TW202146878A - 機台主軸跑合預檢方法及電腦可讀媒介 - Google Patents
機台主軸跑合預檢方法及電腦可讀媒介 Download PDFInfo
- Publication number
- TW202146878A TW202146878A TW109118311A TW109118311A TW202146878A TW 202146878 A TW202146878 A TW 202146878A TW 109118311 A TW109118311 A TW 109118311A TW 109118311 A TW109118311 A TW 109118311A TW 202146878 A TW202146878 A TW 202146878A
- Authority
- TW
- Taiwan
- Prior art keywords
- spindle
- running
- machine
- checking
- check
- Prior art date
Links
Images
Landscapes
- General Factory Administration (AREA)
Abstract
本發明揭露一種機台主軸跑合預檢方法,係透過代理模組收集機台主軸跑合時的量測參數,以由資料前處理分析模組運用前處理技術篩除量測參數中的無效原始資料;其次,使用機器學習技術建立主軸跑合預檢模型,以利用主軸跑合預檢模型對量測參數中之有效初始資料進行分析,俾在機台主軸跑合的測試期間對機台主軸進行異常檢測,進而提供異常主軸診斷結果。同時,同步參考機台主軸跑合時的品管評分結果,以將品管評分結果回饋至主軸跑合預檢模型,進而校正預檢參數。本發明另提供一種用於機台主軸跑合預檢方法的電腦可讀媒介。
Description
本發明是關於一種機台主軸跑合預檢技術,特別是指一種機台主軸跑合預檢方法及電腦可讀媒介。
機台主軸是精密機台(如工具機)及類似設備的主軸,它保證精密機台的工作精度和使用性能。同時,機台主軸在組裝完成後,需歷經機台主軸的跑合測試,以檢測機台主軸的運轉狀態,如運轉效能、轉速、加速度、溫度、跑合時間等。
然而,習知當機台主軸的跑合測試遇有異常問題時,通常仍持續進行到測試結束(通常需要24-120小時),再仰賴人工作業經驗判定後回製程進行重組與檢驗再測試,因而增加生產成本與影響出貨時程。
因此,如何提供一種新穎或創新之機台主軸跑合預檢技術,以較有效或快速地解決機台主軸跑合測試時的異常問題,實已成為本領域技術人員之一大研究課題。
本發明提供一種新穎或創新之機台主軸跑合預檢方法及電腦可讀媒介,能較快速或有效地解決機台主軸跑合測試時的異常問題。
本發明之機台主軸跑合預檢方法包括:透過代理(agent)模組收集機台主軸跑合時的量測參數,以由資料前處理分析模組運用前處理技術篩除代理模組所收集之量測參數中的無效原始資料;以及使用機器學習技術建立主軸跑合預檢模型,以利用機器學習技術所建立的主軸跑合預檢模型對量測參數中之有效初始資料進行分析,俾依據經分析之有效初始資料在機台主軸跑合的測試期間對機台主軸進行異常檢測,進而提供異常主軸診斷結果。
在一實施例中,在對機台主軸進行異常檢測以提供異常主軸診斷結果時,更同步參考機台主軸跑合時的品管評分結果,以將品管評分結果回饋至主軸跑合預檢模型,俾依據品管評分結果校正主軸跑合預檢模型的預檢參數。
本發明復提供一種電腦可讀媒介,應用於計算裝置或電腦中,係儲存有指令,以執行前述之機台主軸跑合預檢方法。
