CN117381533A - 复材刀具切削监控系统及其监控方法 - Google Patents
复材刀具切削监控系统及其监控方法 Download PDFInfo
- Publication number
- CN117381533A CN117381533A CN202310003373.3A CN202310003373A CN117381533A CN 117381533 A CN117381533 A CN 117381533A CN 202310003373 A CN202310003373 A CN 202310003373A CN 117381533 A CN117381533 A CN 117381533A
- Authority
- CN
- China
- Prior art keywords
- tool
- cutting
- wear
- data
- cutter
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 120
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 239000002131 composite material Substances 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005299 abrasion Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000003754 machining Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 208000035874 Excoriation Diseases 0.000 description 17
- 238000012545 processing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003746 surface roughness Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- 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
- B23Q17/0952—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 during machining
- B23Q17/0957—Detection of tool breakage
-
- 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
- B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
- B23Q15/007—Automatic control or regulation of feed movement, cutting velocity or position of tool or work while the tool acts upon the workpiece
- B23Q15/16—Compensation for wear of the tool
-
- 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
- G05B2219/37—Measurements
- G05B2219/37256—Wear, tool wear
-
- 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
- G05B2219/37258—Calculate wear from workpiece and tool material, machining operations
-
- 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
- G05B2219/37336—Cutting, machining time
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
- Machine Tool Sensing Apparatuses (AREA)
- Spinning Or Twisting Of Yarns (AREA)
Abstract
本发明公开一种复材刀具切削监控系统及其监控方法,其中该复材刀具切削监控系统用于一机台,该切削监控系统包括一数据撷取模块、一数据库以及一切削控制模块。该数据撷取模块用以撷取该机台的马达电流数据及一刀具磨耗数据,该马达电流数据作为一刀具磨耗状态预测模型的训练数据,以进行深度学习及预测。数据库用以建立一刀具磨耗数据库,以供比对一刀具磨耗状态。该刀具磨耗状态预测模型输出一刀具磨耗状态预测数据至切削控制模块。该切削控制模块根据刀具磨耗状态预测数据判断刀具磨耗状态是否正常。
