TW201819091A - 加工誤差預測方法 - Google Patents
加工誤差預測方法 Download PDFInfo
- Publication number
- TW201819091A TW201819091A TW105137317A TW105137317A TW201819091A TW 201819091 A TW201819091 A TW 201819091A TW 105137317 A TW105137317 A TW 105137317A TW 105137317 A TW105137317 A TW 105137317A TW 201819091 A TW201819091 A TW 201819091A
- Authority
- TW
- Taiwan
- Prior art keywords
- error
- workpiece
- processing
- value
- prediction method
- Prior art date
Links
Landscapes
- Numerical Control (AREA)
Abstract
本發明揭露一種加工誤差預測方法,包括以下步驟。獲取一基準資訊。接著,定義一誤差轉換矩陣。藉由誤差轉換矩陣而獲得一加工尺寸。計算加工尺寸與一實際量測尺寸之誤差值。判斷誤差值是否在一工件之容許誤差範圍內。藉由誤差值來補償工件誤差。
Description
本發明是有關於一種預測方法,且特別是有關於一種用於推估誤差源值的加工誤差預測方法。
一般而言,對於精密加工工件誤差造成之來源,傳統加工業者是利用經驗法則來推估誤差源,也就是說,在現場的加工參數調整往往倚賴師傅經驗與試切時的試誤法,並沒有辦法透過科學方式將機台加工差異性透明化來提供現場操作人員作為調整參考,此舉不僅過於依靠人力判斷,且加工資訊不透明,而導致加工時間拉長。
因此,如何改良並能提供一種用於推估誤差源值的方法,係業界所亟待解決之課題。
本發明提供一種加工誤差預測方法,有效率解決精密加工之工件誤差造成之來源並進而修正。
本發明提出一種加工誤差預測方法,包括以下步驟。獲取一 基準資訊,所述基準資訊包含一工件零點位置、一工件各軸尺寸極限值以及一量測點高度。接著,定義一誤差轉換矩陣,其中誤差轉換矩陣由該基準資訊而獲得。藉由該誤差轉換矩陣而獲得一加工尺寸。計算加工尺寸與一實際量測尺寸之誤差值,其中所述誤差值為藉由一演算法透過多變數非線性回歸逆推來獲得;判斷誤差值是否在一工件之容許誤差範圍內;以及藉由誤差值來補償工件誤差。
基於上述,在本發明之加工誤差預測方法中,藉由建立數學模型方法,有效率解決精密加工之工件誤差所造成之來源並加以修正,藉此得以改善過去傳統加工業者利用經驗法則來推估誤差源之方式,其衍生之經驗斷層與效率問題。
為讓本發明能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
S100‧‧‧加工誤差預測方法
S110~S160‧‧‧步驟
S112~S116‧‧‧步驟
20‧‧‧加工前之工件
22‧‧‧加工後之工件
1、2、3、4‧‧‧位置點
A~H‧‧‧編號
I~P‧‧‧編號
第1圖為本發明的加工誤差預測方法之流程圖。
第2圖為第1圖步驟中獲取一基準資訊的進一步的流程圖。
第3A圖為一加工前之工件的示意圖。
第3B圖為一加工前之工件的示意圖。
第4A圖為一應用例量測的示意圖。
第4B圖為一應用例量測的示意圖。
以下謹結合附圖和實施例,對本發明的具體實施方式作進一步描述。以下實施例僅用於更加清楚地說明本發明的技術方案,而不能以此限制本發明的保護範圍。
第1圖為本發明的加工誤差預測方法之流程圖。請參閱第1圖。
本實施例的加工誤差預測方法S100包括以下步驟S110~S160。
首先,進行步驟S110,獲取一基準資訊,所述基準資訊包含一工件零點位置、一工件各軸尺寸極限值以及一量測點高度。
具體而言,如第2圖所示,第2圖為第1圖步驟中獲取一基準資訊的進一步的流程圖。上述步驟S110獲得基準資訊更包括以下步驟S112~S116。步驟S112,輸入一工件加工圖檔。此部分所指的工件加工圖檔,例如是匯入一工件的電腦輔助設計(CAD)圖檔。接著,進行步驟S114,定義工件零點位置、工件各軸尺寸極限值及量測點高度。換言之,在該CAD上對該工件指定工件零點位置、對工件指定其各軸(X軸、Y軸、Z軸)尺寸的極限值,以及使用者所欲量測點的高度。接著,進行步驟S116,輸入一使用者加工之尺寸,其中輸入使用者加工之尺寸包括一工件之長、寬、高、直徑或座標值以及工件之容許誤差範圍。
由上述的步驟可獲得工件零點位置、工件各軸尺寸極限值以及量測點高度後。請復參閱第1圖,接著,進行步驟S120,定義一誤差轉換矩陣,其中誤差轉換矩陣由該基準資訊而獲得。