為讓本發明之上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明。在以下描述內容中將部分闡述本發明之額外特徵及優點,且此等特徵及優點將部分自所述描述內容可得而知,或可藉由對本發明之實踐習得。應理解,前文一般描述與以下詳細描述二者均僅為例示性及解釋性的,且不欲約束本發明所欲主張之範圍。
1:機台主軸跑合裝置
10:機台主軸
11:前軸
12:後軸
21:轉速感測器
22:加速規感測器
23:渦電流感測器
24:前軸溫度感測器
25:後軸溫度感測器
31:皮帶輪
32:皮帶
33:馬達
S10至S20、S21至S24、S41至S45:步驟
S51至S55、S61至S65、S71至S76:步驟
第1圖為本發明之機台主軸跑合預檢方法中,關於主軸跑合預檢的流程示意圖;
第2圖為本發明之機台主軸跑合預檢方法中,關於主軸跑合預檢的另一流程示意圖;
第3圖為本發明之機台主軸跑合預檢方法中,關於機台主軸跑合裝置與量測參數的示意圖;
第4圖為本發明之機台主軸跑合預檢方法中,關於主軸跑合感測器資訊與預檢結果關連性分析的流程示意圖;
第5圖為本發明之機台主軸跑合預檢方法中,關於主軸跑合運轉效能預檢的流程示意圖;
第6圖為本發明之機台主軸跑合預檢方法中,關於預測式主軸品質診斷的流程示意圖;以及
第7圖為本發明之機台主軸跑合預檢方法中,關於主軸跑合時間預測的流程示意圖。
以下藉由特定的具體實施形態說明本發明之實施方式,熟悉此技術之人士可由本說明書所揭示之內容了解本發明之其他優點與功效,亦可因而藉由其他不同的具體等同實施形態加以施行或運用。
本發明之機台主軸跑合預檢方法係透過代理模組收集機台主軸跑合時的量測參數,再由資料前處理分析模組運用前處理技術(如資料
品質指標偵測、主成份分析等),以篩除代理模組所收集之量測參數中的無效原始資料。接著,使用機器學習技術建立主軸跑合預檢模型,以利用機器學習技術所建立的主軸跑合預檢模型對經分析之有效初始資料(有效的量測參數)進行分析,俾依據經分析之有效初始資料(有效的量測參數)在機台主軸跑合的測試期間對機台主軸進行異常檢測,進而提供異常主軸診斷結果。同時,在對機台主軸進行異常檢測以提供異常主軸診斷結果時,為強化主軸跑合預檢模型的可信度,可同步參考機台主軸跑合時的品管(Quality Control,QC)評分結果,以將品管評分結果回饋至主軸跑合預檢模型,俾依據品管評分結果校正主軸跑合預檢模型的預檢參數。因此,本發明能解決習知當機台主軸的跑合測試遇有異常問題時,通常仍持續進行到測試結束(通常需要24-120小時),再仰賴人工作業經驗判定後回製程進行重組與檢驗再測試,因而增加生產成本與影響出貨時程。又,本發明於機台主軸跑合期間預測主軸品質診斷結果的方法,其可減少異常主軸的跑合測試時間與人工檢測成本達80%以上,藉以更有效或快速地解決機台主軸跑合測試時的異常問題。
本發明之機台主軸跑合預檢方法可包括主軸跑合感測器資訊與預檢結果關連性分析、主軸跑合預檢參數校正學習、主軸跑合測試之運轉效能預測、主軸跑合時間預測、預測式主軸品質診斷等方法,且這些方法之技術內容如下所述。
主軸跑合感測器資訊與預檢結果關連性分析方法係包括:(1)透過異常主軸的跑合測試以收集主軸的量測參數,異常主軸可包括軸承損壞、潤滑不足、組裝瑕疵、動平衡不佳、軸不對心、軸彎曲、軸承螺絲鬆
動、齒輪損壞、油震、轉子不平衡等,且量測參數可包括主軸的轉速、加速規(如時域之X、Y、Z方向的加速度及頻域的dB值)、渦電流(如前軸或後軸之X、Y、Z方向的位移量)、前軸溫度、後軸溫度、環境溫度、開始時間、結束時間等。(2)建立感測器資訊(如轉速、震動頻譜、溫度...)與保養/故障預測的關聯性資料。(3)透過監督式學習(Supervised Learning)方法建立初始的主軸跑合預檢模型,以預測主軸跑合運轉時可能發生的異常狀態或正常主軸跑合的完成時間,且此監督式學習方法可為人工智慧(AI)監督式學習方法。因此,本發明可大幅減少主軸跑合測試時間,以顯著解決主軸跑合測試長期存在費時且需經專業人工依經驗檢測異常原因之技術問題。