Description
技术领域
本发明涉及一种复材刀具,且特别涉及一种复材刀具切削监控系统及其监控方法。
背景技术
以复合材料刀具进行切削时,由于复材刀具的温度容易快速增加而造成切削过热,所以针对刀具切削状态的监控,以维持稳定刀具状态,是达成高效率与自动化切削的必要手段。然而,高效率切削不只是一味增加转速,而是要根据刀具状态(如严重磨损或正常磨损)进行参数修正,以避免刀具寿命减少而影响到机台的运行。目前针对刀具寿命的研究多着墨在复材刀具的材料研发、刀具几何形状的改良、刀具切削力的改良等,并无针对复材刀具的加工优化与切削监控进行改良。
发明内容
本发明提供一种复材刀具切削监控系统及其监控方法,可利用机器学习,对刀具状态与马达电流的关系进行预测,训练后的预测模型可提供最佳化参数,以供切削控制模块对刀具磨耗状态进行优化,以达成智能切削监控的目的。
根据本发明的一方面,提出一种复材刀具切削监控系统,用于一机台,该切削监控系统包括一数据撷取模块、一数据库以及一切削控制模块。该数据撷取模块用以撷取该机台的马达电流数据及一刀具磨耗数据,该马达电流数据作为一刀具磨耗状态预测模型的训练数据,以进行深度学习及预测。数据库用以建立一刀具磨耗数据库,以供比对一刀具磨耗状态。该刀具磨耗状态预测模型输出一刀具磨耗状态预测数据至切削控制模块。该切削控制模块根据刀具磨耗状态预测数据判断刀具磨耗状态是否正常。
根据本发明的一方面,提出一种复材刀具切削监控方法,用于一机台。该切削监控方法包括下列步骤。撷取该机台的马达电流数据及测量一刀具磨耗数据。以该马达电流数据作为一刀具磨耗状态预测模型的训练数据,进行深度学习及预测。建立一刀具磨耗数据库,以供比对一刀具磨耗状态。输出由该刀具磨耗状态预测模型产生的一刀具磨耗状态预测数据至一切削控制模块。该切削控制模块根据该刀具磨耗状态预测数据判断该刀具磨耗状态是否正常。
为了对本发明的上述及其他方面有更佳的了解,下文特举实施例,并配合所附的附图详细说明如下:
附图说明
图1为应用本发明一实施例的复材刀具切削监控的智能加工系统的示意图;
图2为刀具状态数据图;
图3A、图3B分别为刀具磨耗数据库的实验数据图;
图4为刀具磨耗状态的示意图;
图5为用于变异数分析的不同刀具状态数据的实验数据图;
图6为刀具磨耗与切削长度的关系图;
图7为加工参数优化管理平台的示意图;
图8为本发明一实施例的复材刀具切削监控方法的流程图;
图9A及图9B为预测模块训练图;
图9C及图9D为预测模块训练图;及
图10为刀具磨耗的机器深度学习模型的示意图。
符号说明
100:智能加工系统
102:机台
104:控制器
105:马达电流数据
106:传感器
107:刀具磨耗数据
108:加工参数
109:刀具状态数据
110:切削监控系统
112:数据撷取模块
114:数据库
116:刀具磨耗状态预测模型
118:切削控制模块
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。以下是以相同/类似的符号表示相同/类似的元件做说明。
请参照图1,图1绘示应用本发明一实施例的复材刀具切削监控的智能加工系统100的示意图。
智能加工系统100包括一机台102、一控制器104、多个传感器106以及一切削监控系统110。机台102例如为车床、CNC工具机、机械手臂等工业自动化设备,其具有一主轴马达以及一复材刀具,主轴马达用以带动刀具旋转、刀具进给或刀具切削等,主轴马达的电流可由控制器104或外部电源提供,并且主轴马达的电流、转速、进给量等马达加工参数可通过传感器106侦测而得知。此外,控制器104可通过电脑数值控制精确控制主轴马达的转速及进给量,再通过主轴马轴精确控制刀具旋转、刀具进给或刀具切削等,以达到精密控制的目的。另外,控制器104可设定主轴马达/刀具的转速、进给量等加工参数108,以作为后续加工参数108调整的参考。
在本实施例中,为了达到高效率与自动化切削的目的,可通过复材刀具切削监控系统110,对刀具切削状态进行监控,以维持稳定刀具状态。如图1所示,复材刀具切削监控系统110包括一数据撷取模块112、一数据库114、一刀具磨耗状态预测模型116以及一切削控制模块118。数据撷取模块112用以撷取该机台102的马达电流数据105及测量一刀具磨耗数据107。例如,数据撷取模块112可通过OPC UA(OPC统一架构)通信协定来交换机台102内或机器间的数据,以收集到例如马达电流数据105、刀具磨耗数据107及刀具状态数据109等信息。OPC统一架构是一种开放平台通信协定,可支持多线程,不限制作业系统或是编程语言,因此适合用在工业自动化设备中进行信息整合。
