TW201821192A - 用於放電加工機之精度預測的特徵萃取方法及預測方法 - Google Patents
用於放電加工機之精度預測的特徵萃取方法及預測方法 Download PDFInfo
- Publication number
- TW201821192A TW201821192A TW106138337A TW106138337A TW201821192A TW 201821192 A TW201821192 A TW 201821192A TW 106138337 A TW106138337 A TW 106138337A TW 106138337 A TW106138337 A TW 106138337A TW 201821192 A TW201821192 A TW 201821192A
- Authority
- TW
- Taiwan
- Prior art keywords
- processing
- discharge machine
- feature
- average
- workpiece
- Prior art date
Links
Landscapes
- Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
Abstract
一種用於放電加工機之精度預測的特徵萃取方法,包含以下步驟。獲取放電加工機處理數個工件樣本時之數組製程資料。每一組製程資料包含放電電壓訊號及放電電流訊號。利用製程資料建立加工特徵。蒐集在放電加工機的操作期間與加工特徵相關聯之數組樣本資料。利用機率分布法對與每一個加工特徵關聯的樣本資料進行配適分析。獲取被量測機台所量測出工件樣本之數個量測值。進行相關性分析步驟以獲得加工特徵與量測值間之數個相關係數。利用相關係數從加工特徵中選出預設加工特徵。
Description
本發明是有關於一種用於加工機之精度預測的特徵萃取方法以及加工精度的預測方法,且特別是有關於一種於放電加工機之精度預測的特徵萃取方法及放電加工機之加工精度的預測方法。
一般的放電加工機在進行放電加工時,常因排渣不良、異常短路、或電極消耗等因素,造成工件尺寸不如預期以及工件表面粗糙度大而導致工件品質不佳。而且,一般的放電加工機並無法在加工過程中有效地預測每一個工件的加工品質,只能利用量測裝置針對完成後的工件來量測加工後之工件品質。此種作法不但費時,且效率不彰。
為了解決工件加工過程無法立即檢測加工品質的缺失,目前已有一種預測系統,能在加工機進行加工作業的過程中來預測工件之加工品質。然而,如何找出放電加工 機中之影響加工品質與加工精度的預設特徵,以提供預測系統來預測加工精度已成為相關業者努力的目標。
因此,本發明之一目的是在提供一種用於放電加工機之精度預測的特徵萃取方法以及放電加工機之加工精度的預測方法,藉以有效地從放電加工機之製程參數中建立加工特徵,並從加工特徵中篩選出影響加工品質與加工精度的預設特徵,以提供預測系統預測加工精度,進而提升工件之品質。
根據本發明之上述目的,提出一種用於放電加工機之精度預測的特徵萃取方法,包含以下步驟。獲取放電加工機分別處理複數個工件樣本時之複數組製程資料,其中,每一組製程資料包含放電電壓訊號以及放電電流訊號。利用製程資料建立複數個加工特徵。獲取被一量測機台所量測出之工件樣本之複數個量測值,其中每一個量測值分別為放電加工機根據製程資料所處理之工件的量測值。進行相關性分析步驟以獲得加工特徵與量測值間之複數個相關係數。利用相關係數來從加工特徵中選出至少一預設加工特徵。
根據本發明之上述目的,提出另一種用於放電加工機之精度預測的特徵萃取方法,包含以下步驟。獲取放電加工機分別處理複數個工件樣本時之複數組製程資料。其中,每一組製程資料包含放電電壓訊號以及放電電流訊號。 利用製程資料建立複數個加工特徵。蒐集在放電加工機的操作期間與加工特徵相關聯之複數組樣本資料。利用機率分布法對與每一個加工特徵關聯的樣本資料進行配適分析,以判斷每一個加工特徵的樣本資料的平均數及標準差是否可代表加工特徵,進而獲得判斷結果。獲取被量測機台所量測出工件樣本之複數個量測值,其中每一個量測值分別為放電加工機根據製程資料所處理工件樣本的量測值。進行相關性分析步驟以獲得加工特徵與量測值間之複數個相關係數。利用相關係數來從加工特徵中選出至少一預設加工特徵。
根據本發明之上述目的,另提出一種放電加工機之加工精度的預測方法,包含以下步驟。利用前述之特徵萃取方法獲得對應每一個量測值之至少一預設加工特徵。使用每一個量測值與對應每一個量測值之至少一預設加工特徵,來建立針對每一個量測值之預測模型。依據製程資料操作放電加工機來處理工件,並蒐集在放電加工機的操作期間與製程資料相關聯之工件的一組偵測資料。轉換工件之組偵測資料為至少一組特徵資料。輸入工件之至少一組特徵資料至預測模型中,而推估出針對量測值之工件的至少一預測精度值。
由上述可知,本發明藉由蒐集放電加工機的製程參數(如放電電壓訊號以及放電電流訊號),並依據製程參數建立加工特徵,在從加工特徵中彙整出影響加工精度的預設特徵,進而提供預測系統有效預測加工精度,進而提升加工品質。
另一方面,本發明透過配適分析的方式可從大量樣本資料中擷取適當的資料來代表所對應的加工特徵。而且,透過配適分析的方式,可進一步驗證樣本資料利用其平均數與標準差來代表所對應之加工特徵的可靠性。
100‧‧‧放電加工設備
110‧‧‧放電加工機