主軸跑合預檢參數校正學習方法係包括:(1)依據該主軸跑合時的感測器資訊與預檢結果的關連性分析,以建立初始有標籤(如Yo,判定結果之故障原因或正常)的樣本(如Xi,感測器資訊)的資料庫。(2)透過監督式學習方法建立初始的主軸跑合預檢模型。(3)收集生產線的機台主軸跑合時的感測器參數(如Xi,預檢測試的樣本)。(4)透過主軸跑合預檢模型依據感測器參數判定預檢結果(如Yo)。(5)經由生產線的品管單位判定預檢結果後,即可新增一組有標籤(如Yo)的樣本(如Xi)於資料庫。因此,本發明能透過累積有標籤的樣本數來校正主軸跑合預檢模型的預檢參數,以持續強化主軸跑合預檢模型的準確性,並縮短品管檢驗時間與加速異常檢修。
主軸跑合測試之運轉效能預測方法係包括:(1)建立主軸跑合結果之運轉效能等級評分機制,如正常與可能異常原因之等級。(2)建立初始有標籤(如Yo,效能等級評分)的樣本(如Xi,感測器資訊)的資料庫與主軸跑合預檢模型。(3)收集生產線的機台主軸跑合時的感測器參數(如Xi,預
檢測試的樣本),以利用感測器參數經由主軸跑合預檢模型進行運轉效能等級評分。(4)依據生產線對機台主軸跑合時的品管評分結果新增一組有標籤(如Yo)的樣本(如Xi)於資料庫。(5)將品管評分結果回饋至主軸跑合預檢模型,以依據品管評分結果校正主軸跑合預檢模型的預檢參數。因此,本發明能達成主軸跑合測試之運轉效能的評分功能,以解決品管對主軸測試之運轉效能等級的管控問題,並可作為售後服務的機台預知保養與檢修參考。
主軸跑合時間預測方法係包括:(1)持續收集生產線的主軸跑合測試的感測器資訊(如轉速、加速規、前軸溫度、後軸溫度等)與跑合時間。(2)建立有標籤(如Yo,跑合時間)的樣本(如Xi,感測器資訊)的資料庫與主軸跑合時間預測模型。(3)經由持續收集生產線的主軸跑合測試結果以不斷地增加有效的樣本數,再將有效的樣本數回饋至主軸跑合時間預測模型,以依據有效的樣本數校正主軸跑合預檢模型的預檢參數。因此,本發明能達成生產線的主軸跑合測試的時間預測功能,且異常主軸(如測試超過120小時)可預先安排進行檢修,以解決習知的時間冗長、無法預期測試時間(24-120小時)的問題。
第1圖為本發明之機台主軸跑合預檢方法中,關於主軸跑合預檢的流程示意圖。如圖所示,透過收集運轉效能預檢、品質診斷預檢、跑合時間預測等多種(如三種)有標籤(如預檢結果)的樣本(如量測參數)數於資料庫(見第1圖之步驟S10),其中相同的樣本可對應多種(如三種)主軸跑合預檢模型的標籤,再利用監督式學習方法分別建立多種(如三種)主軸跑合預檢模型,例如主軸跑合預檢模型可為主軸跑合運轉效能預檢模型A(如Xi→Yo,1,→表示對應)、主軸跑合品質診斷預檢模型B(如Xi→Yo,2)、
主軸跑合時間預測模型C(如Xi→Yo,3)。
以主軸跑合運轉效能預檢的流程為例,初始選擇主軸跑合運轉效能預檢模型A(見第1圖之步驟S11),並透過代理模組收集機台主軸跑合時的量測參數(見第1圖之步驟S12),其中量測參數(如X)包括每間隔一段時間(如5秒)所記錄之主軸的轉速(rpm)、加速規(時域或頻域)、渦電流(位移量)、前軸溫度、後軸溫度、環境溫度、主軸跑合的開始時間或結束時間(見第3圖或第4圖)。
