艺能力指数」是由精度(Capability of processprecision,Cp)指标与准度(Capability of accuracy,Ck)指标两组数字组合而成,换言之,「制作工艺能力指数(Cpk)」就是综合精度(Cp)指标与准度(Ck)指标的制作工艺能力指标,而准度(Ck)指标、精度(Cp)指标与制作工艺能力指数(Cpk)的定义分别如下数学公式(1)、数学公式(2)与数学公式(3):
Ck=(M-X)/(T/2) (1);
Cp=T/6σ (2);
Cpk=Cp×(1-Ck) (3)。
在上述数学公式(1)~数学公式(3)中,M表示规格中心值(也就是制作工艺加工的期望中心值);X表示测量数据的平均值;T表示规格宽度(即规格公差上下极限的差距,也就是规格上限与规格下限的差距,Specification Width/Tolerance,ST);s表示测量数据的标准差。此外,数学公式(1)中,准度(Ck)指标中(M-X)代表规格中心值与测量数据的距离;(T/2)代表规格宽度的一半。由此可知,工具机20的数据提取装置22接收线上测量装置30所传输的每个测量数据,并可依据上述准度(Ck)指标、精度(Cp)指标与制作工艺能力指数(Cpk)的定义,将测量数据转换为制作工艺能力指数(Cpk)数据。
详细而言,由上述数学公式(1)可知,准度(Ck)指标是说明实际作出来的产品中心位置(X)偏离预定的规格中心值(M)的大小(M-X)占有规格一半(T/2)的比率,换言之,测量数据的平均中心值越接近规格中心,代表会准确。再者,由上述数学公式(2)可知,精度(Cp)是在说明实际制造出来的测量数据的实际宽度(6σ)在期望的规格宽度(T)中所占的比率。综合上述数学公式(1)的准度(Ck)指标与数学公式(2)的精度(Cp)指标,由上述数学公式(3)可知,制作工艺能力指数(Cpk)是考虑精度(Cp)的同时,再考虑乘上一个(1-Ck)的系数,以弥补原精度(Cp)的不足。在一实施例中,(1-Ck)的最大值为1,也就是当准度(Ck)为0的时候,即产品中心值刚好落在规格中心的位置,如果产品制作工艺中心与规格中心的偏离越大,则(1-Ck)就会越小,那么制作工艺能力指数(Cpk)数据也将变得越小,也就表示制作工艺能力越差。由此可知,随着刀具磨耗的增加加工精度(Cp)指标与准度(Ck)指标会随着刀具磨耗而改变,所以制作工艺能力指数(Cpk)将会产生变形与偏移,如果能预测出此刀具每加工一件工件将会造成多少的制作工艺能力指数(Cpk)变化,将可进行预防式换刀,减少加工误差与损失,进而得到刀具对此工件加工的刀具寿命。
在本实施例中,刀具寿命预测装置10连接工具机20,刀具寿命预测装置10可通过硬件(例如处理器、计算机、主机)、软件(例如处理器执行的程序指令)或其组合来实施,刀具寿命预测装置10可为远端连线至工具机20的控制器21,或者近端以线路连接将刀具寿命预测装置10连接至工具机20。本实施例的刀具寿命预测装置10可为具有控制器通讯函式库,其架设至处理器、计算机、主机等硬件上,并能通过处理器或计算机等硬件来连接工具机20的控制器21,并将硬件中的处理器执行的程序指令(即本发明下述的刀具寿命预测方法)对机械加工端40进行刀具的刀具寿命预测。
图2为本发明的刀具寿命预测方法一实施例的流程图。请参阅图2。图2的刀具寿命预测方法S10可应用于图1的刀具寿命预测系统。本实施例的刀具寿命预测方法S10包括步骤S11至步骤S14。
进行步骤S11,在一机械加工端的一刀具提取多个测量数据。如图1所示,线上测量装置30例如为一探针测量装置或一激光测量装置,在刀具对工件进行加工时,线上测量装置30用以对机械加工端40的一刀具提取多个测量数据。需说明的是,在此所用「测量数据」的词汇,是指刀具的尺寸。显示装置23例如可显示目前加工状态、加工条件等,其可端视实际工具机设定而可调整。
进行步骤S12,转换各测量数据为一制作工艺能力指数数据。工具机20的数据提取装置22接收线上测量装置30传输的每个测量数据,并可依据前述图1实施例所述的准度(Ck)指标、精度(Cp)指标与制作工艺能力指数(Cpk)的定义,将测量数据转换为制作工艺能力指数(Cpk)数据。
进行步骤S13,运算已训练的一类神经网络,使各制作工艺能力指数数据产生相应的一刀具寿命预测数据。以图1为例,刀具寿命预测装置10接收工具机20的控制器21传输的各制作工艺能力指数数据,利用运算已训练的类神经网络,使各制作工艺能力指数数据产生相应的刀具寿命预测数据。详细而言,图3为图2的制作工艺能力指数数据产生刀具寿命预测数据一实施例的流程图。请参阅图3,步骤S13包括以下步骤S131至步骤S135。进行步骤S131,依据一训练数据库建立类神经网络,其中训练数据库包含各制作工艺能力指数数据以及对应于各制作工艺能力指数数据的刀具寿命预测数据。在本实施例中,由线上测量装置30的测量数据建立大量的制作工艺能力指数数据与对应的刀具寿命预测数据来作为训练数据库,并采用递归神经网络法(Recurrent Neural Network,RNN)来进行刀具寿命的预测。
