CN114559297A

CN114559297A - 刀具状态评估系统及方法

Info

Publication number: CN114559297A
Application number: CN202011356281.6A
Authority: CN
Inventors: 白御宏; 王俊杰; 偕睿仁; 张永圣; 吴鸿材
Original assignee: Industrial Technology Research Institute ITRI
Current assignee: Industrial Technology Research Institute ITRI
Priority date: 2020-11-27
Filing date: 2020-11-27
Publication date: 2022-05-31
Anticipated expiration: 2040-11-27
Also published as: CN114559297B; TW202221435A; TWI763234B

Abstract

一种刀具状态评估系统及方法，其应用于具有控制器且配置有刀具的工具机，其预测方法：提供该刀具的多个加工信号；进行特征提取作业，以令该多个加工信号分成初始状态信息及磨耗状态信息；以及利用非监督式学习模型，针对该初始状态信息及磨耗状态信息进行状态分析作业，以获取包含多个健康值的目标信息。以借由该非监督式学习模型的设计，在生产在线随时变动该目标信息，而能在线即时评估该刀具的健康状态。

Description

刀具状态评估系统及方法

技术领域

本发明有关一种状态预测的系统与方法，尤其涉及一种刀具状态评估系统及方法。

背景技术

随着工具机自动化的快速发展，利用输入相关参数以进行相关加工的作业已成为现今的主流，故目前工具机已广泛采用计算机数值控制(Computer Numerical Control，简称CNC)的方式进行加工作业。

此外，随着先进制造技术的发展，对切削加工的稳定性、可靠性提出更高的要求。在实际切削加工中，刀具失效常影响切削加工的效率、精度、质量、稳定性与可靠性等，故在切削加工过程中选取适当的切削参数对于提高加工精度及质量极为重要。

现有切削加工作业中，同一加工产品的制作，往往需使用不同刀具进行加工。

然而，在生产在线，同一刀具对于相同产品进行大量加工后，该刀具会产生损耗或该工具机会发生机械异状，致使在实际加工作业时，该刀具无法有效进行加工作业，因而会造成加工质量不良。

因此，如何采用一个能即时反映出刀具呈现不佳状态的方法，实已成为目前业界亟待克服的难题。

发明内容

鉴于上述现有技术的种种缺失，本发明提供一种刀具状态评估系统及方法，能在线即时评估该刀具的健康状态。

本发明的刀具状态评估系统，其用于连接配置有控制器及刀具的工具机，该刀具状态评估系统包括：提取部，其用于接收多个加工信号以进行特征提取作业，使该多个加工信号分成初始状态信息及磨耗状态信息；以及运算部，其通信连接该提取部以接收该初始状态信息及磨耗状态信息，且利用非监督式学习模型针对该初始状态信息及磨耗状态信息进行状态分析作业，以获取包含多个健康值的目标信息。

本发明还提供一种刀具状态评估方法，其应用于配置有控制器及刀具的工具机，该刀具状态评估方法包括：提供该刀具的多个加工信号；进行特征提取作业，以令该多个加工信号分成初始状态信息及磨耗状态信息；以及利用非监督式学习模型针对该初始状态信息及磨耗状态信息进行状态分析作业，以获取包含多个健康值的目标信息。

由上可知，本发明的刀具状态评估系统及方法中，主要借由该非监督式学习模型的设计，以在生产在线随时变动该目标信息，而能随时预测该刀具的健康状态，故相较于现有技术，在生产在线，本发明所运作的刀具能维持有效进行加工作业，以维持加工质量，且可进一步随时提醒使用者刀具发生异常或提醒使用者进行换刀作业，以避免产品出现瑕疵而需报废的问题。

