TW201924828A - 放電加工精度的預測方法 - Google Patents
放電加工精度的預測方法 Download PDFInfo
- Publication number
- TW201924828A TW201924828A TW106141928A TW106141928A TW201924828A TW 201924828 A TW201924828 A TW 201924828A TW 106141928 A TW106141928 A TW 106141928A TW 106141928 A TW106141928 A TW 106141928A TW 201924828 A TW201924828 A TW 201924828A
- Authority
- TW
- Taiwan
- Prior art keywords
- discharge
- electrical discharge
- accuracy
- discharge machining
- average
- Prior art date
Links
Landscapes
- Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
Abstract
一種放電加工精度的預測方法包括:萃取放電加工機之多個關鍵加工特徵值;將該些關鍵加工特徵值提供自動化伺服器,以建立放電加工精度預測模型;即時感測該放電加工機之多組放電電壓訊號、放電電流訊號及線上預測之電極消耗值作為輸入值,傳送至該放電加工精度預測模型(其含有電極消耗預測模型),即時輸出電極消耗預測值並修正該放電加工精度預測模型;以及即時感測該放電加工機之多組放電電壓訊號、放電電流訊號及線上預測之電極消耗值作為輸入值,並傳送至修正後之放電加工精度預測模型,以即時輸出放電加工精度預測值作為輸出值。
Description
本發明有關於一種放電加工精度的預測方法,特別是關於一種放電加工精度的預測方法,可預測該放電加工精度。
當放電加工機在進行放電加工時,常因為排渣不良、異常短路或電極消耗等因素,造成工件尺寸不如預期及工件表面粗糙度大而導致工件品質不佳。再者,一般的放電加工機無法在加工過程中有效地預測工件的加工精度,只能透過量測設備對加工後的工件進行離線加工精度量測。
為了解決工件加工過程無法立即檢測加工精度的缺失,目前透過一種預測模型,能在放電加工機進行放電加工的過程中,監測實際放電加工感測資訊(例如:放電電壓/電流),來預測工件的加工精度。歷史樣本資料常被用於建構首套預測模型。然後,將預測模型應用於後續之實際應用環境中。
舉例,放電加工透過量測電極消耗以精確計算實際加工深度,並自動進行反覆加工及檢測,以確保精細孔放電加工精度。然而,放電電極消耗量測都是透過離線方式,大幅影響加工設備稼動率。
有鑑於此,便有需要提供一種放電加工精度的預測方法,來解決前述的問題。
本發明的主要目的在於提供一種放電加工精度
的預測方法,其建立或修正放電加工精度預測模型,可預測該放電加工精度。
為達成上述目的,本發明提供一種放電加工精度的預測方法,包括下列步驟:以一建模基底萃取方法萃取一放電加工機之多個關鍵加工特徵值,其中該些關鍵加工特徵值包括一電極消耗值;將該些關鍵加工特徵值提供一自動化伺服器,以建立一放電加工精度預測模型;以一組放電電壓訊號、放電電流訊號及離線量測之電極消耗值,修正該放電加工機之多個關鍵加工特徵值,其中該些關鍵加工特徵值包括該電極消耗值;將修正後之該些關鍵加工特徵值提供該自動化伺服器,以修正該放電加工精度預測模型;以及即時感測該放電加工機之多組放電電壓訊號、放電電流訊號及提供離線量測之電極消耗值作為輸入值,並傳送至修正後之放電加工精度預測模型,以即時輸出至少一放電加工精度預測值作為輸出值。
本發明更提供一種放電加工精度的預測方法,包括下列步驟:以一建模基底萃取方法萃取一放電加工機之多個關鍵加工特徵值,其中該些關鍵加工特徵值包括一電極消耗值;將該些關鍵加工特徵值提供一自動化伺服器,以建立一放電加工精度預測模型;以多組放電電壓訊號、放電電流訊號及線上預測之電極消耗值作為輸入值,傳送至該放電加工精度預測模型(其含有電極消耗預測模型),以即時輸出電極消耗預測值並修正該放電加工機之多個關鍵加工特徵值;將修正後之該些關鍵加工特徵值提供該自動化伺服器,以修正該放電加工精度預測模型;以及即時感測多組放電電壓訊號、放電電流訊號及提供線上預測之電極消耗值作為輸入值,並傳送至修正後之放電加工精度預測模型,以即時輸出至少一放電加工精度預測值作為輸出值。
當使用離線量測之電極消耗值或線上預測之電