詳細而言,誤差轉換矩陣之各子項轉換矩陣由一加工工序之 旋轉平移矩陣而來。加工工序包含對工件各軸平移值、對工件X軸旋轉值、對工件Y軸旋轉值以及對工件Z軸旋轉值。
舉例而言,本工件之工序流程為參考基準座標(M1)→對三軸平移(M2)→對X軸旋轉(M3)→對Y軸旋轉(M4)→對Z軸旋轉(M5)→將參考座標移回工件零點位置(M6),因此其各工序所對應之子項誤差轉換矩陣為以下所述。
第3A圖為一加工前之工件的示意圖。第3B圖為一加工後之工件的示意圖。如第3A圖所示,未加工前之工件20為一正立方體,經由加工後,加工後之工件22如第3B圖所示,未加工前之工件20具有四個位置點1、2、3、4。Xc、Yc、Zc為未加工前之工件20之四個位置點1、2、3、4的座標,以此例子來說,位置點1為[Xc1,Yc1,Zc1]=[0,0,-15.02]、位置點2為[Xc2,Yc2,Zc2]=[0.2,-99.99,-15.02]、位置點3為[Xc3,Yc3,Zc3]=[100.19,-99.99,-15]、位置點4為[Xc4,Yc4,Zc4]=[99.97,0,-15],Zs為加工前之工件20之四個位置點1、2、3、4的加工前厚度,四個位置點1、2、3、4加工前厚度為[Zs1,Zs2,Zs3,Zs4]=[-15.03,-15,-15.02,-14.96]。
,其中Xc3,Yc3,Zc3分別為加工前之工件20的位置點3之座標,。
,其中trsx,trsy,trsz分別為相對X,Y,Z軸平移的數值,且trsx,trsy,trsz為未知數。
,其中rotx為根據X軸旋轉的角度,且rotx為未知數。
,其中roty為根據Y軸旋轉的角度,且roty為未知數。
,其中rotz為根據Z軸旋轉的角度,且rotz為未知數,因此上述M1~M5共六個未知數trsx,trsy,trsz,rotx,roty,rotz。
,帶入前述Xc3,Yc3,Zc3之數值後, 。
接著,進行步驟S130,藉由誤差轉換矩陣而獲得一加工尺寸。經由上述總誤差轉移矩陣為M=M6*M5*M4*M3*M2*M1,以獲得加工尺寸。
接著,進行步驟S140,計算加工尺寸與一實際量測尺寸之誤差值,其中所述誤差值為藉由一演算法透過多變數非線性回歸逆推來獲得六個未知數trsx,trsy,trsz,rotx,roty,rotz。在此演算法例如為單體演算法(Nelder-Mead)、粒子群體演算法、遺傳演算法(Genetic Algorithms,GA)或類神經網路演算法。
因此,實際量測尺寸(如長、寬、高等QC量測)與上述加工尺寸之間的誤差值,可藉由一演算法透過多變數非線性回歸逆推來獲得。
在實際量測尺寸方面,如第4A圖所示,經QC量測加工後之工件22而得到各個位置(編號A~H)之斷面深度,如下表一所示:
如第4B圖所示,經QC量測加工後之工件22而得到各個位置(編號I~P)之斷面深度,如下表二所示:
此外,上述實際量測尺寸的步驟中,可於一加工機台上量測工件之實際量測尺寸。當然,也可以離線的方式量測工件之實際量測尺寸,本發明不以此為限。
接著,進行步驟S150,判斷誤差值是否在一工件之容許誤差範圍內,此範例為容許誤差設定0.1mm,六個變數方程式AB、CD、EF、GH、IJ、KL分別為以下所述:AB=[[[M*((Xc1+Xc4)/2)0 -6 1]’-Zs1][[M*((Xc1+Xc4)/2)-12.5 -4 1]’-Zs1]];CD=[[[M*((Xc1+Xc2)/2)M*((Yc1+Yc2)/2)-6 1]’-Zs2][[12.5 M*((Yc1+Yc2)/2)-4 1]’-Zs2]];EF=[[[M*((Xc2+Xc3)/2)M*((Yc2+Yc3)/2)-6 1]’-Zs3][[M*((Xc2+Xc3)/2)-87.5 -4 1]’-Zs3]];GH=[[[M*((Xc3+Xc4)/2)M*((Yc3+Yc4)/2)-6 1]’-Zs4][[87.5 M*((Yc3+Yc4)/2)-4 1]’-Zs4]];IJ=[[45 M*((Xc1+Xc4)/2)-6 1]’-[[M*((Xc1+Xc4)/2)-1.25 -6 1]’]];KL=[[M*[1.25(Yc1+Yc2)/2 -6 1]’-M*[(Xc1+Xc2)/2(Yc1+Yc2)/2 -6 1]’]M*45];接著,透過單體演算法求得,trsx=0.0341,trsy=-0.0345,trsz=0.2826,rotx=0.0059,roty=0.0083,rotz=0,其治具誤差為位置點1(左上角)傾斜0.8787mm,位置點3(右下角)傾斜1.1014mm。
如步驟S150所判斷誤差值在工件之容許誤差範圍內,而後,進行步驟S160,藉由誤差值來補償工件誤差。