111‧‧‧主軸
111a‧‧‧電極
120‧‧‧處理模組
121‧‧‧感測單元
122‧‧‧擷取單元
123‧‧‧處理單元
200‧‧‧量測機台
300‧‧‧虛擬量測系統
400‧‧‧特徵萃取方法
410‧‧‧步驟
420‧‧‧步驟
430‧‧‧步驟
440‧‧‧步驟
450‧‧‧步驟
460‧‧‧步驟
470‧‧‧步驟
500‧‧‧特徵萃取方法
510‧‧‧步驟
520‧‧‧步驟
530‧‧‧步驟
540‧‧‧步驟
550‧‧‧步驟
P1‧‧‧工件
為了更完整了解實施例及其優點,現參照結合所附圖式所做之下列描述,其中:〔圖1〕係繪示依照本發明之一實施方式之一種放電加工設備的裝置示意圖;〔圖2〕係繪示依照本發明之一實施方式之一種用於放電加工機之精度預測的特徵萃取方法的流程示意圖;〔圖3〕為電壓及電流與時間的關係圖;〔圖4〕為簡化之電壓波形及電流波形之示意圖;〔圖5〕為電流與時間的關係圖;〔圖6〕為電流與時間的關係圖;〔圖7〕為電流與時間的關係圖;〔圖8〕為電壓及電流與時間的關係圖;〔圖9A〕-〔圖9D〕分別為針對火花頻率樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖(Quantile-Quantile Plot)以及P-P圖(probability-probability plot); 〔圖10A〕-〔圖10D〕分別為針對開路比樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖以及P-P圖;〔圖11A〕-〔圖11D〕分別為針對短路比樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖以及P-P圖;〔圖12A〕-〔圖12D〕分別為針對平均短路電流時間樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖以及P-P圖;〔圖13A〕-〔圖13D〕分別為針對平均短路電流樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖以及P-P圖;〔圖14A〕-〔圖14D〕分別為平均延遲時間樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖以及P-P圖;〔圖15A〕-〔圖15D〕分別為平均放電峰值電流樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖以及P-P圖;〔圖16A〕-〔圖16D〕分別為平均放電持續時間樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖以及P-P圖;〔圖17A〕-〔圖17D〕分別為針對平均放電能量樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖以及P-P圖;〔圖18〕係繪示依照本發明之一實施方式之一種放電加工機之加工精度的預測方法的流程示意圖; 〔圖19〕是利用虛擬量測系統針對孔洞底面之粗糙度的量測值與其預設特徵來建模所產生之測試結果;〔圖20〕是利用虛擬量測系統針對孔洞下開口之真圓度的量測值與其預設特徵來建模所產生之測試結果;以及〔圖21〕是利用虛擬量測系統針對孔洞下開口之直徑的量測值與其預設特徵來建模所產生之測試結果。
請同時參照圖1,其係繪示依照本發明之一實施方式之一種放電加工設備的裝置示意圖,圖2係繪示依照本發明之一實施方式之一種用於放電加工機之精度預測的特徵萃取方法的流程示意圖。本實施方式之精度預測的特徵萃取方法400可利用圖1所示之放電加工設備100來實現。本實施方式之放電加工設備100包含放電加工機110以及處理模組120電性連接放電加工機110。放電加工機110具有主軸111,且主軸111設有電極111a,透過電極111a可對工件樣本P1加工。處理模組120包含感測單元121、擷取單元122以及處理單元123。感測單元121主要用來產生感測訊號,以提供擷取單元122判斷是否要擷取放電加工機110在線上加工時之製程資料。處理單元123則可根據所擷取的製程資料建立數個加工特徵,並可根據量測機台200所產生的不同量測項目的量測值,再從加工特徵中彙整出與加工精度有關的預設特徵,以提供虛擬量測系統300來預測放電加工機110之加工精度。
在一實施例中,感測單元121可為雷射測距裝置,且設置在主軸111上。藉此,擷取單元122可透過雷射測距裝置感測電極111a的位置來選擇是否要擷取放電加工機110之製程資料(即電壓訊號與電流訊號)。舉例而言,透過雷射測距裝置判斷主軸111的移動方向是否為進給方向,若判斷結果為是,則代表主軸111正在進給加工中,故擷取單元122可進一步取得加工時之製程資料。相反地,若判斷結果為否,擷取單元122則不需要擷取製程資料。由此可知,透過感測單元121可有效地篩選擷取單元122擷取之所需資料量。在其他實施例中,感測單元121亦可為光學尺。或者,擷取單元122亦可直接從放電加工機110之控制器中得知主軸111的座標位置,來判斷是否要擷取相關製程資料,同樣可達到篩選擷取單元122擷取之所需資料量之目的。