在一实施例中,测量刀具磨耗数据107例如使用高倍率的光学显微镜观察材料金相组织与刀具磨耗状态,以计算刀具表面粗糙度。不同的刀具具有不同的加工条件及磨耗,例如:刀具种类可分为直刀、螺旋刀等,刀具加工条件可包括刀具切速、刀具进给速度及刀具切深等参数,刀具磨耗状态可分为初期磨耗、正常磨耗及急骤磨耗等。一般而言,刀具由开始切削(初期磨耗)达到预定切削时间称为刀具寿命,刀具寿命一般采用刀具磨损量在正常磨耗范围内进行量化,若超出正常磨耗范围则属于急骤磨耗,也可以把某一现象的出现作为判断急骤磨耗的依据,如振动激化、加工表面粗糙度恶化,断屑不良和崩刃等。当刀具达到刀具寿命后,刀具的刀头部位变钝而不断地受到很大的作用力、高温和激烈的摩擦作用而磨损,等磨损到某一程度时刀具无法再胜任原有的切削品质,就无法再使用。因此,刀具使用时应尽量避免进入急骤磨耗阶段。
一般而言,以复合材料刀具进行切削时,由于复材刀具的温度容易快速增加而造成切削过热,所以针对刀具切削状态的监控需加强,以维持刀具状态在正常磨耗范围内,若刀具进入急骤磨耗阶段时,需通过改变刀具加工条件(可包括刀具切速、刀具进给速度及刀具切深等参数)来减少刀具磨耗,以延长刀具寿命。
此外,刀具切速增加,可使工件加工时间缩短,且加工面精度较佳,但刀具的磨耗速率却会增加,亦即刀具寿命会缩短,刀具切速与刀具寿命的关系大致上为定值。也就是说,刀具切速越快,刀具寿命越短;反之,刀具切速越慢,刀具寿命越长。因此,本系统110的切削控制模块118可通过降低刀具切速来增加刀具寿命,但也可通过改变刀具进给速度或刀具切深等参数来增加刀具寿命。
虽然提高刀具切速可优化复材刀具的表面粗糙度,并使得工件加工品质提升,然而一味增加刀具切速,反而造成刀具寿命缩短。再者,不良刀具状态易造成切削过热,同时刀具状态不佳时(如进入急骤磨耗)却未能即时进行加工参数108修正,反而造成刀具寿命减少。因此,在本实施例中,本切削监控系统110可通过对刀具磨耗状态与马达电流的关系进行机械学习及预测,且训练后的预测模型116可提供最佳化参数,以供切削控制模块118对刀具磨耗状态进行优化,进而提升刀具寿命。
请参照图2至图4,其中图2为刀具状态数据109,图3A、图3B为刀具磨耗数据107库的实验数据,图4为刀具磨耗状态。有关参数优化的流程如下。首先,步骤1为取得刀具状态数据109(如图2所示包括刀具种类、刀具加工条件等数据)。接着,步骤2为进行刀具磨耗数据107库(可由图3A及图3B的实验数据建立)比对,找出优化后的参数。之后,步骤3为切削控制模块118与机台102连线,并将优化后的参数传输至机台102的控制器104,以进行加工参数108修正。
在步骤2中,参数优化例如是通过变异数分析(Analysis of variance)从数据库114中找出一适合修正刀具磨耗的加工参数108(例如刀具切速、刀具进给速度及刀具切深等参数)。变异数分析例如以贡献度指标代表该控制因子的变异占总变异的比例,贡献度指标可以作为一个控制因子的变异所带来的影响力。例如,刀具切速对刀具磨耗的影响大于其他控制因子对刀具磨耗的影响时,则刀具切速的贡献度指标大于其他控制因子的贡献度指标。
贡献度指标例如是依靠F-分布为机率分布的依据,利用实验数据的平方和(Sumof square)与自由度(Degree of freedom)所计算的组间与组内均方(Mean of square)估计出F值,F值的分母代表直接由原实验数据所估计的变异数,而分子代表经由「样本平均值」所估计的原实验数据的变异数。F值的分母与分子分别是两种不同的方法来评估同一个样本空间的变异数。当F值很大时,表示此控制因子是有影响力的参数。因此,可将F值作为参数优化的贡献度指标。
请参照图5及图6,其中图5为用于变异数分析的不同刀具状态数据109的实验数据,图6为刀具磨耗与切削长度的关系图。由图6可知,当刀具切速由120m/min降至93.75m/min,在相同的进给率(例如0.4或0.52mm/rev)的条件下,切削长度增加或刀具磨耗减少,在此加工条件下,刀具切速的变异对刀具磨耗的影响大于其他控制因子的变异对刀具磨耗的影响,即刀具切速对刀具磨耗的贡献度大。另外,在测试1及测试2中,当刀具切速保持固定(例如120m/min),刀具进给率由0.4mm/rev增加至0.52mm/rev,在此加工条件下,刀具磨耗会随着切削长度增加而增加;或者,在测试3及测试4中,当刀具切速保持固定(例如93.75m/min),刀具进给率由0.4mm/rev增加至0.52mm/rev,在此加工条件下,刀具磨耗会随着切削长度增加而增加,但相对于测试1及测试2,刀具进给率的变异对刀具磨耗的影响有限(不明显),即刀具进给率对刀具磨耗的贡献度小。
请参照图7的加工参数108优化管理平台,其中切削控制模块118与机台102连线,并将优化后的刀具切削参数传输至控制器104,以进行加工参数108修正。控制器104得到优化后的刀具切削参数后可对目前机台102的加工参数108进行调整,包括主轴转速、进给速度、刀具种类、刀具加工条件等,其详细内容请参照图7,在此不一一赘述。加工参数108优化管理平台可进行远端操控,优化后的加工参数108可在此管理平台上进行输入作业。