在一實施例中,可以藉由一圖形化介面以輸出該誤差值。
綜上所述,在本發明之加工誤差預測方法中,藉由建立數學模型方法,有效率解決精密加工之工件誤差所造成之來源並加以修正,藉此得以改善過去傳統加工業者利用經驗法則來推估誤差源之方式,其衍生之經驗斷層與效率問題。
並且,本發明是以化繁為簡的概念,減少過去模型建立時,必須由多個加工件或機床特性歸納,習用建立模型的方式不僅建立工程浩大,花費成本高且耗時。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明之精神和範圍內,當可作些許之更動與潤飾,故本發明之保護範圍當視後附之申請專利範圍所界定者為準。
Claims (9)
- 一種加工誤差預測方法,包括以下步驟:獲取一基準資訊,所述基準資訊包含一工件零點位置、一工件各軸尺寸極限值以及一量測點高度;定義一誤差轉換矩陣,其中該誤差轉換矩陣由該基準資訊而獲得;藉由該誤差轉換矩陣而獲得一加工尺寸;計算該加工尺寸與一實際量測尺寸之誤差值,其中所述誤差值為藉由一演算法透過多變數非線性回歸逆推來獲得;判斷該誤差值是否在一工件之容許誤差範圍內;以及藉由該誤差值來補償工件誤差。
- 如申請專利範圍第1項所述之加工誤差預測方法,其中獲得該基準資訊更包括以下步驟:輸入一工件加工圖檔;以及定義該工件零點位置、該工件各軸尺寸極限值及該量測點高度。
- 如申請專利範圍第2項所述之加工誤差預測方法,其中定義該工件零點位置、該工件各軸尺寸極限值及該量測點高度的步驟後,更包括以下步驟:輸入一使用者加工之尺寸。
- 如申請專利範圍第3項所述之加工誤差預測方法,其中輸入該使用者加工之尺寸包括一工件之長、寬、高、直徑或座標值以及該工件之容許誤差範圍。
- 如申請專利範圍第1項所述之加工誤差預測方法,其中該演算法為單體演算法(Nelder-Mead)、粒子群體演算法、遺傳演算法(Genetic Algorithms,GA)或類神經網路演算法。
- 如申請專利範圍第1項所述之加工誤差預測方法,其中該誤差轉換矩陣之各子項轉換矩陣由一加工工序之旋轉平移矩陣而來。
- 如申請專利範圍第6項所述之加工誤差預測方法,其中該加工工序包含對工件各軸平移值、對工件X軸旋轉值、對工件Y軸旋轉值以及對工件Z軸旋轉值。
- 如申請專利範圍第1項所述之加工誤差預測方法,其中藉由該誤差值來補償工件誤差的步驟中,包括以下步驟:藉由一圖形化介面以輸出該誤差值。
- 如申請專利範圍第1項所述之加工誤差預測方法,其中計算該加工尺寸與該實際量測尺寸之誤差值的步驟中,包括以下步驟:於一加工機台上量測工件之該實際量測尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105137317A TWI598176B (zh) | 2016-11-15 | 2016-11-15 | 加工誤差預測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105137317A TWI598176B (zh) | 2016-11-15 | 2016-11-15 | 加工誤差預測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI598176B TWI598176B (zh) | 2017-09-11 |
TW201819091A true TW201819091A (zh) | 2018-06-01 |
Family
ID=60719445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105137317A TWI598176B (zh) | 2016-11-15 | 2016-11-15 | 加工誤差預測方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI598176B (zh) |
-
2016
- 2016-11-15 TW TW105137317A patent/TWI598176B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI598176B (zh) | 2017-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ratchev et al. | An advanced FEA based force induced error compensation strategy in milling | |