請同時參照圖1至圖3,其中圖3為電壓及電流與時間的關係圖。本實施方式之特徵萃取方法400主要是根據預定之加工指令與工件樣本特性,蒐集放電加工機100之放電過程中的製程資料(例如圖3中之放電電壓訊號及放電電流訊號)後,然後根據這些製程資料建立出複數個加工特徵,並應用資料融合技術方法從這些加工特徵中彙整出可用於推估加工精度之預設特徵。這些彙整出的預設特徵主要可提供預測系統來預測放電加工機之加工精度。
請繼續參照圖2及圖3,本實施方式之特徵萃取方法400包含以下步驟。首先,進行步驟410,以獲取放電 加工機分別處理複數個工件樣本時之複數組製程資料。在一實例中,每一組製程資料主要包含放電電壓訊號及放電電流訊號。在一例子中,製程資料為放電加工機在放電加工過程之加工條件(例如開路電壓以及脈衝on/off時間等)、以及機器狀態(例如實際放電電壓波形與放電電流波形等)。在本實施例中,可利用高壓探棒以及電流勾表來感測放電加工機之放電電壓訊號以及放電電流訊號。
在獲取放電加工機之製程資料後,進行步驟420,以利用製程資料建立複數個加工特徵。在本實施例中,可應用資料融合技術來從放電電壓訊號以及放電電流訊號建立加工特徵,且這些加工特徵均可用來推估加工精度。在建立加工特徵之前,可利用如圖3所示之放電電壓波形及放電電流波形來建立門檻值並擷取有效波形時間。請參照圖4所示,圖4為電壓波形及電流波形之示意圖。為了清楚說明,圖4是繪示簡化版之電壓波形及電流波形圖來說明,且圖4所示之td代表延遲時間(ignition delay time)或充電時間、te代表放電時間(discharge duration time)、t0代表間隔時間(pulse interval time)、u0代表開路電壓(open voltage)、ie代表放電電流(discharge current)。門檻值是根據實驗需求來建立,如圖4所示,可建立例如線L1來做為判別波峰數之門檻值、線L2做為判別短路之門檻值以及線L3來判別波峰之門檻值。擷取有效波形時間的操作包含擷取各個電流峰的起始點及結束點,並計算時間、擷取各個電 壓峰的起始點及結束點,並計算時間、以及擷取電壓off時間的起始點及結束點。
在本實施例中,加工特徵包含火花頻率(spark frequency)、開路比(open circuit ratio)、短路比(Short circuit ratio)、平均短路時間、短路時間標準差、平均短路電流、短路電流標準差、平均延遲時間、延遲時間標準差、平均放電峰值電流(Average discharge peak current)、峰值電流標準差、平均放電時間、放電時間標準差、平均放電能量以及放電能量標準差。
在加工特徵中,火花頻率、平均放電峰值電流、峰值電流標準差、平均放電時間、以及放電時間標準差主要是從放電電流訊號所建立。其中,火花頻率的定義為訊號期間內出現的火花總數。請參照圖5,其為電流與時間的關係圖。為了識別電流訊號中的火花,可從例如圖5之電流與時間的關係圖中定義脈衝時間範圍以及最小門檻峰值(例如圖4之線L3),在脈衝時間範圍內,當電流波峰值超過最小門檻峰值時,可定義出現電流火花。
請參照圖6,其為電流與時間的關係圖。放電峰值電流(discharge peak current)為脈衝期間內,通過電極到達工件的最大電流值。平均放電峰值電流定義為在一段時間內(例如圖6所示之脈衝開始至脈衝結束的期間)測量的放電峰值電流的平均值。峰值電流標準差同樣是從放電峰值電流計算而來。又如圖6所示,放電時間(discharge duration) 為放電電流波形開始點到結束點間(例如圖6所示之脈衝開始至脈衝結束的期間)的時間差。
在加工特徵中,平均延遲時間、延遲時間標準差、短路比、平均短路時間及短路時間標準差是從放電電壓訊號所建立。請再次參照圖4,平均延遲時間定義為從已建立足夠開路電壓的時間點開始,到電壓脈衝穿過電極與工件間的間隙,並開始有放電電流為止的時間差(例如圖4所示之td)。
短路比的定義為短路脈衝(short circuit pulse)數除以放電脈衝數。請參照圖7,圖7為電流與時間的關係圖。短路脈衝為於一放電脈衝周期內,開路電壓值持續小於指定電壓門檻(例如圖4之線L2)時,則該次的放電脈衝期間則紀錄為一次短路脈衝。如圖7所示,平均短路時間及短路時間標準差均與短路持續時間(Short circuit duration)有關,且短路持續時間定義為在一段放電脈衝期間內(需連續兩個脈衝以上)發生多次連續短路,此短路持續時間計算方式為在短路期間內,第一個短路峰(short circuit peak)到最後一個短路脈衝峰的時間差。
在加工特徵中,開路比、平均放電能量、放電能量標準差、平均短路電流及短路電流標準差則是根據放電電流訊號以及放電電壓訊號所共同建立。請參照圖8,其為電壓及電流與時間的關係圖。如圖8所示,當一電壓峰峰(Ignition Voltage)結束時,並沒有跟著一電流峰(Discharge Current)上升時即稱之為開路(open circuit)。發生開路代表電壓峰未能導引出後續電流峰,即為無效脈衝。而開路比定義為開路次數除以放電脈衝總數。
平均放電能量主要是用來保持放電加工製程的穩定性以確保加工品質,而第i次放電的放電能量(Ei)公式如以下公式(1):
其中,tei為放電持續時間,Ui為放電電壓,Ipi為放電峰電流,此公式是假設在放電過程中,放電電壓保持不變。
短路電流主要是定義在每一個放電脈衝期間(pulse duration)內,最大峰值電流(超過最小門檻)與最小谷值電流(低於最大門檻)的平均值。平均短路電流(Average Short Current)則是定義在短路持續期間,所有的脈衝短路電流值。