请参照图8,图8绘示依照本发明一实施例的复材刀具切削监控方法的流程图。在本实施例中,以图1的复材刀具切削监控系统110进行下列的切削监控方法,其步骤如下。在步骤S110中,撷取机台102的马达电流数据105及测量一刀具磨耗数据107。在步骤S120中,以马达电流数据105及刀具磨耗数据107作为一刀具磨耗状态预测模型116的训练数据,进行深度学习及预测。训练好的预测模型116可存储在应用软件中,以供机台102使用。在步骤S130中,输出由刀具磨耗状态预测模型116产生的一刀具磨耗状态预测数据至一切削控制模块118,刀具磨耗状态可分为初期磨耗、正常磨耗及急骤磨耗等。在步骤S140中,切削控制模块118判断刀具磨耗状态是否正常(例如判断是否需优化加工参数108)。当刀具磨耗状态在正常磨耗范围内,则进入步骤S150,切削控制模块118控制机台102,以目前的刀具切削参数进行加工(不需优化)。当刀具磨耗状态在急骤磨耗范围内,则进入步骤S160,切削控制模块118优化目前机台102的刀具切削参数,并传输优化后的刀具切削参数至机台102的控制器104。
刀具磨耗状态预测模型116例如是长短时记忆网络(Long Short Term MemoryNetwork,LSTM)预测模型,在本系统110中利用所撷取的马达电流数据105,进行机器学习与刀具磨耗状态的预测,由于马达电流数据105具有时序性与连续性,而递归神经网络(Recurrent Neural Network,RNN)是专门解决时间序列问题的演算法且具有时间记忆功能,因此本系统110可利用LSTM预测模型作为递归神经网络,为每个输入数据和输出数据间的关联(connection)进行架构。输入数据例如是马达电流数据105及刀具磨耗数据107,输出数据例如是刀具磨耗状态。本系统例如以马达电流数据105的均方根平均值(RMS)作为训练数据输入至LSTM预测模型116中,以提高预测准确度。
另外,请参照图9A及图9B的预测模块训练图,其中图9A及图9B为所撷取的马达电流数据105进行数据标准化时,可大幅提升LSTM模型的训练与预测效果,以提高预测精准度,反之,当所撷取的马达电流数据105未进行数据标准化时,LSTM模型的训练与预测效果不佳,因而无法提高预测精准度。在图中,LSTM train线用以训练准确度,LSTM valid线为验证准确度训练完成后使用验证用的数据进行准确度验证。验证准确度需接近训练准确度才代表是良好的训练过程。
此外,为了解决LSTM模型中过拟合的问题,本系统在递归神经网络中加入dropout参数。dropout的意思是:每次训练时随机忽略一部分神经元,即神经元在正向传播时对下游的启动影响被忽略,反向传播时也不会更新权重,每个神经元的邻居会依赖邻居的行为组成的特征,如果过度依赖,就会造成过拟合。如果每次随机拿走一部分神经元,那么剩下的神经元就需要补上消失神经元的功能,整个网络变成很多独立网络(对同一问题的不同解决方法)的合集。Dropout的效果是,网络对某个神经元的权重变化更不敏感,增加泛化能力,减少过拟合。
请参照图9C及图9D的预测模块训练图,其中图9C及图9D为LSTM模型加入Dropout参数后防止过拟合,可提升LSTM模型的训练与预测效果,以提高预测精准度。在图中,LSTM_Dropout train线用以训练准确度,LSTM_Dropout valid线为验证准确度训练完成后使用验证用的数据进行准确度验证。验证准确度需接近训练准确度才代表是良好的训练过程。
在进行预测模块训练时,可将马达不同时间点的电流数据输入到预测模型116中,每一组马达电流数据105为一组时间序列数据,例如共有24组或更多组马达电流数据105作为训练数据,经过机器深度学习之后,可得到对应的刀具磨耗状态(等级),刀具磨耗状态例如初期磨耗(等级0)、正常磨耗(等级1)及急骤磨耗(等级2)等。请参照图10的机器深度学习模型,其中输入数据为马达电流数据105,第一层训练模型的例如是LSTM,第二层训练模型例如是dropout模型,第三层训练模型例如是LSTM,最后输出的层级例如为刀具磨耗状态(等级)。
根据上述实施例所述的复材刀具切削监控系统及其监控方法,本系统可利用机器学习,对刀具状态与马达电流的关系进行预测,训练后的预测模型可提供最佳化参数,以供切削控制模块对刀具磨耗状态进行优化,以达成智能切削监控的目的。
综上所述,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。本发明所属技术领域中普通技术人员,在不脱离本发明的精神和范围内,可作各种的更动与润饰。因此,本发明的保护范围应当以所附的权利要求所界定的为准。
Claims (14)
1.一种复材刀具切削监控系统,用于机台,该切削监控系统包括:
数据撷取模块,用以撷取该机台的马达电流数据及刀具磨耗数据,其中该马达电流数据作为刀具磨耗状态预测模型的训练数据,以进行深度学习及预测;
数据库,用以建立刀具磨耗数据库,以供比对刀具磨耗状态;以及
切削控制模块,其中该刀具磨耗状态预测模型输出刀具磨耗状态预测数据至切削控制模块,该切削控制模块根据刀具磨耗状态预测数据判断该刀具磨耗状态是否正常。