详细而言,首先定义刀具的制作工艺能力指数(Cpk)数据的状态与对应该刀具剩余可加工工件的数目关系,作为一期望值。举例而言,假设制作工艺能力指数(Cpk)数据在刀具连续加工300件后的状态,由于磨耗影响已经显示不合制作工艺能力指数(Cpk)数据标准,必须换刀,则此状况定义刀具寿命预测数据的数值为1;接着观察制作工艺能力指数(Cpk)数据在连续加工250件至300件时,定义刀具寿命预测数据的数值为0.8;制作工艺能力指数(Cpk)数据在连续加工200件至250件时,定义刀具寿命预测数据的数值为0.6。可将上述制作工艺能力指数(Cpk)数据与刀具寿命预测数据的关系建立一训练数据库,并对此训练数据库作为训练后的目标输出。
接着,进行步骤S133,判断训练是否完成。在本实施例中,以制作工艺能力指数(Cpk)数据作为一输入层(Input layer),制作工艺能力指数数据为由线上测量装置30对机械加工端40的刀具提取多个测量数据转换得来。各刀具寿命预测数据作为一输出层(Output layer),制作工艺能力指数(Cpk)数据可在神经元链接中经由传输、分析、形成的预测结果,故经由训练类神经网络以取得一隐藏层(Hidden layer),使得输入层经由隐藏层而可计算得到输出层,并采用倒传递神经网络法(back-propagation neuron,BPN)训练隐藏层内的权重,换言之,本实施例经由训练数据库训练类神经网络,以找到隐藏层,即寻找制作工艺能力指数(Cpk)数据与相对应的刀具寿命预测数据之间的连接关系。在本实施例中,可由以下数学公式(4)来调整训练隐藏层内的权重:
在上述数学公式(4)中,E表示误差,Wij表示权重,Dk表示输出层第k个神经元的目标输出,需说明的是,在此所用「目标输出」的词汇,是指实际训练中输出的刀具寿命预测数据。netk表示期望值,需说明的是,在此所用「期望值」的词汇,是指前述刀具的制作工艺能力指数(Cpk)数据的状态与对应刀具剩余可加工工件的数目关系。
举例而言,在刀具连续加工300件后的制作工艺能力指数(Cpk)数据的状态,则此状况定义刀具寿命预测数据的数值为1;在刀具连续加工250件至300件后的制作工艺能力指数(Cpk)数据的状态,定义刀具寿命预测数据的数值为0.8;在刀具连续加工200件至250件后的制作工艺能力指数(Cpk)数据的状态,定义刀具寿命预测数据的数值为0.6。通过上述误差E对权重Wij的比值的偏微分,刀具寿命预测装置10接收到一个制作工艺能力指数(Cpk)数据并输出一刀具寿命预测数据,该刀具寿命预测数据比较与期望值的误差,来调整隐藏层内的权重,直到代表训练完成。
在步骤S133中,若训练未完成,则回到A阶段,即图2的转换各该测量数据为该制作工艺能力指数数据的步骤S12,并持续传输新的制作工艺能力指数数据来训练,直到步骤S133判断为训练完成。反之,若步骤S133判断为训练完成,进行步骤S135,利用类神经网络训练,对各测量数据转换的该制作工艺能力指数数据估算对应的刀具寿命预测数据,并更新训练数据库。需说明的是,在此所用「更新训练数据库」的词汇,是指同一规格的刀具完成训练后,同一把同一规格的刀具继续加工,或者换另一把同一规格的刀具,可依据步骤S135得到估算的刀具寿命预测数据,并可将更新该刀具的刀具寿命预测数据至训练数据库。因此,可由每次加工的线上测量装置30的测量数据及其转换的制作工艺能力指数(Cpk)数据,进行类神经网络训练,并能预测制作工艺能力指数(Cpk)数据在每次加工后的偏移量,获得相对应的刀具寿命预测数据,并在此类神经网络训练之下,可获得该刀具尚能加工件数的预测信息。
请复参阅图1,在制作工艺能力指数数据产生相应的刀具寿命预测数据的步骤S13之后,进行步骤S14,依据刀具寿命预测数据判断刀具的刀具寿命。详细而言,图4为图2的依据刀具寿命预测数据判断刀具的刀具寿命一实施例的流程图。请参阅图4,进行步骤S141,依据刀具寿命预测数据判断是否超过该刀具的一换刀阈值。需说明的是,在此所用「换刀阈值」的词汇,是指接近刀具的寿命终点时的一预防性换刀的安全范围值。举例而言,以图1为例,刀具寿命预测装置10依据刀具寿命预测数据判断刀具的刀具寿命。刀具的寿命终点例如设定为300件,换刀阈值例如设定为200件,即设计刀具加工200件后,判断是否换新的刀具。如前所述,刀具寿命预测数据的数值为0.6,代表在连续加工200件至250件,例如为250件,故步骤S141判断为是,刀具寿命预测装置10传输刀具的刀具寿命至工具机20的控制器21,控制器21依据刀具寿命预测数据对刀具发出刀具处理命令。刀具处理命令例如为请注意尚余50件,或者请换刀,并可在工具机20的显示装置23显示上述刀具处理命令,提供工程人员作为评估是否执行预防式换刀的参考,换言之,以换刀阈值作为一预防性换刀的门槛,减少因刀具已逐渐磨损导致的加工误差与损失。