極消耗值時,本發明主要是可建立或修正預測模型,以完成放電加工精度的預測方法,透過資料前處理技術,找出對應建立後或修正後之預測模型及其輸入值及輸出值的相對應性,以達到放電加工精度預測。由於放電加工製程產品的精度,會直接受到即時放電電極尺寸外觀的影響,若以離線量測又會影響放電加工設備稼動率。本發明之放電加工精度的預測方法可以有效解決既有放電加工的精度預測能力不足的問題,來達到精度預測能力有效提升。
為了讓本發明之上述和其他目的、特徵和優點能更明顯,下文將配合所附圖示,作詳細說明如下。
200‧‧‧放電加工精度的預測系統
210‧‧‧放電加工機
211‧‧‧主軸
211a‧‧‧電極
212‧‧‧控制器
220‧‧‧資料處理模組
221‧‧‧控制回授單元
222a‧‧‧影像感測器
222‧‧‧感測單元
223‧‧‧處理單元
300‧‧‧量測機台
400‧‧‧自動化伺服器
A1、A2‧‧‧電極消耗面積
d1、d2‧‧‧軸向消耗值
P1‧‧‧工件
S10~S20‧‧‧步驟
S110~S150‧‧‧步驟
S210~S220‧‧‧步驟
S310~S330‧‧‧步驟
S410~S430‧‧‧步驟
w1、w2‧‧‧徑向消耗值
圖1為本發明之一實施例之放電加工精度的預測系統的結構示意圖;圖2a為本發明之一實施例之建立預測模型之方法的方塊示意圖;圖2b顯示本發明之一實施例之建立預測模型之方法的步驟流程圖;圖2c為本發明之一實施例之建模基底萃取方法的步驟流程圖;圖3為本發明之放電加工機之加工電極特徵的示意圖;圖4a為本發明之一實施例之放電加工精度預測模型之輸入輸出的方塊示意圖;圖4b為本發明之一實施例之放電加工精度的預測方法之流程示意圖。
圖5為本發明之另一實施例之第一類型放電加工精度預測模型之修正方法方塊示意圖;圖6為本發明之另一實施例之第一類型放電加工精度的預測方法的步驟流程示意圖;圖7為本發明之另一實施例之第二類型放電加工精度預測模型之修正方法的方塊示意圖;以及圖8顯示本發明之另一實施例之第二類型放電加工精度的預測方法的步驟流程示意圖。
請先參考圖1,其顯示本發明之一實施例之放電加工精度的預測系統的結構示意圖。本實施例之放電加工精度的預測系統200包括一放電加工機210以及一資料處理模組220訊息連接該放電加工機210。該放電加工機210具有一主軸211,且該主軸211設有一電極211a,透過該電極211a可對一工件P1加工。該資料處理模組220包括一控制回授單元221、一感測單元222以及一處理單元223。該控制回授單元221主要用來感測距離訊號,作為判斷該感測單元222是否要擷取該放電加工機210在線上加工時之製程資料(該製程資料主要包括電極消耗值、放電電壓訊號及放電電流訊號)。該處理單元223則可根據該感測單元222所擷取的該製程資料建立多個加工特徵,並可根據一量測機台300所處理的不同量測項目的量測值(該些量測值是指該放電加工機加工處理該工件品質的量測值),再從該些加工特徵中彙整出與加工精度有關的關鍵加工特徵值,以提供給一自動化伺服器400並建立一放電加工精度預測模型,來預測該放電加工機210之加工精度。舉例,該自動化伺服器400是以類神經網路
(Neural Network,NN)方法與迴歸分析(Regression Analysis)方法(例如部分最小平方法PLS)而建立該放電加工精度預測模型。欲陳明者,本實施例使用的預測模型可為如專利號TW 1349867所揭示之自動化伺服器所建立之加工精度預測模型,但此並非用以限制本發明。
圖2a顯示本發明之一實施例之建立預測模型之方法的方塊示意圖。先提供放電電壓訊號、放電電流訊號及電極消耗值,然後利用建模基底萃取方法,最後建立預測模型。圖2b顯示本發明之一實施例之建立預測模型之方法的步驟流程圖。該建立預測模型之方法包括下列步驟:在步驟S10中,以一建模基底萃取方法萃取一放電加工機之多個關鍵加工特徵值,其中該些關鍵加工特徵值包括一電極消耗值;以及,在步驟S20中,將該些關鍵加工特徵值提供一自動化伺服器,以建立一放電加工精度預測模型。
圖2c顯示本發明之一實施例之建模基底萃取方法之步驟流程圖。本實施例之建模基底萃取方法主要是蒐集放電加工機放電過程中的製程資料(例如電極消耗值、放電電壓訊號及放電電流訊號),然後根據這些製程資料建立出多個加工特徵,並應用資料前處理技術(Data Pre-Processing Technology)從這些加工特徵中萃取出可用於推估加工精度之關鍵加工特徵值。這些彙整出的關鍵加工特徵值主要可提供給該自動化伺服器,以建立該放電加工精度預測模型,用來預測放電加工機之加工精度。