附图说明

图1为本发明的刀具状态评估系统的架构配置图。

图1’为图1的另一实施例的架构配置图。

图1A为图1的收集部进行信号判断作业的流程方块图。

图2A为图1的收集部所得的加工信息的波形示意图。

图2B-1及2B-2为图1的提取部所得的不同状态信息的示意图。

图3A为图1的运算部所得的目标信息的示意图。

图3B为图1的运算部使用非监督式学习模型的示意图；

图4为图1的预测部进行预判作业的流程方块图。

图4A为依据图3A的目标信息所拟合的目标线段的示意图。

图5A为本发明的刀具状态评估方法的流程方块图。

图5B为图2A的初始信息中的其中一文件的加工信号的波形示意图。

图5C-1至图5C-4为图5B的文件中所切分出的不同数据集的加工信号的波形示意图。

图5D-1至图5D-3为不同磨耗特征的波形示意图。

图5E为图5的初始状态信息的矩阵示意图。

图5F为图5的目标信息的曲线示意图。

图5F-1及图5F-2为本发明的刀具状态评估系统接收不同信号源所得的目标信息的曲线示意图。

图5G-1至图5G-3为本发明的预判作业的过程的曲线示意图。

符号说明

1，1’:刀具状态评估系统

10:提取部

11:运算部

12:预测部

13:收集部

D，G:交加点

F1～F5:加工信号

H:距离

L1:第一趋势线

L2:第二趋势线

L:目标线段

L’:假性线段

P:中心点

q:离群点

R:半径

S10～S12:步骤

S40～S43:步骤

S50～S57:步骤

t:目标点

Z1:新刀信号区

Z2:初期磨耗信号区

Z3:剧烈磨耗信号区。

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，本领域技术人员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及功效。

须知，本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供本领域技术人员的了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“第一”、“第二”、“第三”、“第四”及“一”等的用语，也仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本发明可实施的范围。

图1为本发明的刀具状态评估系统的架构配置示意图。如图1所示，所述的刀具状态评估系统1举例包括：一提取部10、以及一运算部11，然而本发明并不限制上述架构配置的各组成的可能整合、替换或增减配置，例如复可包括一预测部12，如图1’所示的刀具状态评估系统1’。

在本实施例中，该刀具状态评估系统1，1’应用于计算机数值控制(CNC)的工具机，且该工具机配置有控制器、加速计(或其它可感测振动与声音信号的传感器，例如麦克风、位移计、速度计等)、可编程控制器(Programmable Logic Controller，简称PLC)及一架设于该工具机上以配置刀具的主轴，并可外接一数据提取系统(data acquisition systems，简称DAQ或DAS)，而该刀具状态评估系统1，1’例如为该工具机的标准配备或独立计算机(如远端计算机、个人计算机、平板或手机等)，具有运算与显示检测结果的功能。

此外，该刀具状态评估系统1，1’也可配置一通信连接该提取部10的收集部13(或数据库)，其用以收集并过滤外部信息(包含多个加工信号)，例如，来自该控制器的加工信息、来自该工具机的PLC状态及来自提取设备(如加速计、麦克风或DAQ)的感测数据，以将该多个加工信号输入至该提取部10。例如，该收集部13的收集方式可为内部直接传输(例如，该工具机具有该刀具监控系统的配置)、应用程序界面(例如，用以取得该工具机的数值控制器的内部信息)、用于控制器内外信号传递及暂存的可编程控制器(PLC)、外部装置直接传输(例如，编码器传输坐标信号、光学尺传输坐标信号、数据提取卡传输坐标、控制指令)等。

所述的收集部13可进行信号判断作业，以获取所需的加工信号。例如，该收集部13可连接控制器，以同步提取加工参数，进而判断振动数据，因而能自动过滤刀具空转状态的信号或其它加工工艺(导孔、铰孔或其它等)的状态信号。有关该信号判断作业的流程如图1A所示，具体说明如下。

在步骤S10中，取得初始信息，其包含加速计(其可监测主轴振动信号)或麦克风(其可测量加工声音信号)等与振动相关的加工信号的数值、由控制器取得的多个加工参数信号的数值、或其它装置与加工作业相关信号的数值。例如，该收集部13可直接从控制器取得进给速率、主轴转速、主轴负载等加工参数信号。

在步骤S11中，筛选多个加工信号，以选取部分加工信号进行后续分析作业。例如，基于进给速率、主轴转速、主轴负载等由控制器取得的加工参数信号分别所建置的阈值，判断各加工信号对应的加工参数信号的数值是否大于阈值，以选取加工参数信号的数值大于阈值所对应的与振动相关的加工信号，若加工参数信号的数值小于阈值者，其对应的与振动相关的加工信号则不会被选为后续分析对象。

在步骤S12中，进行数据端点检测，以选取控制器加工参数信号的数值大于阈值所对应的加工信号作为分析所需的加工信号，如图2A所示，经此数据端点检测后，可将持续收集一段时间的振动相关的加工信号分割成如五笔加工信号F1，F2，F3，F4，F5的数据区间。例如，在一实施例中，可通过该收集部13执行步骤S11的筛选而自动判断刀具实际加工的时间起始点与结束点，以提取位于该数据区间的该加工信号F1，F2，F3，F4，F5进行后续分析作业。