繼之,資料前處理分析模組將收集到的量測參數運用前處理技術(如資料品質指標偵測、主成份分析等),以篩除代理模組所收集之量測參數中的無效原始資料(見第1圖之步驟S13)。然後,將主軸跑合運轉效能預檢模型A透過固定時段(如30分鐘)所收集之經分析之有效初始資料(有效的量測參數)進行分析,以從經分析之有效初始資料(有效的量測參數)中找出相應的主軸跑合預檢結果或運轉效能預檢結果(如Yo,標籤)(見第1圖之步驟S14至步驟S15)。
若機台主軸的跑合時間(如T)大於或等於時間門檻值(如T≧72小時)(見第1圖之步驟S16),則停止跑合測試且輸出主軸跑合預檢結果(如Yo)與準確度(見第1圖之步驟S17),再依據品管評分結果或人工判定結果(見第1圖之步驟S18),即可新增一組有標籤的樣本於資料庫。
另外,若機台主軸的跑合時間(如T)小於時間門檻值(如T<72小時),則針對主軸跑合預檢結果的準確度進行自主評分(0-100%)。又若準確度大於或等於準確度門檻值(如準確度≧90%)(見第1圖之步驟S19),則輸出主軸跑合預檢結果(如Yo)與準確度(見第1圖之步驟S20),並新增一
組有標籤的樣本於資料庫,以利增加新建立的主軸跑合預檢模型的準確度;反之,若準確度小於準確度門檻值(如準確度<90%),則回到收集量測參數(見第1圖之步驟S11),再繼續累積量測參數以提高預檢準確度。
第2圖為本發明之機台主軸跑合預檢方法中,關於主軸跑合預檢的另一流程示意圖。如圖所示,先進行機台主軸跑合(見第2圖之步驟S21),再透過代理模組收集機台主軸跑合時的量測參數(見第2圖之步驟S22)。接著,透過有線或無線網路(如內部網路(Intranet)),將量測參數傳送至核心模組中之資料前處理分析模組,並由資料前處理分析模組運用前處理技術(如資料品質指標偵測、主成份分析等)以篩除代理模組所收集之量測參數中的無效原始資料,再利用核心模組中之主軸跑合預檢模型對經分析之有效初始資料(有效的量測參數)進行分析,俾依據經分析之有效初始資料(有效的量測參數)在機台主軸跑合的測試期間對機台主軸進行異常檢測,進而提供異常主軸診斷結果(見第2圖之步驟S23)。同時,為強化主軸跑合預檢模型的可信度,可同步參考機台主軸跑合時的品管評分結果(如人工判定結果或人工品質檢驗結果)(見第2圖之步驟S24),再將品管評分結果回饋至主軸跑合預檢模型,俾依據品管評分結果校正主軸跑合預檢模型的預檢參數。
第3圖為本發明之機台主軸跑合預檢方法中,關於機台主軸跑合裝置1與量測參數的示意圖。如圖所示,機台主軸跑合預檢方法可對機台主軸跑合裝置1進行機台主軸跑合的測試,且機台主軸跑合裝置1可包括機台主軸10(本體)、轉速感測器21、加速規感測器22、渦電流感測器23、前軸溫度感測器24、後軸溫度感測器25、環境溫度感測器(圖未示)、
計時器(圖未示)、皮帶輪31、皮帶32、馬達33等。
機台主軸10可具有前軸11與後軸12,轉速感測器21可連接機台主軸10的後軸12(皮帶輪31)以感測主軸的轉速,加速規感測器22可連接機台主軸10的前軸11或後軸12以感測加速規,渦電流感測器23可連接機台主軸10的後軸12以感測渦電流,前軸溫度感測器24可連接機台主軸10的前軸11以感測前軸溫度,後軸溫度感測器25可連接機台主軸10的後軸12以感測後軸溫度,環境溫度感測器可設於機台主軸跑合裝置1的附近以感測環境溫度,計時器可用以計數機台主軸10跑合時的開始時間及結束時間。因此,機台主軸10跑合時的量測參數可包括主軸的轉速(rpm)、加速規(時域或頻域)、渦電流(位移量)、前軸溫度、後軸溫度、環境溫度、開始時間、結束時間等。