請再參考圖2c及圖1,本實施例之建模基底萃取方法包括如下步驟。首先,進行步驟S110,根據預定之加工指令與工件特性,以該放電加工機210分別加工處理多個工件P1而獲取多組製程資料。在一實例中,每一組製程資料主要包括電極消耗值訊號、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,利用高壓探棒以及電流勾表來感測放電加工機210之放電電壓以及放電電流。再者,可利用一影像感測器222a量測電極消耗值(圖1所示)。請參考圖3,該電極消耗值可為一電極211a之頭部邊緣的消耗程度,例如電極211a之頭部邊緣的軸向消耗值d1、d2、徑向消耗值w1、w2及電極消耗面積A1、A2。
在獲取該放電加工機210之製程資料後,進行步驟S120,以利用該些製程資料建立多個加工特徵。在本實施例中,可應用資料前處理技術從電極消耗值、放電電壓訊號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。在本實施例中,加工特徵包括電極消耗值、放電頻率、開路比、短路比、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、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,平均延遲時間與短路比是從放電電壓訊號所建立。其中,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。短路比(Short circuit ratio)的定義為短路脈衝(short circuit pulse,SCP)數除以放電脈衝數,其中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時,則該次的放電脈衝期間則紀錄為一次短路脈衝。
在加工特徵中,放電頻率、平均放電峰值電流以及平均放電時間是從放電電流訊號所建立。其中,平均放電頻率(Average spark frequency)的定義為在一脈衝時間內,
若其該次電流波峰值超過最小門檻峰值,則定義為出現電流火花,而放電頻率定義為取樣期間內出現火花的總數。平均放電峰值電流(Average peak discharge current)定義為在取樣期間內,所有放電峰值電流(peak current)的平均數。其中,峰值電流為脈衝期間內,通過電極到達工件的大電流值。平均放電電流脈衝持續時間(Average discharge current pulse duration)定義為在取樣期間內,所有電流脈衝持續時間的平均值。其中,電流脈衝持續時間為放電電流波形開始點到結束點間的時間差。
在加工特徵中,平均短路時間、開路比、平均放電能量以及平均短路電流則是根據放電電流訊號以及放電電壓訊號所共同建立。其中,平均短路時間與短路持續時間有關,且短路持續時間(Short circuit duration)定義為當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,則短路持續時間為多次連續短路期間內,第一個短路峰(short circuit peak)到最後一個短路脈衝峰的時間差。開路比是定義為取樣期間內,開路次數除以放電脈衝總數。其中,在某一脈衝時間內,當電壓峰結束時,並沒有跟著電流峰上升時,即稱之為開路(Open circuit)。若發生開路時,則代表一電壓峰(Ignition Voltage)未能導引出後續電流峰(Discharge Current),此電壓峰即為無效脈衝。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(E)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。
欲陳明者,根據前述揭露內容,短路時間標準差、短路電流標準差、延遲時間標準差、峰值電流標準差、
放電時間標準差以及放電能量標準差之標準差值的計算方式為本發明所屬技術領域中之具有通常知識者所熟知,故在此不再贅述。
請再參考圖2c,在建立多個加工特徵後,可進行步驟S130,獲取該量測機台量測該些工件之多組量測值,其中每一組量測值分別為該放電加工機加工處理該工件品質的量測值。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,本實施例是以盲孔加工為例,透過電極對工件進行鑽孔的方式在工件形成盲孔洞,且每一盲孔洞具有位於工件上表面之上開口。本實施例之量測項目為每一盲孔洞的幾何和尺寸精度,分別為盲孔洞底面之粗糙度、上開口之真圓度、上開口之尺寸、盲孔底圓之真圓度以及盲孔底圓之尺寸,且每個量測項目分別具有對應之量測值。該量測機台300對工件P1進行上述量測項目的量測而取得對應之量測值。
在獲取量測值後,接著進行步驟S140,進行相關性分析步驟,以獲得該些加工特徵與該些量測值間之多個相關性數值。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是用以指出第i個工件,X代表加工特徵,代表加工特徵群的平均值,Y代表不同量測項目的量測值,代表不同量測項目的量測值之平均值。