請同時參照圖1及圖2,在建立複數個加工特徵後,可進行步驟430,蒐集在放電加工機110的操作期間與加工特徵相關聯之複數組樣本資料。本實施例是以長度、寬度以及高度分別為30mm、30mm及10mm的模具鋼作為工件,並搭配使用直徑為3mm的電極,其中挖孔深度為100um,電流為4A。其中,本實施例係以挖孔加工為例,透過電極對工件進行鑽孔的方式在工件形成孔洞。在加工的過程中,主軸111在不同進給位置時,擷取單元122可擷取到多個不同的電流與電壓訊號。因此,可進一步獲得主軸111在不同進給位置區間與加工特徵相對應之複數組樣本資 料。例如,在主軸111對工件樣本P1進行加工的過程中,處理單元123可獲得數個火花頻率樣本資料、數個開路比樣本資料、數個短路比樣本資料、數個平均短路時間樣本資料、數個平均短路電流樣本資料、數個平均延遲時間樣本資料、數個延遲時間標準差樣本資料、數個平均放電峰值電流樣本資料、數個峰值電流標準差樣本資料、數個平均放電時間樣本資料、數個平均放電時間標準差樣本資料、數個平均放電能量樣本資料、以及數個放電能量標準差樣本資料。
在獲得與加工特徵相關聯之數組樣本資料後,接著進行步驟440,以利用機率分布法來對每一個樣本資料進行配適分析,以判斷每一組樣本資料的平均數及標準差是否可代表整體之加工特徵,進而得到判斷結果。在本實施例中,是利用常態(normal)分布法、Weibull分布法與Gamma分布法來對每一個加工特徵之所有樣本資料進行配適分析,以判斷這些樣本資料是否符合常態分布。在一些例子中,可利用P-P圖及Q-Q圖來比對機率分布法所產生的分布是否符合理想常態分布曲線。若判斷結果為是,則表示每一個加工特徵的樣本資料的平均數及標準差可代表所對應之加工特徵。透過配適分析的方式可從大量樣本資料中擷取適當的資料來代表所對應的加工特徵。而且,透過配適分析的方式,可進一步驗證樣本資料利用其平均數與標準差來代表所對應之加工特徵的可靠性。相反地,若判斷結果為否,則表示可在後續的相關性分析步驟中省略此加工特徵之相關性分析,但此並非用以限制本發明。
請參照圖9A-圖9D,圖9A-圖9D分別為針對火花頻率樣本資料作機率分布配適所得到之直方圖、經驗分布圖圖、Q-Q圖以及P-P圖。其中Q-Q圖以及P-P圖中的斜線代表理想線,且此理想線是表示理想情況下,火花頻率樣本數據滿足常態分布時所呈現之線條。而圖中的藍色圓圈、紅色圓圈以及綠色圓圈則分別代表火花頻率樣本資料的實際數據分別依據normal分布、weibull分布以及gamma分布法所產生的分布。由圖9A-圖9D可看出,火花頻率樣本資料的分布是落在理想線附近,這表示這些火花頻率樣本資料接近常態分布。因此,可使用這些火花頻率樣本資料的平均數及標準差可代表整體火花頻率的特徵值。
請參照圖10A-圖10D,圖10A-圖10D分別為針對開路比樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖以及P-P圖。其中Q-Q圖以及P-P圖中的斜線代表理想線,且此理想線是表示理想情況下,開路比樣本數據滿足常態分布時所呈現之線條。而圖中的藍色圓圈、紅色圓圈以及綠色圓圈則分別代表開路比樣本資料的實際數據分別依據normal分布、weibull分布以及gamma分布法所產生的分布。由圖10A-圖10D可看出,開路比樣本資料的分布是落在理想線附近,這表示這些開路比樣本資料接近常態分布。因此,可使用這些開路比樣本資料的平均數及標準差可代表整體開路比的特徵值。
請參照圖11A-圖11D,圖11A-圖11D分別為針對短路比樣本資料作機率分布配適所得到之直方圖、經驗分布 圖、Q-Q圖以及P-P圖。其中Q-Q圖以及P-P圖中的斜線代表理想線,且此理想線是表示理想情況下,短路比之樣本數據滿足常態分布時所呈現之線條。而圖中的藍色圓圈、紅色圓圈以及綠色圓圈則分別代表短路比樣本資料的實際數據分別依據normal分布、weibull分布以及gamma分布法所產生的分布。由圖11A-圖11D可看出,短路比樣本資料的分布與理想分布差異較大,這代表並無法使用這些短路比樣本資料的平均數及標準差,來代表整體短路比的特徵值。
請參照圖12A-圖12D,圖12A-圖12D分別為針對平均短路電流時間樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖以及P-P圖。其中Q-Q圖以及P-P圖中的斜線代表理想線,且此理想線是表示理想情況下,平均短路電流時間之樣本數據滿足常態分布時所呈現之線條。而圖中的藍色圓圈、紅色圓圈以及綠色圓圈則分別代表平均短路電流時間樣本資料的實際數據分別依據normal分布、weibull分布以及gamma分布法所產生的分布。由圖12A-圖12D可看出,平均短路電流時間之樣本資料的分布與理想分布差異較大,這代表並無法使用這些平均短路電流時間樣本資料的平均數及標準差,來代表整體平均短路電流時間的特徵值。
請參照圖13A-圖13D,圖13A-圖13D分別為針對平均短路電流樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖以及P-P圖。其中Q-Q圖以及P-P圖中的斜線代表理想線,且此理想線是表示理想情況下,平均短路 電流之樣本數據滿足常態分布時所呈現之線條。而圖中的藍色圓圈、紅色圓圈以及綠色圓圈則分別代表平均短路電流之樣本資料的實際數據分別依據normal分布、weibull分布以及gamma分布法所產生的分布。由圖13A-圖13D可看出,平均短路電流之樣本資料的分布與理想分布差異較大,這代表並無法使用這些平均短路電流樣本資料的平均數及標準差,來代表整體平均短路電流的特徵值。