在一实施例中,刀具寿命预测数据的数值为小于0.6,代表在加工不足200件,例如为180件,故步骤S141判断为否,刀具寿命预测装置10传输刀具的刀具寿命至工具机20的控制器21,控制器21依据刀具寿命预测数据对刀具发出刀具处理命令。刀具处理命令例如为尚余120件,并且,则回到B阶段,继续加工,即图2的于机械加工端40的刀具提取多个测量数据的步骤S11。
需说明的是,本实施例是以单一工具机20的一刀具作为说明,于同一规格之下的刀具可适用本发明的运算已训练的一类神经网络,使各该制作工艺能力指数数据产生相应的一刀具寿命预测数据,若刀具的规格改变,则需重新训练类神经网络。在其他实施例中,若为多个工具机也可适用本发明的刀具寿命预测方法S10,每个工具机20的控制器21个别发送制作工艺能力指数数据至刀具寿命预测装置10,刀具寿命预测装置10依据个别的制作工艺能力指数数据相应得到各自的类神经网络与其对应的训练数据库,并依据各自的类神经网络的数据,使各制作工艺能力指数数据产生相应的一刀具寿命预测数据,进而刀具寿命预测装置10发送刀具寿命预测数据至相对应的工具机20的控制器21,以利用相对应的刀具的刀具寿命提供预防性的换刀机制。
综上所述,在本发明的刀具寿命预测系统及其方法中,可由线上测量的测量数据转换的制作工艺能力指数(Cpk)数据,来推估刀具的刀具寿命及拥有通报刀具寿命的功能,再利用刀具的刀具寿命提供预防性的换刀机制,将可解决加工上造成精度误差的刀具磨耗问题,并维持加工精度,并能提升产线品质的稳定度。
虽然结合以上实施例公开了本发明,然而其并非用以限定本发明,任何所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,可作些许的更动与润饰,故本发明的保护范围应当以视附上的权利要求所界定的为准。
Claims (10)
1.一种刀具寿命预测方法,适于连接工具机,该工具机连接机械加工端,该刀具寿命预测方法包括以下步骤:
在该机械加工端的刀具提取多个测量数据;
转换各该测量数据为制作工艺能力指数数据;
运算已训练的类神经网络,使各该制作工艺能力指数数据产生相应的刀具寿命预测数据;以及
依据该刀具寿命预测数据判断该刀具的刀具寿命。
2.如权利要求1所述的刀具寿命预测方法,其中所述运算已训练的该类神经网络,使各该制作工艺能力指数数据产生相应的该刀具寿命预测数据的步骤,包括以下步骤:
依据训练数据库建立该类神经网络,其中该训练数据库包含各该制作工艺能力指数数据以及对应于各该制作工艺能力指数数据的该刀具寿命预测数据;
判断训练是否完成;以及
若训练完成,利用该类神经网络训练,对各该测量数据转换的该制作工艺能力指数数据估算对应的该刀具寿命预测数据,并更新该训练数据库。
3.如权利要求2所述的刀具寿命预测方法,其中所述判断训练是否完成的步骤中,若训练未完成,则回到所述转换各该测量数据为该制作工艺能力指数数据的步骤。
4.如权利要求2所述的刀具寿命预测方法,其中所述判断训练是否完成的步骤中,是采用递归神经网络法(Recurrent Neural Network,RNN)。
5.如权利要求1所述的刀具寿命预测方法,其中所述依据该刀具寿命预测数据判断该刀具的该刀具寿命的步骤,包括以下步骤:
依据该刀具寿命预测数据判断是否超过该刀具的换刀阈值;以及
若判断为是,对该刀具发出刀具处理命令。
6.如权利要求5所述的刀具寿命预测方法,其中所述依据该刀具寿命预测数据判断是否超过该刀具的该换刀阈值的步骤中,若判断为否,则回到所述于该机械加工端的该刀具提取多个测量数据的步骤。
7.如权利要求1所述的刀具寿命预测方法,其中各该测量数据为该刀具的尺寸。
8.一种刀具寿命预测系统,适于连接工具机,该工具机连接机械加工端,其特征在于,该刀具寿命预测系统包括:
线上测量装置,连接该工具机,该线上测量装置用以对该机械加工端的刀具提取多个测量数据;其中该工具机接收该线上测量装置传输的各该测量数据,并将各该测量数据转换为制作工艺能力指数数据;以及
刀具寿命预测装置,连接该工具机,该刀具寿命预测装置接收该工具机传输的各该制作工艺能力指数数据,利用运算已训练的类神经网络,使各该制作工艺能力指数数据产生相应的刀具寿命预测数据,且该刀具寿命预测装置依据该刀具寿命预测数据判断该刀具的刀具寿命。