在找出加工特徵與量測值間之相關性數值後,接著進行步驟S150,從相關性數值中選取具有較大之相關性數值的加工特徵,作為多個關鍵加工特徵值。其中,本實施
例是選取相關性數值絕對值大於0.3的加工特徵。
以下說明利用本實施例所彙整出之與不同量測項目之量測值相關的關鍵加工特徵值。當量測值為工件之底面粗糙度的量測值時,關鍵加工特徵值包括電極消耗值、放電頻率、短路比、平均短路時間、平均短路電流、平均延遲時間、延遲時間標準差、平均放電峰值電流、平均放電時間、平均放電能量以及放電能量標準差。
當量測值為工件之盲孔洞的上開口直徑的量測值時,關鍵加工特徵值包括電極消耗值、放電頻率、短路比、平均短路時間、平均短路電流、平均延遲時間、延遲時間標準差、平均放電峰值電流、平均放電時間、平均放電能量以及放電能量標準差。當量測值為工件之盲孔洞的上開口之真圓度的量測值時,關鍵加工特徵值包括電極消耗值、開路比、短路比、平均短路時間、平均短路電流、平均放電峰值電流、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。
當量測值為工件之盲孔底圓之直徑的量測值時,關鍵加工特徵值包括電極消耗值、開路比、短路比、平均短路時間、平均短路電流、平均延遲時間、延遲時間標準差、平均放電峰值電流、平均放電時間、平均放電能量以及放電能量標準差。當量測值為工件之盲孔底圓之真圓度的量測值時,關鍵加工特徵值包括電極消耗值、放電頻率、開路比、短路比、平均延遲時間、延遲時間標準差、平均放電峰值電流、峰值電流標準差、放電時間標準差、平均放電能量以及放電能量標準差。
藉此,透過將所萃取出之關鍵加工特徵值匯人自動化伺服器的資料庫中,以建立模型基底並進行放電加工精度預測模型訓練,進而預測加工精度。
舉例,先利用自動化伺服器針對盲孔洞底面之粗
糙度的量測值與其關鍵加工特徵值來建模與測試。其中,本實施例是以類神經網路(Neural Network,NN)方法與迴歸分析(Regression Analysis)方法(例如部分最小平方法PLS)作為建立精度預測模型,來預測孔洞底面之粗糙度。預測結果如下表一所示,從表一可觀察到NN與PLS的平均絕對誤差(Mean Absolutely Error,MAE)分別為0.633與0.556μm,NN與PLS的95% Max Error分別為0.597與0.524μm,小於實際量測(Real Y)兩倍標準差1.501μm,代表以所萃取的關鍵加工特徵值可使用此兩種模型預測孔洞底面之粗糙度。
又如下表二所示,當利用自動化伺服器針對盲孔底圓之真圓度的量測值與其關鍵加工特徵值來建模與測試時,NN與PLS的MAE分別為0.005與0.005mm,NN與PLS的95% Max Error分別為0.01與0.011mm,小於實際量測(Real Y)兩倍標準差0.015,代表所萃取的關鍵加工特徵值可使用模型預測盲孔底圓之真圓度。
圖4a顯示本發明之一實施例之放電加工精度預測模型之輸入輸出的方塊示意圖。先提供放電電壓訊號及放電電流訊號,然後利用建立後之預測模型,最後進行放電加工精度預測。圖4b顯示本發明之一實施例之放電加工精度的預測方法之流程示意圖。該放電加工精度的預測方法包括下列步驟:在步驟S210中,提供建立後之放電加工精度預測模型。在步驟S220中,即時感測該放電加工機之多組放電電壓訊號及放電電流訊號作為輸入值,並傳送至該放電加工精度預測模型,以即時輸出至少一放電加工精度預測值作為輸出值,例如工件之盲孔洞底面之粗糙度、上開口之真圓度、上開口之尺寸、盲孔底圓之真圓度以及盲孔底圓之尺寸的預測值。
圖5顯示本發明之另一實施例之第一類型放電加工精度預測模型之修正方法的方塊示意圖。先提供放電電壓訊號、放電電流訊號及離線量測之電極消耗值,然後修正預測模型,最後進行放電加工精度預測。圖6顯示本發明之另一實施例之第一類型放電加工精度的預測方法的步驟流程示意圖。該放電加工精度的預測方法更包括下列步驟:在步驟S310中,以一組放電電壓訊號、放電電流訊號及離線量測之電極消耗值,修正該放電加工機之多個關鍵加工特徵值。請再參考圖3,該離線量測之電極消耗值可為一電極211a之頭部邊緣的消耗程度,例如電極211a的軸向消耗值d1、d2、徑向消耗值w1、w2及電極消耗面積A1、A2。在步驟S320中,將該些修正後之關鍵加工特徵值提供該自動化伺服器,以類神經網路方法與迴歸分析方法修正該放電加工精度預測模型。在步驟S330中,即時感測該放電加工機之多組放電電壓訊號、放電電流訊號及提供離線量測之電極消耗值作為輸入值,並傳送至修正後之放電加工精度預測模型,以即時輸出至少一放電加工精度預測值作為輸出值,例如工件之盲孔