Chen et al. | Deformation prediction and error compensation in multilayer milling processes for thin-walled parts | |
Bohez | Compensating for systematic errors in 5-axis NC machining | |
Chen et al. | Spatial statistical analysis and compensation of machining errors for complex surfaces | |
Peng et al. | Total differential methods based universal post processing algorithm considering geometric error for multi-axis NC machine tool | |
CN106774152B (zh) | 一种数控机床位置相关几何误差项的建模方法 | |
TW201525633A (zh) | Cnc加工調機系統及方法 | |
Barkallah et al. | Evaluation of manufacturing tolerance using a statistical method and experimentation | |
Lai et al. | Machining error inspection of T-spline surface by on-machine measurement | |
Givi et al. | Optimized volumetric error compensation for five-axis machine tools considering relevance and compensability | |
Guiassa et al. | Closed door machining error compensation of complex surfaces using the cutting compliance coefficient and on-machine measurement for a milling process | |
JP2017037460A (ja) | 加工システム及び加工方法 | |
Sulitka et al. | Integrated force interaction simulation model for milling strategy optimization of thin-walled blisk blade machining | |
Khodaygan | Manufacturing error compensation based on cutting tool location correction in machining processes | |
TWI598176B (zh) | 加工誤差預測方法 | |
Yang et al. | A new error compensation model for machining process based on differential motion vectors | |
CN105353723A (zh) | 数控加工标定方法 | |
Minguez et al. | Framework for verification of positional tolerances with a 3D non-contact measurement method | |
CN109035238B (zh) | 一种面向自由曲面零件的加工余量离线分析方法 | |
TW201521940A (zh) | 加工治具、雙輪廓加工系統及方法 | |
CN109725595A (zh) | 工件的加工路径的补偿方法、加工方法及工件 | |
Poniatowska | Research on spatial interrelations of geometric deviations determined in coordinate measurements of free-form surfaces | |
CN114396900A (zh) | 基于平面约束的机器人标定方法及系统 | |
TW201913251A (zh) | 工件加工方法及其加工系統 | |
Gąska et al. | Challenges for uncertainty determination in dimensional metrology put by industry 4.0 revolution |