9.如权利要求8所述的刀具寿命预测系统,其中该刀具寿命预测装置传输该刀具的刀具寿命至该工具机的控制器,该控制器依据该刀具寿命预测数据对该刀具发出刀具处理命令。
10.如权利要求8所述的刀具寿命预测系统,其中各该测量数据为该刀具的尺寸。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108100008A TW202026096A (zh) | 2019-01-02 | 2019-01-02 | 刀具壽命預測系統及其方法 |
TW108100008 | 2019-01-02 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111390647A true CN111390647A (zh) | 2020-07-10 |
Family
ID=71122749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910057435.2A Pending CN111390647A (zh) | 2019-01-02 | 2019-01-22 | 刀具寿命预测系统及其方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10983501B2 (zh) |
CN (1) | CN111390647A (zh) |
TW (1) | TW202026096A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113483804A (zh) * | 2021-06-04 | 2021-10-08 | 深圳市正源翔工业智能有限公司 | 一种探头寿命测试机 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020267181A1 (en) * | 2019-12-06 | 2021-06-24 | Techtronic Cordless Gp | Power tool element indicating system and method |
CN112070851B (zh) * | 2020-07-07 | 2023-07-11 | 辽宁师范大学 | 基于遗传算法和bp神经网络的索引图预测方法 |
CN113569903B (zh) * | 2021-06-09 | 2024-04-09 | 西安电子科技大学 | 数控机床刀具磨损预测方法、系统、设备、介质、终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11267949A (ja) * | 1998-03-20 | 1999-10-05 | Kawasaki Heavy Ind Ltd | 工具摩耗検知装置および方法 |
CN102073300A (zh) * | 2010-12-28 | 2011-05-25 | 华中科技大学 | 一种数控加工状态自学习的刀具磨损监控系统 |
CN108009691A (zh) * | 2017-12-22 | 2018-05-08 | 东软集团股份有限公司 | 设备寿命预测方法、装置及设备 |
CN108536938A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 一种机床刀具寿命预测系统及预测方法 |
TW201834784A (zh) * | 2017-03-24 | 2018-10-01 | 國立成功大學 | 刀具磨耗監測與預測方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4744242A (en) | 1986-09-16 | 1988-05-17 | The Boeing Company | Method for monitoring cutting tool wear during a machining operation |
JP3095881B2 (ja) | 1992-05-27 | 2000-10-10 | オークマ株式会社 | 工具寿命予知装置 |
JPH0751998A (ja) | 1993-08-09 | 1995-02-28 | Fanuc Ltd | 工具の寿命推定方法 |
JP3331024B2 (ja) | 1993-10-13 | 2002-10-07 | ファナック株式会社 | 工具寿命管理方式 |
TW440779B (en) | 1999-04-07 | 2001-06-16 | Chung Shan Inst Of Science | Method of predicting the structural dynamic characteristic of machine tool using neural network |