請參照圖14A-圖14D,圖14A-圖14D分別為針對平均延遲時間樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖以及P-P圖。其中Q-Q圖以及P-P圖中的斜線代表理想線,且此理想線是表示理想情況下,平均延遲時間之樣本數據滿足常態分布時所呈現之線條。而圖中的藍色圓圈、紅色圓圈以及綠色圓圈則分別代表平均延遲時間之樣本資料的實際數據分別依據normal分布、weibull分布以及gamma分布法所產生的分布。由圖14A-圖14D可看出,平均延遲時間之樣本資料的分布是落在理想線附近,這表示這些平均延遲時間之樣本資料接近常態分布。因此,可使用這些平均延遲時間之樣本資料的平均數及標準差可代表整體平均延遲時間的特徵值。
請參照圖15A-圖15D,圖15A-圖15D分別為針對平均放電峰值電流樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖以及P-P圖。其中Q-Q圖以及P-P圖中的斜線代表理想線,且此理想線是表示理想情況下,平均放電峰值電流之樣本數據滿足常態分布時所呈現之線條。而 圖中的藍色圓圈、紅色圓圈以及綠色圓圈則分別代表平均放電峰值電流之樣本資料的實際數據分別依據normal分布、weibull分布以及gamma分布法所產生的分布。由圖15A-圖15D可看出,P-P圖中之平均放電峰值電流之樣本資料的weibull分布是落在理想線附近。因此,可使用這些平均放電峰值電流之樣本資料的平均數及標準差可代表整體平均放電峰值電流的特徵值。
請參照圖16A-圖16D,圖16A-圖16D分別為針對平均放電持續時間樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖以及P-P圖。其中Q-Q圖以及P-P圖中的斜線代表理想線,且此理想線是表示理想情況下,平均放電持續時間之樣本數據滿足常態分布時所呈現之線條。而圖中的藍色圓圈、紅色圓圈以及綠色圓圈則分別代表平均放電持續時間之樣本資料的實際數據分別依據normal分布、weibull分布以及gamma分布法所產生的分布。由圖16A-圖16D可看出,P-P圖中所示之平均放電持續時間之樣本資料的normal分布是落在理想線附近,這表示這些平均放電持續時間之樣本資料接近常態分布。因此,可使用這些平均放電持續時間之樣本資料的平均數及標準差可代表整體平均放電持續時間的特徵值。
請參照圖17A-圖17D,圖17A-圖17D分別為針對平均放電能量樣本資料作機率分布配適所得到之直方圖、經驗分布圖、Q-Q圖以及P-P圖。其中Q-Q圖以及P-P圖中的斜線代表理想線,且此理想線是表示理想情況下,平均放電 能量之樣本數據滿足常態分布時所呈現之線條。而圖中的藍色圓圈、紅色圓圈以及綠色圓圈則分別代表平均放電能量之樣本資料的實際數據分別依據normal分布、weibull分布以及gamma分布法所產生的分布。由圖17A-圖17D可看出,平均放電能量之樣本資料的分布是落在理想線附近,這表示這些平均放電能量之樣本資料接近常態分布。因此,可使用這些平均放電能量之樣本資料的平均數及標準差可代表整體平均放電能量的特徵值。
在獲得每一個加工特徵代表後,接著進行步驟450,以獲取被量測機台所量測出工件樣本之複數組量測值,其中每一組量測值分別為放電加工機根據製程資料處理工件樣本的量測值。本實施例係以挖孔加工為例,透過電極對工件樣本進行鑽孔的方式在工件樣本形成孔洞,且每一孔洞具有位於工件樣本上表面之上開口以及位於工件樣本下表面之下開口。本實施例之量測項目分別為孔洞底面之粗糙度、上開口之真圓度、上開口之直徑、下開口之真圓度以及下開口之直徑,且每個量測項目分別具有對應之量測值。
在獲取量測值後,接著進行步驟460,以進行相關性分析步驟,以獲得加工特徵與量測值間之複數個相關係數。在一實施例中,可採用MATLAB工具並利用以下關係式(2)來觀察加工特徵與量測值之間的關係:
其中,i係用以指出第i個工件樣本,X代表加工特徵,Y代 表不同量測項目的量測值。
在找出加工特徵與量測值間之相關係數後,接著進行步驟470,以利用相關係數彙整出與不同量測項目之量測值相關的預設特徵。在一實施例中,當量測值為工件樣本之孔洞底面的粗糙度的量測值時,相關係數大於0.2或小於-0.2的加工特徵如下表一。藉此,可從表一中選出相關係數較高的前5個加工特徵作為與粗糙度度有關之預設特徵,例如平均短路電流平均值、平均短路電流標準差、平均延遲時間平均值、平均延遲時間標準差以及平均放電能量標準差。
在另一實施例中,當量測值為工件樣本之下開口之真圓度的量測值時,相關係數大於0.2或小於-0.2的加工特徵如下表二。藉此,可從表二中選出相關係數較高的前5個加工特徵作為與下開口之真圓度有關之預設特徵,例如火花頻率平均值、火花頻率標準差、短路比平均值、短路比標準差以及平均放電時間平均值。