洞底面之粗糙度、上開口之真圓度、上開口之尺寸、盲孔底圓之真圓度以及盲孔底圓之尺寸的預測值。在本實施例中,本發明使用了離線量測之電極消耗值修正放電加工精度預測模型,再將放電電壓訊號、放電電流訊號及離線量測之電極消耗值輸入至修正後之放電加工精度預測模型。本發明以電極消耗影像分析輔助,可整合離線量測電極消耗影像,修正預測模型可提升原有放電加工精度預測能力。
圖7顯示本發明之另一實施例之第二類型放電加工精度預測模型之修正方法的方塊示意圖。先提供放電電壓訊號、放電電流訊號及線上預測之電極消耗值,然後修正預測模型,最後進行放電加工精度預測。圖8顯示本發明之另一實施例之第二類型放電加工精度的預測方法的步驟流程示意圖。該放電加工精度的預測方法更包括下列步驟:在步驟S410中,以多組放電電壓訊號、放電電流訊號及線上預測之電極消耗值作為輸入值,傳送至該放電加工精度預測模型(其含有電極消耗預測模型),以即時輸出線上預測之電極消耗值並修正該放電加工機之多個關鍵加工特徵值(例如採用擬合正則化分類方法或採用羅吉斯(Glmnet)迴歸模型)。請再參考圖3,該線上預測之電極消耗值可為一電極211a之頭部邊緣消耗程度的預測值,例如電極211a之頭部邊緣的軸向消耗d1、d2、徑向消耗w1、w2及電極消耗面積A1、A2。在步驟S420中,將修正後之該些關鍵加工特徵值提供該自動化伺服器,以類神經網路方法與迴歸分析方法修正該放電加工精度預測模型。在步驟S430中,即時感測多組放電電壓訊號、放電電流訊號及提供線上預測之電極消耗值作為輸入值,並傳送至修正後之放電加工精度預測模型,以即時輸出至少一放電加工精度預測值作為輸出值,例如工件之盲孔洞底面之粗糙度、上開口之真圓度、上開口之尺寸、盲孔底圓之真圓度以及盲孔底圓之尺寸的預測值。在本實施例中,本發明使用
了線上預測之電極消耗值修正放電加工精度預測模型,再將放電電壓訊號、放電電流訊號及線上預測之電極消耗值輸入至修正後之放電加工精度預測模型。本發明線上預測該電極消耗值,將可以大幅減少電極離線量測時間,以增加該放電加工機之稼動率及整體加工預測精度提升。
當使用離線量測之電極消耗值或線上預測之電極消耗值時,本發明主要是可建立或修正預測模型,以完成放電加工精度的預測方法,透過資料前處理技術,找出對應建立後或修正後之預測模型及其輸入值及輸出值的相對應性,以達到放電加工精度預測。由於放電加工製程產品的精度,會直接受到即時放電電極尺寸外觀的影響,若以離線量測又會影響放電加工設備稼動率。本發明之放電加工精度的預測方法可以有效解決既有放電加工的精度預測能力不足的問題,來達到精度預測能力有效提升。
請再參考圖1,在再一實施例中,控制回授單元221可為雷射測距裝置,且設置在主軸211上。藉此,該感測單元222可透過雷射測距裝置感測電極211a的位置來選擇是否要擷取放電加工機210之製程資料(即電極消耗值、放電電壓訊號及放電電流訊號)。舉例而言,透過雷射測距裝置判斷主軸211的移動方向是否為進給方向,若判斷結果為是,則代表主軸211正在進給加工中,故感測單元222可進一步取得加工時之製程資料。相反地,若判斷結果為否,感測單元222則不需要擷取製程資料。由此可知,透過控制回授單元221可有效地篩選感測單元222擷取之所需資料量。在其他實施例中,控制回授單元221亦可為光學尺。或者,感測單元222亦可直接從放電加工機210之控制器212中得知主軸211的座標位置,來判斷是否要擷取相關製程資料,同樣可達到篩選感測單元222擷取之所需資料量之目的。
綜上所述,乃僅記載本發明為呈現解決問題所採用的技術手段之實施方式或實施例而已,並非用來限定本發明專利實施之範圍。即凡與本發明專利申請範圍文義相符,或依本發明專利範圍所做的均等變化與修飾,皆為本發明專利範圍所涵蓋。
Claims (10)
- 一種放電加工精度的預測方法,包括下列步驟:以一建模基底萃取方法萃取一放電加工機之多個關鍵加工特徵值,其中該些關鍵加工特徵值包括一電極消耗值;將該些關鍵加工特徵值提供一自動化伺服器,以建立一放電加工精度預測模型;以及即時感測該放電加工機之多組放電電壓訊號及放電電流訊號作為輸入值,並傳送至建立後之放電加工精度預測模型,以即時輸出至少一放電加工精度預測值作為輸出值。
- 如申請專利範圍第1項所述之放電加工精度的預測方法,更包括下列步驟:以一組放電電壓訊號、放電電流訊號及離線量測之電極消耗值,修正該放電加工機之多個關鍵加工特徵值;將修正後之該些關鍵加工特徵值提供該自動化伺服器,以修正該放電加工精度預測模型;以及即時感測該放電加工機之多組放電電壓訊號、放電電流訊號及提供離線量測之電極消耗值作為輸入值,並傳送至修正後之放電加工精度預測模型,以即時輸出至少一放電加工精度預測值作為輸出值。