因此，该收集部13可包含用以安装至刀具主轴上的加速计、麦克风或其它可感测振动与声音信号的传感器，且连接该控制器以基于该控制器的加工参数信息建置一阈值，并过滤空转状态的信息以及其处理工艺，以精确提取加工中的振动信号。

所述的提取部10用于接收多个加工信号以进行特征提取作业，使第一时段加工信号作为新刀(或初始)状态信息，且使第二时段加工数据作为磨耗状态信息。

在本实施例中，该特征提取作业所采用的方法针对每一单位加工信号利用频带分解法(如小波包分解、经验模态分解或其它等方式)将原始时域信号分解成不同频带(如图2B-1及图2B-2所示的16组频带)的时域信号，并监测每一频带的统计参数(如方均根值、裕度、峭度波形因子、峰度因子、脉冲因子、最大值、最小值和方差或其它适当参数)，其中，若该统计参数在该频带上随着加工时间成长，即该提取部10所需提取的目标特征。例如，该第一时段加工信号经由该频带分解法分解与分析后辨识出与该刀具磨耗相关的特征并定义其为磨耗特征，以组成初始状态信息，且该第二时段加工信号经由该频带分解法分解并提取出对应上述与刀具磨耗相关的该等磨耗特征(即其属性与第一时段加工信号所得的磨耗特征的属性相同)，以组成磨耗状态信息。

在一实施例中，以小波包分解作为本申请加工信号的频带分解法，该小波包分解的公式基于正交小波函数，其已知

是V_j+1空间的一组正交基(Orthogonal basis)，而需要建构一组函数

使其张成空间W_j是V_j在V_j+1中的正交补空间，其建立过程如下：

其中，

而小波方程式：

其中，

接着，小波包分解则对W_j空间进行分解，将子空间V_j和小波子空间W_j用一个

统一来表示，可以得到下列空间分解：

其中，{μ_n，j(x-k)}_k∈Z是空间

的标准正交基，故小波包分解算法为：

μ_2n(x)＝∑h_kμ_n(2x-k)

μ_2n+1(x)＝∑g_kμ_n(2x-k)

因此，借由该收集部13筛选出大量所需的加工信号，再将这些加工信号输入至该提取部10，使该提取部10进行特征提取作业。

所述的运算部11通信连接该提取部10，以接收该初始状态信息及磨耗状态信息，且针对该初始状态信息及磨耗状态信息进行状态分析作业，以获取目标信息。

在本实施例中，该运算部11使用机器学习模型作为目标模型，如非监督式学习(Unsupervised Learning)模型，其采用支持向量数据描述法(Support Vector DataDescription，简称SVDD)，将该磨耗状态信息与该初始状态信息进行计算，以演算出刀具的健康值(如高维空间的距离差距)，即刀具在加工时的好坏(或健康)状态，以供作为目标信息，如图3A所示。

此外，该支持向量数据描述法的原理用以检测一数据集中有无离群点(outlier)q(如图3B所示的三角形)，故该非监督式学习模型利用此原理计算每一目标点t(如图3B所示的小圆圈)与超球面(如图3B所示)的中心点P之间的距离H。例如，该非监督式学习模型利用每把刀具的第一时段加工信号进行训练，以产生一个超球面，并自动计算出该超球面的中心点P的坐标及该超球面对应的半径R(>0)，故在建置该超球面之后，该非监督式学习模型可计算第二时段加工信号的目标点t与该超球面的中心点P之间的距离H，其与该刀具的状态相关。在一实施例中，可将该距离H定义为健康值，而在另一实施例中，可将该距离H相较于半径R的比值(即H/R)定义为健康值。因此，若该数值越大，则代表刀具状态离初始(或新刀)状态越远，即磨耗越严重。