在另一實施例中,當量測值為工件樣本之下開口之直徑的量測值時,相關係數大於0.2或小於-0.2的加工特徵如下表三。藉此,可從表三中選出相關係數較高的前5個加工特徵作為與下開口之直徑有關之預設特徵,例如火花頻率標準差、平均短路電流時間標準差、平均短路電流標準差、平均延遲時間標準差及平均放電時間平均值。
欲陳明者,前述之選擇預設特徵是以相關係數大於0.2或小於-0.2的加工特徵來篩選並非用以限制本發明。在其他製程條件下,可根據不同的實驗需求來決定不同之相關係數之門檻值來選擇預設特徵。
在獲得與量測值相關之預設特徵後,可使用每一個量測值與對應每一個量測值之預設特徵,來匯入虛擬量測系統的資料庫中,以針對每一個量測值建立預測模型,進而提供虛擬量測系統預測加工精度。本實施方式目前使用的預測系統可為如中華民國專利號I349867所揭示之一全自 動虛擬量測(Automatic Virtual Metrology,AVM)系統來作為加工精度之預測系統,但此並非用以限制本發明。
請參照圖18,其係繪示依照本發明之一實施方式之一種放電加工機之加工精度的預測方法的流程示意圖。本發明之放電加工機之加工精度的預測方法500包含以下步驟。首先進行步驟510,以利用如圖2所示之特徵萃取方法來獲得對應每一個量測值之預設加工特徵。接著,進行步驟520,以使用每一個量測值與對應每一量測值之預設加工特徵,來建立針對每一個量測值之預測模型。接著,進行步驟530,以依據製程資料操作放電加工機來處理工件,並蒐集在放電加工機的操作期間與製程資料相關聯之工件的一組偵測資料。然後,進行步驟540,以轉換工件之偵測資料為特徵資料。接著進行步驟550,以輸入工件之特徵資料至預測模型中,而推估出針對量測值之工件的預測精度值。
請參照圖19,其是利用虛擬量測系統針對孔洞底面之粗糙度的量測值與其預設特徵來建模所產生之測試結果。其中,本實施例係以類神經網路(Neural Network,NN)與部分最小平方法(Partial Least Square,PLS)作為精度預測模型,來預測孔洞底面之粗糙度。預測結果如下表四所示,從表四可觀察到NN與PLS的平均絕對誤差(Mean Absolutely Error,MAE)均為0.010,NN與PLS的95% Max Error分別為0.017與0.016um,小於實際量測(Real Y)兩倍標準差0.015um,代表以所萃取的預設特徵可使用此兩種模型預測孔洞底面之粗糙度。
請參照下表五以及圖20,其中圖20是利用虛擬量測系統針對孔洞下開口之真圓度的量測值與其預設特徵來建模所產生之測試結果。如表五及圖20所示,當利用虛擬量測系統針對孔洞的下開口之真圓度的量測值與其預設特徵來建模與測試時,NN與PLS的MAE分別為0.005與0.004um,NN與PLS的95% Max Error分別為0.006與0.011um,小於實際量測(Real Y)兩倍標準差0.01,代表所萃取的預設特徵可用模型預測孔洞的下開口之真圓度。
請參照下表六以及圖21,其中圖21是利用虛擬量測系統針對孔洞下開口之直徑的量測值與其預設特徵來建模所產生之測試結果。如表六以及圖21所示,當利用虛擬量測系統針對孔洞的下開口之直徑的量測值與其預設特徵來建模與測試時,NN與PLS的MAE分別為0.007與0.008um,NN與PLS的95% Max Error分別為0.012與0.012um,小於實際量測(Real Y)兩倍標準差0.017,代表所萃取的預設特徵可用模型預測孔洞的下開口之直徑。
表六、孔洞的下開口之直徑之預測精度表
由本發明實施方式可知,本發明藉由蒐集放電加工機的製程參數(如放電電壓訊號以及放電電流訊號),並依據製程參數建立加工特徵,在從加工特徵中彙整出影響加工精度的預設特徵,進而提供預測系統有效預測加工精度,進而提升加工品質。
另一方面,本發明透過配適分析的方式可從大量樣本資料中擷取適當的資料來代表所對應的加工特徵。而且,透過配適分析的方式,可進一步驗證樣本資料利用其平均數與標準差來代表所對應之加工特徵的可靠性。
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,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
Claims (10)
- 一種用於放電加工機之精度預測的特徵萃取方法:獲取一放電加工機分別處理複數個工件樣本時之複數組製程資料,其中每一該些組製程資料包含一放電電壓訊號以及一放電電流訊號;利用該些組製程資料建立複數個加工特徵;獲取被一量測機台所量測出該些工件樣本之複數個量測值,其中每一該些量測值分別為該放電加工機根據該些製程資料所處理該些工件的量測值;進行一相關性分析步驟,以獲得該些加工特徵與該量測值間之複數個相關係數;以及利用該些相關係數來從該些加工特徵中選出至少一預設加工特徵。
- 一種用於放電加工機之精度預測的特徵萃取方法,包含:獲取一放電加工機分別處理複數個工件樣本時之複數組製程資料,其中每一該些組製程資料包含一放電電壓訊號以及一放電電流訊號;利用該些組製程資料建立複數個加工特徵;蒐集在該放電加工機的操作期間與該些加工特徵相關聯之複數組樣本資料;利用一機率分布法對與每一個加工特徵關聯的該些 樣本資料進行配適分析,以判斷每一個加工特徵的該些樣本資料的一平均數及一標準差是否可代表該加工特徵,進而獲得一判斷結果;獲取被一量測機台所量測出該些工件樣本之複數個量測值,其中每一該些量測值分別為該放電加工機根據該些製程資料所處理該些工件樣本的量測值;進行一相關性分析步驟,以獲得該些加工特徵與該量測值間之複數個相關係數;以及利用該些相關係數來從該些加工特徵中選出至少一預設加工特徵。