- 如申請專利範圍第1項所述之放電加工精度的預測方法,更包括下列步驟:以多組放電電壓訊號、放電電流訊號及線上預測之電極消耗值作為輸入值,傳送至該放電加工精度預測模型,該放電加工精度預測模型含有一電極消耗預測模型,以即時輸出線上預測之電極消耗值並修正該放電加工機之多個關鍵加工特徵值;將修正後之該些關鍵加工特徵值提供該自動化伺服器,以修正該放電加工精度預測模型;以及 即時感測多組放電電壓訊號、放電電流訊號及提供線上預測之電極消耗值作為輸入值,並傳送至修正後之放電加工精度預測模型,以即時輸出至少一放電加工精度預測值作為輸出值。
- 如申請專利範圍第1項所述之放電加工精度的預測方法,其中萃取一放電加工機之多個關鍵加工特徵值的步驟,包括:以該放電加工機分別處理多個工件而獲取多組製程資料,其中每一組製程資料包括一電極消耗值、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多個加工特徵;獲取一量測機台量測該些工件之多個量測值,其中每一量測值分別為該放電加工機根據該些製程資料所加工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些量測值間之多個相關性數值;以及從該些相關性數值中選取具有較大之相關性數值的加工特徵,作為該些關鍵加工特徵值。
- 如申請專利範圍第4項所述之放電加工精度的預測方法,其中選取該些相關性數值中具有較大之相關性數值的加工特徵的步驟是選取相關性數值絕對值大於0.3的加工特徵。
- 如申請專利範圍第4項所述之放電加工精度的預測方法,其中該些加工特徵包括該電極消耗值、一放電頻率、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6項所述之放電加工精度的預測方法,其中該量測值為該些工件之粗糙度量測值,且該些關鍵加工特徵值包括該電極消耗值、一放電頻率、一短路比、一平均短路時間、一平均短路電流、一平均延遲時間、一延遲時間標準差、一平均放電峰值電流、一平均放電時間、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6項所述之放電加工精度的預測方法,其中:該放電加工機分別對每一該些工件進行鑽孔步驟,且在每一該些工件上形成一盲孔洞,其中每一該些盲孔洞具有位於每一該些工件之上表面之一上開口以及盲孔底圓;其中該量測值為該上開口之尺寸的量測值,且該些關鍵加工特徵值包括該電極消耗值、一放電頻率、一短路比、一平均短路時間、一平均短路電流、一平均延遲時間、一延遲時間標準差、一平均放電峰值電流、一平均放電時間、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6項所述之放電加工精度的預測方法,其中:該放電加工機分別對每一該些工件進行鑽孔步驟,且在每一該些工件上形成一盲孔洞,其中每一該些盲孔洞具有位於每一該些工件之上表面之一上開口以及盲孔底圓;其中該量測值為該盲孔底圓之尺寸的量測值,且該些關鍵加工特徵值包括該電極消耗值、一開路比、一短路比、一平均短路時間、一平均短路電流、一平均延遲時間、一延遲時間標準差、一平均放電峰值電流、一平均放電時間、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項所述之放電加工精度的預測方法,其中該電極消耗值為一電極之頭部邊緣的軸向消耗值、徑向消耗值及電極消耗面積。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106141928A TWI632968B (zh) | 2017-11-30 | 2017-11-30 | Prediction method of electrical discharge machining accuracy |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106141928A TWI632968B (zh) | 2017-11-30 | 2017-11-30 | Prediction method of electrical discharge machining accuracy |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI632968B TWI632968B (zh) | 2018-08-21 |
TW201924828A true TW201924828A (zh) | 2019-07-01 |
Family