2.如权利要求1所述的复材刀具切削监控系统,其中该刀具磨耗状态包括初期磨耗、正常磨耗及急骤磨耗。
3.如权利要求1所述的复材刀具切削监控系统,其中该刀具磨耗在正常磨耗范围内时,该切削控制模块控制该机台,以目前的刀具切削参数进行加工。
4.如权利要求1所述的复材刀具切削监控系统,其中该刀具磨耗在急骤磨耗范围内时,该切削控制模块优化目前的刀具切削参数,并传输优化后的该刀具切削参数至该机台。
5.如权利要求4所述的复材刀具切削监控系统,其中参数优化包括取得刀具状态数据、进行该刀具磨耗数据库比对以找出优化后的参数,以及将优化后的该参数传输至该机台以进行加工参数修正。
6.如权利要求5所述的复材刀具切削监控系统,其中该参数优化是通过变异数分析从该刀具磨耗数据库中找出适合修正刀具磨耗的加工参数。
7.如权利要求6所述的复材刀具切削监控系统,其中该变异数分析是以贡献度指标代表控制因子的变异占总变异的比例,找出贡献度最大的该控制因子来作为修正该刀具磨耗的加工参数。
8.一种复材刀具切削监控方法,用于机台,该切削监控方法包括:
撷取该机台的马达电流数据及测量刀具磨耗数据;
以该马达电流数据作为刀具磨耗状态预测模型的训练数据,进行深度学习及预测;
建立刀具磨耗数据库,以供比对刀具磨耗状态;
输出由该刀具磨耗状态预测模型产生的刀具磨耗状态预测数据至切削控制模块;以及
该切削控制模块根据该刀具磨耗状态预测数据判断该刀具磨耗状态是否正常。
9.如权利要求8所述的复材刀具切削监控方法,其中该刀具磨耗状态包括初期磨耗、正常磨耗及急骤磨耗。
10.如权利要求8所述的复材刀具切削监控方法,其中该刀具磨耗在正常磨耗范围内时,该切削控制模块控制该机台,以目前的刀具切削参数进行加工。
11.如权利要求8所述的复材刀具切削监控方法,其中该刀具磨耗在急骤磨耗范围内时,该切削控制模块优化目前的刀具切削参数,并传输优化后的该刀具切削参数至该机台。
12.如权利要求11所述的复材刀具切削监控方法,其中参数优化包括取得刀具状态数据、进行该刀具磨耗数据库比对以找出优化后的参数,以及将优化后的该参数传输至该机台以进行加工参数修正。
13.如权利要求12所述的复材刀具切削监控方法,其中该参数优化是通过变异数分析从该刀具磨耗数据库中找出适合修正刀具磨耗的加工参数。
14.如权利要求13所述的复材刀具切削监控方法,其中该变异数分析是以贡献度指标代表控制因子的变异占总变异的比例,找出贡献度最大的该控制因子来作为修正该刀具磨耗的加工参数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111126086 | 2022-07-12 | ||
TW111126086A TWI813372B (zh) | 2022-07-12 | 2022-07-12 | 複材刀具切削監控系統及其監控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117381533A true CN117381533A (zh) | 2024-01-12 |
Family
ID=88585864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310003373.3A Pending CN117381533A (zh) | 2022-07-12 | 2023-01-03 | 复材刀具切削监控系统及其监控方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240019838A1 (zh) |
CN (1) | CN117381533A (zh) |
TW (1) | TWI813372B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689677B (zh) * | 2024-02-01 | 2024-04-16 | 山东大学日照研究院 | 一种砂轮磨损状态识别方法、系统、设备及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2531481B (en) * | 2013-07-30 | 2017-04-12 | Honda Motor Co Ltd | Round hole machining method and round-hole machining device |
CN103465107B (zh) * | 2013-09-24 | 2016-05-25 | 沈阳利笙电子科技有限公司 | 一种刀具磨损监测方法 |
TWI650625B (zh) * | 2017-11-16 | 2019-02-11 | 財團法人工業技術研究院 | 刀具磨耗檢測裝置、其檢測方法及刀具磨耗補償方法 |
CN113894617A (zh) * | 2021-09-22 | 2022-01-07 | 沈阳机床(集团)有限责任公司 | 一种基于机床振动信号的刀具状态监测系统及方法 |