- 如申請專利範圍第1或2項所述之用於放電加工機之精度預測的特徵萃取方法,其中利用該些相關係數來從該些加工特徵中選出至少一預設加工特徵的步驟包含選取該些相關係數中具有較大之相關係數的加工特徵為代表,以做為預設加工特徵。
- 如申請專利範圍第2項所述之用於放電加工機之精度預測的特徵萃取方法,其中該機率分布法包含常態分布法、Weibull分布法與Gamma分布法。
- 如申請專利範圍第2項所述之用於放電加工機之精度預測的特徵萃取方法,其中該配適分析分析步驟是比對每一個加工特徵的該些樣本資料是否符合常態分 布,若比對結果為是,則每一個加工特徵的該些樣本資料的平均數及標準差可代表所對應之該加工特徵。
- 如申請專利範圍第2項所述之用於放電加工機之精度預測的特徵萃取方法,其中該配適分析分析步驟是利用P-P圖(probability-probability plot)及Q-Q圖(Quantile-Quantile Plot)比對該機率分布法所產生的分布是否符合一理想分布曲線,若比對結果為是,則每一個加工特徵的該些樣本資料的平均數及標準差可代表所對應之該加工特徵。
- 如申請專利範圍第1或2項所述之用於放電加工機之精度預測的特徵萃取方法,其中該些加工特徵包含一火花頻率、一開路比、一短路比、一平均短路時間、一短路時間標準差、一平均短路電流、一短路電流標準差、一平均延遲時間、一延遲時間標準差、一平均放電峰值電流、一峰值電流標準差、一平均放電時間、一放電時間標準差、一平均放電能量以及一放電能量標準差。
- 如申請專利範圍第1或2項所述之用於放電加工機之精度預測的特徵萃取方法,其中該些量測值包含該些工件樣本之粗糙度量測值。
- 如申請專利範圍第1或2項所述之用於放 電加工機之精度預測的特徵萃取方法,其中該放電加工機係分別對每一該些工件樣本進行鑽孔步驟,且在每一該些工件樣本上形成一孔洞,其中每一該些孔洞具有位於每一該些工件樣本之上表面之一上開口以及位於每一該些工件樣本之下表面之一下開口;其中該些量測值包含該上開口之一直徑的量測值、該上開口之一真圓度的量測值、該下開口之一直徑的量測值、或該下開口之一真圓度的量測值。
- 一種放電加工機之加工精度的預測方法,包含:利用申請專利範圍第1項所述之特徵萃取方法獲得對應每一該些量測值之該至少一預設加工特徵;使用每一該些量測值與對應每一該些量測值之該至少一預設加工特徵,來建立針對每一該些量測值之一預測模型;依據該些製程資料操作該放電加工機來處理一工件,並蒐集在該放電加工機的操作期間與該些製程資料相關聯之該工件的一組偵測資料;轉換該工件之該組偵測資料為至少一組特徵資料;以及輸入該工件之該至少一組特徵資料至該預測模型中,而推估出針對該至少一量測值之該工件的至少一預測精度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/835,425 US10413984B2 (en) | 2016-12-08 | 2017-12-07 | Method for predicting precision of electrical discharge machine |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105140656 | 2016-12-08 | ||
??105140656 | 2016-12-08 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201821192A true TW201821192A (zh) | 2018-06-16 |
TWI628021B TWI628021B (zh) | 2018-07-01 |
Family
ID=63258076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106138337A TWI628021B (zh) | 2016-12-08 | 2017-11-06 | 用於放電加工機之精度預測的特徵萃取方法及預測方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI628021B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI770451B (zh) * | 2019-12-17 | 2022-07-11 | 財團法人金屬工業研究發展中心 | 工作母機加工資訊即時呈現方法與工作母機即時呈現系統 |
TWI791949B (zh) * | 2019-03-15 | 2023-02-11 | 日商住友重機械工業股份有限公司 | 監視裝置、顯示裝置、監視方法及監視程式 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI783796B (zh) * | 2021-11-26 | 2022-11-11 | 財團法人金屬工業研究發展中心 | 跨製程精度監控系統以及跨製程精度監控方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2778358A1 (en) * | 2009-10-21 | 2011-04-28 | Perfect Point Edm Corporation | Spark gap control for electro-discharge machining |