ID=63959673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106141928A TWI632968B (zh) | 2017-11-30 | 2017-11-30 | Prediction method of electrical discharge machining accuracy |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI632968B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220168834A1 (en) * | 2020-11-30 | 2022-06-02 | Metal Industries Research & Development Centre | Online prediction method of tool-electrode consumption and prediction method of machining accuracy |
TWI778460B (zh) * | 2020-11-27 | 2022-09-21 | 財團法人金屬工業研究發展中心 | 加工電極消耗的線上預測方法與加工精度的預測方法 |
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 |
---|---|---|---|---|
TWI796014B (zh) * | 2021-11-26 | 2023-03-11 | 財團法人金屬工業研究發展中心 | 電化學加工製程精度監控系統及其方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI228438B (en) * | 2003-12-31 | 2005-03-01 | Ind Tech Res Inst | Automatic electric-discharge-machining program generation device with stage by stage parameter adjustment |
DE112004002662B4 (de) * | 2004-01-29 | 2016-10-13 | Mitsubishi Denki K.K. | Elektrizitätsentladungsbearbeitungsvorrichtung |
ES2412829T3 (es) * | 2005-08-01 | 2013-07-12 | Agie Charmilles Sa | Método y generador para mecanizado por descarga eléctrica |
TWI335847B (en) * | 2007-01-23 | 2011-01-11 | Ind Tech Res Inst | Method for detecting and compensating electrode wear of electric dischage macnining |
WO2011050186A2 (en) * | 2009-10-21 | 2011-04-28 | Perfect Point Edm Corporation | Spark gap control for electro-discharge machining |
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 |
CN104439572B (zh) * | 2013-09-13 | 2017-09-12 | 通用电气公司 | 电腐蚀加工系统和方法 |
-
2017
- 2017-11-30 TW TW106141928A patent/TWI632968B/zh active
Cited By (4)
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 |
TWI778460B (zh) * | 2020-11-27 | 2022-09-21 | 財團法人金屬工業研究發展中心 | 加工電極消耗的線上預測方法與加工精度的預測方法 |
US20220168834A1 (en) * | 2020-11-30 | 2022-06-02 | Metal Industries Research & Development Centre | Online prediction method of tool-electrode consumption and prediction method of machining accuracy |