CN101540009B (zh) | 2008-03-17 | 2011-11-16 | 大叶大学 | 预测设施与设备故障的方法 |
CN102091972B (zh) | 2010-12-28 | 2013-06-05 | 华中科技大学 | 一种数控机床刀具磨损监测方法 |
TWI422460B (zh) | 2010-12-28 | 2014-01-11 | Nat Univ Chung Hsing | Tool nose detection method for cutting machine tool |
CN104685429B (zh) * | 2012-09-28 | 2017-12-08 | 富士机械制造株式会社 | 生产线监视装置 |
US10139311B2 (en) * | 2014-09-26 | 2018-11-27 | Palo Alto Research Center Incorporated | Computer-implemented method and system for machine tool damage assessment, prediction, and planning in manufacturing shop floor |
JP6140331B1 (ja) | 2016-04-08 | 2017-05-31 | ファナック株式会社 | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム |
JP6404893B2 (ja) * | 2016-12-22 | 2018-10-17 | ファナック株式会社 | 工具寿命推定装置 |
CN106778010B (zh) | 2016-12-29 | 2020-01-14 | 中铁十八局集团隧道工程有限公司 | 基于数据驱动支持向量回归机的tbm刀具寿命预测方法 |
CN108107838A (zh) | 2017-12-27 | 2018-06-01 | 山东大学 | 一种基于云知识库和机器学习的数控装备刀具磨损检测方法 |
JP6863930B2 (ja) * | 2018-05-29 | 2021-04-21 | ファナック株式会社 | 寿命予測装置及び機械学習装置 |
CN109048492B (zh) | 2018-07-30 | 2020-04-21 | 北京航空航天大学 | 基于卷积神经网络的刀具磨损状态检测方法、装置及设备 |
CN108942409B (zh) | 2018-08-26 | 2020-05-12 | 西北工业大学 | 基于残差卷积神经网络的刀具磨损量的建模和监测方法 |
-
2019
- 2019-01-02 TW TW108100008A patent/TW202026096A/zh unknown
- 2019-01-22 CN CN201910057435.2A patent/CN111390647A/zh active Pending
- 2019-04-11 US US16/381,738 patent/US10983501B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11267949A (ja) * | 1998-03-20 | 1999-10-05 | Kawasaki Heavy Ind Ltd | 工具摩耗検知装置および方法 |
CN102073300A (zh) * | 2010-12-28 | 2011-05-25 | 华中科技大学 | 一种数控加工状态自学习的刀具磨损监控系统 |
TW201834784A (zh) * | 2017-03-24 | 2018-10-01 | 國立成功大學 | 刀具磨耗監測與預測方法 |
CN108009691A (zh) * | 2017-12-22 | 2018-05-08 | 东软集团股份有限公司 | 设备寿命预测方法、装置及设备 |
CN108536938A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 一种机床刀具寿命预测系统及预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113483804A (zh) * | 2021-06-04 | 2021-10-08 | 深圳市正源翔工业智能有限公司 | 一种探头寿命测试机 |
Also Published As