另外，该运算部11的分析原理先假设产生的超球面的条件为中心点P及对应的半径R(>0)(如图3B所示)，该超球面的体积V(R)被最小化(或正规化)，该中心点P是支持形式的线性组合，其类似传统支持向量机(support vector machine，简称SVM)方法，可要求所有训练用的数据点x_i(如图3B所示的矩形)到中心点P的距离必须小于半径R，同时构造一个具有惩罚系数C的松弛变量ξ_i的优化求解过程，如下所示：

||x_i-o||₂≤r+ξ_i，i＝1，2，3...m

ξ_i≥0，i＝1，2，...m，

以避免该超球面为了包住几个异常数据点(如离群点q)而变得过大的问题，即避免发生过拟合的情况。

因此，基于上述原理，该非监督式学习模型的训练过程用训练数据(如第一时段加工信号的数据点x_i)求出一中心点P的坐标为a且半径为R的最小球面，如下方程式：

使其满足：(x_i-a)^T(x_i-a)≤R²+ξ_i的条件，再用拉格朗日函数(Lagrangian)乘子法求出一方程式，如下：

借此作为判定新数据(如第二时段加工信号的目标点t)是否在该超球面内的基准条件，故该方程式的等号左边的数值L为该目标点t与该中心点P之间的距离H。

在另一实施例中，所述的预测部12通信连接该运算部11，以接收该目标信息，且依据该目标信息进行预判作业，以预测该刀具的损坏时间点。

在本实施例中，该预测部12的预判作业的结果可启动预警机制，以在刀具出现异常前或换刀前发出警示(例如闪烁灯号、响起警铃、发送电子讯息或其它适当方式等)。

此外，该预测部12借由判断图3A的曲线的走势，以预估换刀时机。有关该预判作业的流程如图4所示，且同时参照图4A(其依据图3A的目标信息所拟合的目标线段的示意图)，具体说明预判作业如下。

在步骤S40中，使用平滑异同移动平均线(Moving Average Convergence&Divergence，简称MACD)找寻图3A中的曲线的转折点，其中，举例而言，将5个转折点作为一评估用的单位点以定义出短期变动，且将20个转折点作为一如钻孔动作的单位点以定义出长期变动。

在步骤S41中，借由该短期变动拟合成代表评估用的第一趋势线L1，借由该长期变动拟合成对照用的第二趋势线L2，如图4A所示，以判断第一趋势线L1与第二趋势线L2是否产生黄金交叉(如图4A所示的交叉点G)。在本实施例中，为基于MACD的指标，当该短期变动(第一趋势线L1)高于(超越)该长期变动(第二趋势线L2)时，视为黄金交叉。

在步骤S42中，判断第一趋势线L1与第二趋势线L2是否产生死亡交叉(如图4A所示的交叉点D)。在本实施例中，当该短期变动(第一趋势线L1)低于该长期变动(第二趋势线L2)时，视为死亡交叉。

在步骤S43中，在该死亡交叉后，判断该短期变动是否产生一定数量(如10个)的单位点。在本实施例中，若在该死亡交叉后，该短期变动产生的单位点过少，则该第一趋势线L1有可能再上升而产生黄金交叉。

在步骤S44中，将这些(如10个)死亡交叉后的单位点的短期变动拟合成一目标线段L(如图4A所示)，以判断该目标线段L的斜率是否满足目标条件。在本实施例中，该目标条件设定为小于-0.1，故当该目标线段L的斜率小于-0.1(即＜-0.1)时，则表示该目标线段L的趋势已由上升转为下降，并持续下降(非持平不变)，此时，该预测部12会启动预警机制(如步骤S45所示的发出警报)。

图5A为本发明的刀具状态评估方法的流程示意图。在本实施例中，采用该刀具状态评估系统1，1’进行该刀具状态评估方法。

如图5A所示，首先，在步骤S50中，该工具机的主轴产生多个笔如振动信号的加工信号。在本实施例中，该工具机在单一次加工作业中提供上百笔或上千笔加工信号，且依据时间顺序将该上百笔或上千笔加工信号进行编号，即第1至100笔以上。

接着，在步骤S51中，该收集部13取得初始信息(如图1A的步骤S10)，借由控制器取得例如进给速率、主轴转速、主轴负载等加工参数信号，并设定特定阈值以从该上万笔数据中筛选出多个(如少于万笔)加工信号(如图1A的步骤S11)。

接着，在步骤S52中，该收集部13通过控制器接收加工参数，以进行加工信号的数据端点检测作业(如图1A的步骤S12)，判断出实际加工的加工信号区间、过滤空转状态或其它工艺信号，借以从该上百笔或上千笔数据(如56笔)中分割出多个文件。