US11904399B2 (en) | 2020-11-30 | 2024-02-20 | Metal Industries Research & Development Centre | Online prediction method of tool-electrode consumption and prediction method of machining accuracy |
Also Published As
Publication number | Publication date |
---|---|
TWI632968B (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI632968B (zh) | Prediction method of electrical discharge machining accuracy | |
US10413984B2 (en) | Method for predicting precision of electrical discharge machine | |
TWI481978B (zh) | 工具機之加工品質的預測方法 | |
Zhou et al. | Tool wear monitoring using acoustic emissions by dominant-feature identification | |
CN105302123B (zh) | 在线测量数据的监控方法 | |
US8372252B2 (en) | Method for setting a distance between an electrode and a workpiece | |
US11940357B2 (en) | System for predicting anomalies of machining | |
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 | |
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 | |
CN113916983B (zh) | 用于检测铺粉式金属3d打印设备刮刀损伤的装置 | |
Caggiano et al. | Advanced sensor signal feature extraction and pattern recognition for wire EDM process monitoring | |
CN114840932A (zh) | 多因数耦合提高tc4钛合金表面粗糙度预测精度的方法 | |
Goswami et al. | Support vector machine regression for predicting dimensional features of die-sinking electrical discharge machined components | |
CN117428291A (zh) | 基于声谱图特性分析的焊缝熔宽定量方法 | |
CN116307938B (zh) | 一种加工中心进给系统健康状态评估方法 | |
JP2007157781A (ja) | 部品不良判別装置、部品不良判別方法、部品不良判別用プログラム、および部品不良判別用プログラムを記録した記録媒体 | |
CN115106615B (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
CN111065106A (zh) | 移动通信网络中基于异常检测和核密度估计(kde)的指标突变小区检测方法 | |
TWI778460B (zh) | 加工電極消耗的線上預測方法與加工精度的預測方法 | |
Kayabaşi et al. | On-line surface roughness prediction by using a probabilistic approach for end-milling | |
US20220168834A1 (en) | Online prediction method of tool-electrode consumption and prediction method of machining accuracy | |
KR20120128251A (ko) | 문제 검출 방법 | |
CN114877821B (zh) | 一种pcb板的背钻深度检测系统及方法 | |
TWI783796B (zh) | 跨製程精度監控系統以及跨製程精度監控方法 | |
Yang et al. | Development of intelligent sensing unit for micro-electrical discharge machining |