Publication number | Publication date |
---|---|
US10983501B2 (en) | 2021-04-20 |
TW202026096A (zh) | 2020-07-16 |
US20200209831A1 (en) | 2020-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111390647A (zh) | 刀具寿命预测系统及其方法 | |
JP5997330B1 (ja) | 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法 | |
US10254750B2 (en) | Machining machine system which determines acceptance/rejection of workpieces | |
CN107305370B (zh) | 设定与产品的异常相关的变量的判定值的生产系统 | |
CN100432879C (zh) | 运行至运行控制与故障检测的集成 | |
KR100756728B1 (ko) | 반도체 처리 기술 | |
US20180003588A1 (en) | Machine learning device which learns estimated lifetime of bearing, lifetime estimation device, and machine learning method | |
JP2018156151A (ja) | 異常検知装置及び機械学習装置 | |
JP6450704B2 (ja) | 複数の機械による製造状況を調整する製造調整システム | |
JP5157359B2 (ja) | 時系列データ解析装置、時系列データ解析システム、時系列データ解析装置の制御方法、プログラム、および記録媒体 | |
CN108363836B (zh) | 多工况自适应的工业机器人健康度评估方法及系统 | |
Haber et al. | Intelligent process supervision for predicting tool wear in machining processes | |
JP2009526296A (ja) | 工作機械の摩耗状態を算定するためのシステム | |
Lin et al. | Cost-tolerance analysis model based on a neural networks method | |
CN111375961B (zh) | 确定夹具调整量的方法、白车身焊装方法和自动夹具系统 | |
Jain et al. | Dynamic optimization of process quality control and maintenance planning | |
LAD | Data driven models for prognostics of high speed milling cutters | |
Župerl et al. | A Cyber-Physical System for Surface Roughness Monitoring in End-Milling. | |
Karner et al. | An industry-oriented approach for machine condition-based production scheduling | |
JP2002236511A (ja) | 工程管理システムおよび工程管理方法 | |
WO2019234789A1 (ja) | 異常判定装置及び異常判定方法 | |
US11449044B2 (en) | Successive maximum error reduction | |
Bleicher et al. | Tooling systems with integrated sensors enabling data based process optimization | |
RU2417140C1 (ru) | Устройство контроля износа и прогнозирования остаточной стойкости режущего инструмента для системы чпу станка | |
WO2022102036A1 (ja) | 加工診断装置、学習装置、推論装置、加工診断方法及びプログラム |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200710 |