第4圖為本發明之機台主軸跑合預檢方法中,關於主軸跑合感測器資訊與預檢結果關連性分析的流程示意圖,其中包括主軸跑合預檢參數校正學習。如圖所示,主軸跑合感測器資訊與預檢結果關連性分析方法係透過異常主軸的跑合測試以收集主軸的量測參數(見第4圖之步驟S41至步驟S42),進而建立感測器資訊(如轉速、震動頻譜、溫度...)與保養/故障預測的關聯性資料。上述異常主軸可包括軸承損壞、潤滑不足、組裝瑕疵、動平衡不佳、軸不對心、軸彎曲、軸承螺絲鬆動、油震、齒輪損壞等,主軸的量測參數可包括轉速、加速規(如時域之X、Y、Z方向的加速度及頻域的dB值)、渦電流(如前軸或後軸之X、Y、Z方向的位移量)、前軸溫度、後軸溫度、環境溫度、開始時間、結束時間等,軸承損壞可包括內環傷、外環傷、滾動體傷,且齒輪損壞可包括全體磨耗、局部接觸齒形
誤差、節距(pitch)誤差偏心。
再者,透過監督式學習方法(如AI監督式學習方法)建立主軸跑合預檢模型(見第4圖之步驟S43),以預測主軸跑合運轉時可能發生的異常狀態或正常主軸跑合的完成時間(見第4圖之步驟S44),並可將此次之主軸跑合結果符合自主評分或經由人工判定結果(對應正確f:X→Y)(見第4圖之步驟S45),新增一組有標籤(如Yo)的樣本(如Xi)數,進而透過累積有標籤的樣本數以持續強化主軸跑合預檢模型的效能與準確度。因此,本發明可大幅減少主軸跑合測試時間,以顯著解決主軸跑合測試長期存在費時且需經專業人工依經驗檢測異常原因之技術問題。
上述透過累積有標籤的樣本數以持續強化主軸跑合預檢模型的效能與準確度係為主軸跑合預檢參數校正學習方法,且主軸跑合預檢參數校正學習方法可包括:(1)依據主軸跑合感測器資訊與預檢結果關連性分析,以建立初始有標籤(如Yo,判定結果之故障原因或正常)的樣本(如Xi,感測器資訊)的資料庫。(2)透過監督式學習方法建立初始的主軸跑合預檢模型。(3)收集生產線的機台主軸跑合時的感測器參數(如Xi,預檢測試的樣本)。(4)透過主軸跑合預檢模型依據感測器參數判定預檢結果(如Yo)。(5)經由生產線的品管單位判定預檢結果後,即可新增一組有標籤(如Yo)的樣本(如Xi)於資料庫。因此,本發明可透過累積有標籤的樣本數來校正主軸跑合預檢模型的預檢參數,以持續強化主軸跑合預檢模型的準確性,並縮短品管檢驗時間與加速異常檢修。
第5圖為本發明之機台主軸跑合預檢方法中,關於主軸跑合運轉效能預檢的流程示意圖,能在主軸跑合運轉效能預檢時辨識正常及
其效能評分、各種異常結果及其異常等級。如圖所示,主軸跑合運轉效能預檢的流程係包括:(1)建立主軸跑合結果之運轉效能等級評分機制,如正常與可能異常原因之等級(見第5圖之步驟S51),例如預檢結果(如Yo)為正常或異常(如異常-1、異常-2、...、異常-N,N為整數),且正常的效能評分或異常的異常等級可為1-3分。(2)建立初始有標籤(如Yo,效能等級評分)的樣本(如Xi,感測器資訊)的資料庫與主軸跑合預檢模型(見第5圖之步驟S51及步驟S53)。(3)收集生產線的機台主軸跑合時的感測器參數(如Xi,預檢測試的樣本)(見第5圖之步驟S52),以利用感測器參數經由主軸跑合預檢模型進行運轉效能等級評分(見第5圖之步驟S54所示預檢結果Yo,t)。(4)依據生產線對機台主軸跑合的的品管評分結果新增一組有標籤(如Yo)的樣本(如Xi)於資料庫(見第5圖之步驟S55)。(5)將品管評分結果回饋至主軸跑合預檢模型,以依據品管評分結果校正主軸跑合預檢模型的預檢參數(見第5圖之步驟S53)。因此,本發明能達成主軸跑合測試之運轉效能的評分功能,以解決品管對主軸測試之運轉效能等級的管控問題,並可作為售後服務的機台預知保養與檢修參考。