TW201333484A (zh) * | 2012-02-08 | 2013-08-16 | Ind Tech Res Inst | 設備異常的偵測裝置與方法 |
DE112013007277B4 (de) * | 2013-07-26 | 2023-03-02 | Mitsubishi Electric Corporation | Drahtentladungsbearbeitungsvorrichtung |
JP5766755B2 (ja) * | 2013-08-16 | 2015-08-19 | ファナック株式会社 | ワイヤ放電加工機において、回転軸に取り付けた回転工具の回転触れを補正する方法及び、補正する機能を有するワイヤ放電加工機 |
US10022812B2 (en) * | 2014-10-09 | 2018-07-17 | General Electric Company | Methods for the electroerosion machining of high-performance metal alloys |
-
2017
- 2017-11-06 TW TW106138337A patent/TWI628021B/zh active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI791949B (zh) * | 2019-03-15 | 2023-02-11 | 日商住友重機械工業股份有限公司 | 監視裝置、顯示裝置、監視方法及監視程式 |
TWI770451B (zh) * | 2019-12-17 | 2022-07-11 | 財團法人金屬工業研究發展中心 | 工作母機加工資訊即時呈現方法與工作母機即時呈現系統 |
Also Published As
Publication number | Publication date |
---|---|
TWI628021B (zh) | 2018-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10413984B2 (en) | Method for predicting precision of electrical discharge machine | |
TWI628021B (zh) | 用於放電加工機之精度預測的特徵萃取方法及預測方法 | |
CN111354366B (zh) | 一种异常声音检测方法及异常声音检测装置 | |
TWI632968B (zh) | Prediction method of electrical discharge machining accuracy | |
TWI642126B (zh) | 半導體晶圓檢測系統及其方法 | |
CN103645425A (zh) | 一种高压电缆绝缘缺陷局部放电在线监测诊断方法 | |
TW201807413A (zh) | 刀具狀態檢測系統及其方法 | |
CN111331211B (zh) | 电火花小孔加工在线穿透检测方法及其穿透检测系统 | |
TWI641961B (zh) | 設計佈局為主的快速線上缺陷診斷、分類及取樣方法及系統 | |
CN114252749B (zh) | 基于多传感器的变压器局部放电检测方法及装置 | |
CN110568082A (zh) | 一种基于声发射信号的缆索断丝的判别方法 | |
CN103811369A (zh) | 铜连接孔刻蚀不足缺陷在线检测方法 | |
CN114840932B (zh) | 多因数耦合提高tc4钛合金表面粗糙度预测精度的方法 | |
CN104732005A (zh) | 一种端子拉脱力检测方法 | |
CN112233683B (zh) | 一种汽车电动后视镜异响检测方法及检测系统 | |
CN116307938B (zh) | 一种加工中心进给系统健康状态评估方法 | |
CN100481363C (zh) | 开口内底部薄膜剩余厚度的判别方法 | |
TWM550465U (zh) | 半導體晶圓檢測系統 | |
CN109308395B (zh) | 基于lof-knn算法的晶圆级空间测量参数异常识别方法 | |
CN115106615B (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
WO2017024065A1 (en) | Range-based real-time scanning electron microscope non-visual binner | |
CN112582292A (zh) | 用于芯片生产机台的零部件异常自动侦测方法、存储介质、终端 | |
WO2020029155A1 (en) | Method for monitoring circuit breaker and apparaus and internet of things using the same | |
CN111157812A (zh) | 一种基于电磁感应的电力设备故障监测方法 |