接着，在步骤S53中，该提取部10判断这些文件中的加工信号的数量(其对应加工作业量)是否达到阈值。

接着，在步骤S54中，若该文件中的加工信号的数量小于或等于该阈值，则该提取部10借由这些加工信号产生初始状态信息。

例如，在步骤S540中，先组合矩阵。假设在步骤S53中的阈值为40笔，每一笔数据为100个数值，故在S540步骤中会先设定一个40*100的空矩阵。接着，在步骤S541中，判断这些加工信号的数量(如40笔)是否等于阈值，即检测该空矩阵是否装满40笔数据。应可理解地，该阈值并无特别限制，只需可用于后续该目标模型的训练即可。

接着，在步骤S542中，该40笔加工信号的其中1笔如图5B所示，其提取频率为10240赫兹(Hz)，且有效带宽为5120赫兹(Hz)，以利用如小波包分解的频带分解法将图5B所示的加工信号F1依据不同频带切分成N个(如图5C-1～图5C-4所示的四个)数据集，其分别为第一频带0～1280赫兹的时域信号(如图5C-1所示)、第二频带1281～2560赫兹的时域信号(如图5C-2所示)、第三频带2561～3840赫兹的时域信号(如图5C-3所示)、第四频带3841～5120赫兹的时域信号(如图5C-4所示)，并分别计算该N个(如四个)数据集的统计参数(如方均根值、裕度、峭度波形因子、峰度因子、脉冲因子或其它特征等，共V个特征)。

举例而言，计算第一至第四频带的数据集的方均根(RMS)、峭度(Kurtosis)和裕度(Allowance)，以产生如下表所示的统计参数：

其中，这些统计参数为波形图，而上表的R1～R4、K1～K4及A1～A4仅作为代号，以利于后续说明。

此外，当该工具机进行多次(如40次)加工作业时，可重复步骤S50～步骤S542，以获取多组(如40组)第一至第四频带的数据集的统计参数。

接着，在步骤S543中，搜寻特征频带，以判断每一组(如40组)第一至第四频带的数据集中的N×V个特征的统计参数是否随时间成长及递减的状况，若其中有S个统计参数在该频带上随着加工时间成长及递减，则定义该S个特征为第一磨耗特征。

举例而言，将每一频带中的方均根、峭度和裕度整合，以观察随时间明显成长或减少的频带，供作后续训练模型的目标特征，其中，经分析后判断该目标特征为第一频带裕度A1(如图5D-1所示)、第二频带方均根值R2(如图5D-2所示)与第三频带峭度K3(如图5D-3所示)。

之后，在步骤S544中，将该40次加工作业中的第一磨耗特征(目标特征)集合成一新刀数据矩阵(如图5E所示)，供作为该初始状态信息，其中，该矩阵的其中一维度为加工作业的次别(或加工作业的数量)，而另一维度为磨耗特征。

另一方面，在步骤S54’中(其类似步骤S54)，若该文件中的加工信号的数量(其对应加工作业量)大于该阈值，则该提取部10借由这些加工信号产生磨耗状态信息。

在本实施例中，借由第M+Y笔的单次加工信号形成一磨耗状态信息，其中，Y为≥1的正整数。

例如，在步骤S54a中，先提取编号第M+Y笔(如编号第41笔)的加工信号；接着，在步骤S54b中，利用如小波包分解的频带分解法将该加工信号依据不同频带切分成N个(如四个)数据集，并计算N个(如四个)数据集的统计参数；接着，在步骤S54c中，套用步骤S543中的特征频带的条件，以仅计算步骤S543所筛选出的第二磨耗特征(即属性为第一频带裕度A1、第二频带方均根值R2与第三频带峭度K3)的统计参数，而获取该次(如第41次)加工作业的第二磨耗特征的统计参数；之后，在步骤S54d中，依该次(如第41次)加工作业的所有磨耗特征计算出一磨耗状态信息。

接着，在步骤S55中，进行刀具状态评估作业，令该运算部11将该初始状态信息及磨耗状态信息输入一目标模型，以进行状态分析作业。

在本实施例中，该目标模型为非监督式学习模型，其借由该初始状态信息进行训练，以产生半径R为0.33单位长度的超球面(配合参阅图3B)，故当该磨耗状态信息中的例如共35次加工作业(即刀具进行35次加工作业)的磨耗特征输入至该非监督式学习模型中后，该非监督式学习模型将计算出多个目标点t与该中心点P之间的距离H，且同时计算出该距离H与该半径R的比值，以获取一目标信息(即健康值)，其中，单一次加工作业产生单一目标点t，故本实施例可在图3B中产生35个目标点t，以令该非监督式学习模型计算出35个健康值。