第6圖為本發明之機台主軸跑合預檢方法中,關於預測式主軸品質診斷的流程示意圖,能在預檢主軸時辨識正常與各種異常結果。如圖所示,由於主軸跑合運轉效能預檢模型不容易建立足夠的有標籤(如Yo)的樣本(如Xi)的數量(見第6圖之步驟S61),因而容易降低主軸跑合運轉效能預檢模型的準確度,故可將主軸跑合運轉效能預檢模型加以簡化,僅針對正常與可能異常原因進行預測之快速的主軸跑合異常原因預檢方法,可縮短製程檢驗與異常原因查修時間。
預測式主軸品質診斷方法係透過代理模組收集機台主軸跑合時的量測參數(如Xi,t)(見第6圖之步驟S62),以由資料前處理分析模組運用前處理技術(如資料品質指標偵測、主成份分析等)篩除代理模組所收集之量測參數中的無效原始資料。而且,使用機器學習技術建立主軸跑合預檢模型(見第6圖之步驟S63),俾在機台主軸跑合的測試期間對機台主軸進行異常檢測,進而提供異常主軸診斷結果(見第6圖之步驟S64所示預檢結果Yo,t)。同時,為強化主軸跑合預檢模型的可信度,可同步參考機台主軸跑合時的品管(QC)評分結果,且將品管評分結果回饋至主軸跑合預檢模型,以依據品管評分結果校正主軸跑合預檢模型的預檢參數(見第6圖之步驟S65)。因此,本發明能解決習知當機台主軸的跑合測試遇有異常問題時,通常仍持續進行到測試結束(24-120小時),再仰賴人工作業經驗判定後回製程重組與檢驗再測試,因而增加生產成本與影響出貨時程。又,本發明可減少異常主軸的跑合測試時間與人工檢測成本達80%以上,以解決長期存在之技術問題。
第7圖為本發明之機台主軸跑合預檢方法中,關於主軸跑合時間預測的流程示意圖,其中包括對相同機型的多個(如100個以上)跑合測試樣本進行訓練。如圖所示,主軸跑合時間預測方法係包括:(1)持續收集生產線的主軸跑合測試的感測器資訊(如轉速、加速規、前軸溫度、後軸溫度等)與跑合時間;例如,第7圖之步驟S71所示主軸的量測參數(如Xi)與跑合時間預檢(如Yo),第7圖之步驟S72所示跑合測試檢驗以預檢測試的樣本(如Xi),第7圖之步驟S73所示主軸的量測參數(如Xi,t)與實際完成跑合時間(如Tt)。(2)建立有標籤(如Yo,跑合時間)的樣本(如Xi,感測器資
訊)的資料庫與主軸跑合時間預測模型以預測跑合時間(如Tp),再輸出實際時間、預測時間及預測誤差值;例如,第7圖之步驟S71所示有標籤(如Yo)的樣本(如Xi),第7圖之步驟S74所示主軸跑合時間預測模型,第7圖之步驟S75所示預測跑合時間(如Tp),第7圖之步驟S76所示輸出實際時間、預測時間及預測誤差值。(3)持續收集生產線的主軸跑合測試結果以不斷地增加有效的樣本數,再將有效的樣本數回饋至主軸跑合時間預測模型,以依據有效的樣本數校正主軸跑合預檢模型的預檢參數(見第7圖之步驟S74)。因此,本發明能達成生產線的主軸跑合測試的時間預測功能,且異常主軸(如測試超過120小時)可預先安排進行檢修,以解決習知的時間冗長、無法預期測試時間(24-120小時)的問題。
另外,本發明還提供一種用於機台主軸跑合預檢方法之電腦可讀媒介,係應用於具有處理器(例如,CPU、GPU等)及/或記憶體的計算裝置或電腦中,且儲存有指令,並可利用此計算裝置或電腦透過處理器及/或記憶體執行此電腦可讀媒介,以於執行此電腦可讀媒介時執行上述內容。
綜上,本發明之機台主軸跑合預檢方法及電腦可讀媒介可至少具有下列特色、優點或技術功效。
一、本發明提供主軸跑合感測器資訊與預檢結果關連性分析、主軸跑合預檢參數校正學習、主軸跑合測試之運轉效能預測、主軸跑合時間預測、預測式主軸品質診斷等方法,能較快速或有效地解決機台主軸跑合測試時的異常問題。亦即,本發明能解決習知當機台主軸的跑合測試遇有異常問題時,通常仍持續進行到測試結束(24-120小時),再仰賴人工作業經驗判定後回製程進行重組與檢驗再測試,因而增加生產成本與影響出
貨時程。