-
2022
- 2022-07-12 TW TW111126086A patent/TWI813372B/zh active
- 2022-10-27 US US17/975,418 patent/US20240019838A1/en active Pending
-
2023
- 2023-01-03 CN CN202310003373.3A patent/CN117381533A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
TW202402449A (zh) | 2024-01-16 |
TWI813372B (zh) | 2023-08-21 |
US20240019838A1 (en) | 2024-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9964931B2 (en) | Numerical controller with machining condition adjustment function which reduces chatter or tool wear/breakage occurrence | |
US10496055B2 (en) | Machine learning device, CNC device and machine learning method for detecting indication of occurrence of chatter in tool for machine tool | |
US11481630B2 (en) | Machining condition adjustment device and machining condition adjustment system | |
CN102929210B (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
CN101477351B (zh) | 具有三级加工自优化功能的智能数控方法 | |
CN111113150B (zh) | 一种机床刀具状态的监控方法 | |
US20010027354A1 (en) | Machining control system | |
JP2015168057A (ja) | びびり予測のための改良型データベース | |
CN117381533A (zh) | 复材刀具切削监控系统及其监控方法 | |
KR102373655B1 (ko) | 공작기계의 고장 진단 장치 및 진단 방법 | |
CN111788042A (zh) | 机器人的预见性分析 | |
CN112859754B (zh) | 机床加工控制方法、装置、存储介质、边缘设备及服务器 | |
US10459424B2 (en) | Numerical controller for controlling tapping | |
CN117161821B (zh) | 一种数控钻床主轴自适应进给控制方法及系统 | |
CN113325801B (zh) | 超精密加工系统、方法、设备及存储介质 | |
CN113941901B (zh) | 机床刀具监控方法、监控装置及电子设备 | |
CN107491036B (zh) | 机床加工能耗控制方法及加工机床 | |
Danai | Machine tool monitoring and control | |
CN111290267B (zh) | 基于LabVIEW的火电模型辨识装置和辨识方法 | |
CN115716218A (zh) | 一种数控刀具状态在线监控系统 | |
US11650563B2 (en) | Machine tool for detecting and cutting loads using machine learning | |
Gohari et al. | Hybrid offline-online optimization, monitoring and control of milling processes | |
KR20210100399A (ko) | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 | |
Park et al. | A study on the predictive maintenance of 5 axis CNC machine tools for cutting of large aircraft parts | |
WO2022224450A1 (ja) | 機械学習装置、加減速調整装置及びコンピュータ読み取り可能な記憶媒体 |
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 |