因此，该运算部11将该35次加工作业的目标点t进行状态分析作业，以获取如图5F所示的曲线图，供作为该目标信息。

此外，若生产线不断进行加工作业，则加工信号会不断输入至该刀具状态评估系统1，1’中，故该运算部11将随时变动该目标信息，如图3A所示的依照另一实施例执行100次以上的加工作业。

另外，该刀具状态评估系统1，1’收集来自加速计(如图5F-1所示)或麦克风(如图5F-2所示)的加工信号所产生的目标信息大致相同，其由图5F-1及图5F-2可知，两者所产生的新刀信号区Z1、初期磨耗信号区Z2及剧烈磨耗信号区Z3大致相同。

另外，若该刀具状态评估系统1’配置有预测部12，则在后续作业中，该预测部12会借由该目标信息进行预判作业，以评估刀具状态。

举例而言，基于图3A所示的目标信息，该预测部12分别形成第一趋势线L1与第二趋势线L2在该目标信息上，如图5G-1至图5G-3所示，以判断是否产生黄金交叉(如图5G-1所示)及死亡交叉(如图5G-2所示)等状况。

此外，由于生产线不断运作，因而第一趋势线L1与第二趋势线L2会不断变动，故该预测部12可即时显示该第一趋势线L1与第二趋势线L2的变动，如步骤S55’所示，以即时反映该刀具的状态。

接着，在步骤S56中，该预测部12借由判断该第一趋势线L1的走线趋势，以进行刀具损坏判断，即预估换刀时机。

在本实施例中，如图5G-3所示，当发生死亡交叉后，若该短期变动产生一定数量单位点，则判断该目标线段L的斜率是否满足目标条件。另一方面，若在该死亡交叉后，该短期变动产生的单位点过少，则该第一趋势线L1会产生假性线段L’(如图5G-1所示)，即该第一趋势线L1会再上升而产生黄金交叉。

之后，在步骤S57中，当步骤S56中判断刀具即将损坏(例如当该目标线段L的斜率满足该目标条件时)，该预测部12会发出警示，启动如灯号警示的预警机制，以提醒使用者进行换刀作业。

综上所述，本发明的刀具状态评估系统1，1’及其状态评估方法，借由该运算部11的非监督式学习模型的设计，以在生产在线随时变动该目标信息，借以评估该刀具的健康状态，故在生产在线，该刀具状态评估系统1，1’所运作的刀具能维持有效进行加工作业，以维持加工质量。

进一步，该预测部12可由该健康状态预测该刀具是否即将损坏，故于生产在线，该刀具状态评估系统1’可随时提醒使用者刀具发生异常或提醒使用者进行换刀作业，以避免产品(或物料)出现瑕疵而需报废等加工质量不良的问题。

上述实施例用以例示性说明本发明的原理及其功效，而非用于限制本发明。本领域技术人员均可在不违背本发明的精神及范围下，对上述实施例进行修改。因此本发明的权利保护范围，应如权利要求书所列。

Claims

1.一种刀具状态评估方法，应用于配置有控制器及刀具的工具机，其特征在于，该刀具状态评估方法包括：

提供该刀具的多个加工信号；

进行特征提取作业，以令该多个加工信号分成初始状态信息及磨耗状态信息；以及

利用非监督式学习模型，针对该初始状态信息及该磨耗状态信息进行状态分析作业，以获取包含多个健康值的目标信息。

2.如权利要求1所述的刀具状态评估方法，其特征在于，该加工信号为刀具磨耗的特征信号。

3.如权利要求1所述的刀具状态评估方法，其特征在于，该特征提取作业针对该加工信号利用频带分解法，将原始时域信号分解成不同频带的时域信号。

4.如权利要求3所述的刀具状态评估方法，其特征在于，该多个加工信号定义有第一时段加工信号与第二时段加工信号，使该第一时段加工信号经由该频带分解法分解与分析后，辨识出与刀具磨耗相关的特征并定义其为第一磨耗特征，以组成该初始状态信息，且该第二时段加工信号经由该频带分解法分解并提取出对应与该刀具磨耗相关的特征的第二磨耗特征，以组成该磨耗状态信息。

5.如权利要求4所述的刀具状态评估方法，其特征在于，该第二磨耗特征的属性与该第一磨耗特征的属性相同。

6.如权利要求1所述的刀具状态评估方法，其特征在于，该非监督式学习模型采用支持向量数据描述法，以将该磨耗状态信息与该初始状态信息进行计算，以演算出该健康值。

7.如权利要求6所述的刀具状态评估方法，其特征在于，该磨耗状态信息具有多个目标点，且该非监督式学习模型借由该初始状态信息进行训练，以产生超球面及该超球面对应的半径，以令该支持向量数据描述法计算这些目标点与该超球面的中心点之间的距离，使该距离相较于该半径的比值供作为该健康值。

8.如权利要求1所述的刀具状态评估方法，其特征在于，该目标信息将该多个健康值以曲线图方式呈现。

9.如权利要求8所述的刀具状态评估方法，其特征在于，该方法还包括依据该目标信息进行预判作业，以预测该刀具的损坏时间点。

10.如权利要求9所述的刀具状态评估方法，其特征在于，该预判作业借由判断该曲线图的走势，以预测该刀具的损坏时间点。

11.如权利要求9所述的刀具状态评估方法，其特征在于，该曲线图中的转折点通过数量多寡定义出不同的单位点，以拟合成代表该健康值的第一趋势线与对照用的第二趋势线。

12.如权利要求11所述的刀具状态评估方法，其特征在于，该第一趋势线低于该第二趋势线的情况视为死亡交叉，且将该死亡交叉后的单位点拟合成一目标线段，以借由该目标线段的斜率预测该刀具的损坏时间点。

13.一种刀具状态评估系统，应用于连接配置有控制器及刀具的工具机，其特征在于，该刀具状态评估系统包括：

提取部，其用于接收多个加工信号以进行特征提取作业，令该多个加工信号分成初始状态信息及磨耗状态信息；以及

运算部，其通信连接该提取部以接收该初始状态信息及该磨耗状态信息，且利用非监督式学习模型，针对该初始状态信息及该磨耗状态信息进行状态分析作业，以获取包含多个健康值的目标信息。

14.如权利要求13所述的刀具状态评估系统，其特征在于，该加工信号为刀具磨耗的特征信号。

15.如权利要求13所述的刀具状态评估系统，其特征在于，该特征提取作业针对该加工信号利用频带分解法，将原始时域信号分解成不同频带的时域信号。

16.如权利要求15所述的刀具状态评估系统，其特征在于，该提取部将该多个加工信号分成第一时段加工信号与第二时段加工信号，使该第一时段加工信号经由该频带分解法分解与分析后辨识出与刀具磨耗相关的特征并定义其为第一磨耗特征，以组成该初始状态信息，且该第二时段加工信号经由该频带分解法分解并提取出对应与该刀具磨耗相关的特征的第二磨耗特征，以组成该磨耗状态信息。

17.如权利要求16所述的刀具状态评估系统，其特征在于，该第二磨耗特征的属性与该第一磨耗特征的属性相同。

18.如权利要求13所述的刀具状态评估系统，其特征在于，该非监督式学习模型采用支持向量数据描述法，以将该磨耗状态信息与该初始状态信息进行计算，以演算出该健康值。

19.如权利要求18所述的刀具状态评估系统，其特征在于，该磨耗状态信息具有多个目标点，且该非监督式学习模型借由该初始状态信息进行训练，以产生超球面及该超球面对应的半径，以令该支持向量数据描述法计算这些目标点与该超球面的中心点之间的距离，使该距离相较于该半径的比值供作为该健康值。

20.如权利要求13所述的刀具状态评估系统，其特征在于，该运算部将该多个健康值以曲线图方式呈现，供作为该目标信息。

21.如权利要求20所述的刀具状态评估系统，其特征在于，该系统还包括预测部，其通信连接该运算部以接收该目标信息，且依据该目标信息进行预判作业，以预测该刀具的损坏时间点。

22.如权利要求21所述的刀具状态评估系统，其特征在于，该预测部借由判断该曲线图的走势，以预测该刀具的损坏时间点。

23.如权利要求21所述的刀具状态评估系统，其特征在于，该曲线图中的转折点通过数量多寡定义出不同的单位点，以令该预测部借由该不同的单位点分别拟合成代表该健康值的第一趋势线与对照用的第二趋势线。

24.如权利要求23所述的刀具状态评估系统，其特征在于，该第一趋势线低于该第二趋势线的情况视为死亡交叉，且将该死亡交叉后的单位点拟合成一目标线段，以借由该目标线段的斜率预测该刀具的损坏时间点。