二、本發明透過代理模組收集機台主軸跑合時的量測參數,並運用資料品質指標偵測、主成份分析等前處理技術,以利篩除代理模組所收集之量測參數中的無效原始資料。
三、本發明使用機器學習技術來建立主軸跑合預檢模型,以利在機台主軸跑合的測試期間提供異常主軸診斷結果。
四、本發明為強化主軸跑合預檢模型的可信度,可同步參考品管(QC)評分結果,並將品管評分結果回饋至主軸跑合預檢模型,以利依據品管評分結果校正主軸跑合預檢模型的預檢參數。
五、本發明於機台主軸跑合期間預測主軸品質診斷結果的方法,可減少異常主軸的跑合測試時間與人工檢測成本達80%以上。
六、本發明可大幅減少主軸跑合測試時間,以顯著解決主軸跑合測試長期存在費時且需經專業人工依經驗檢測異常原因之技術問題。
七、本發明能透過累積有標籤的樣本數來校正主軸跑合預檢模型的預檢參數,以持續強化主軸跑合預檢模型的準確性,並縮短品管檢驗時間與加速異常檢修。
八、本發明能達成主軸跑合測試之運轉效能的評分功能,以解決品管對主軸測試之運轉效能等級的管控問題,並可作為售後服務的機台預知保養與檢修參考。
九、本發明能達成生產線的主軸跑合測試的時間預測功能,且異常主軸(如測試超過120小時)可預先安排進行檢修,以解決習知的時間冗長、無法預期測試時間(24-120小時)的問題。
上述實施形態僅例示性說明本發明之原理、特點及其功效,並非用以限制本發明之可實施範疇,任何熟習此項技藝之人士均能在不違背本發明之精神及範疇下,對上述實施形態進行修飾與改變。任何使用本發明所揭示內容而完成之等效改變及修飾,均仍應為申請專利範圍所涵蓋。因此,本發明之權利保護範圍,應如申請專利範圍所列。
S10至S20:步驟
Claims (12)
- 一種機台主軸跑合預檢方法,包括:透過代理模組收集機台主軸跑合時的量測參數,以由資料前處理分析模組運用前處理技術篩除該代理模組所收集之量測參數中的無效原始資料;以及使用機器學習技術建立主軸跑合預檢模型,以利用該機器學習技術所建立的該主軸跑合預檢模型對該量測參數中之有效初始資料進行分析,俾依據該經分析之有效初始資料在該機台主軸跑合的測試期間對機台主軸進行異常檢測,進而提供異常主軸診斷結果。
- 如申請專利範圍第1項所述之機台主軸跑合預檢方法,其中,在對該機台主軸進行異常檢測以提供該異常主軸診斷結果時,更同步參考該機台主軸跑合時的品管評分結果,以將該品管評分結果回饋至該主軸跑合預檢模型,俾依據該品管評分結果校正該主軸跑合預檢模型的預檢參數。
- 如申請專利範圍第1項所述之機台主軸跑合預檢方法,係對機台主軸跑合裝置進行該機台主軸跑合的測試,其中,該機台主軸跑合裝置包括該機台主軸與連接該機台主軸的轉速感測器、加速規感測器、渦電流感測器、前軸溫度感測器及後軸溫度感測器。
- 如申請專利範圍第1項所述之機台主軸跑合預檢方法,更包括執行下列關於主軸跑合感測器資訊與預檢結果關連性分析方法的步驟:透過異常主軸的跑合測試以收集該量測參數;建立感測器資訊與保養/故障預測的關聯性資料;以及透過監督式學習方法建立初始的主軸跑合預檢模型,以預測主軸跑合運轉時可能發生的異常狀態或正常主軸跑合的完成時間。
- 如申請專利範圍第1項所述之機台主軸跑合預檢方法,更包括執行下列關於主軸跑合預檢參數校正學習方法的步驟:依據該機台主軸跑合時的感測器資訊與預檢結果的關連性分析,建立初始有標籤的樣本的資料庫;透過監督式學習方法建立初始的主軸跑合預檢模型;收集該機台主軸跑合時的感測器參數;透過該主軸跑合預檢模型,依據該感測器參數判定預檢結果;以及於判定該預檢結果後,新增一組有標籤的樣本於該資料庫。
- 如申請專利範圍第1項所述之機台主軸跑合預檢方法,更包括執行下列關於主軸跑合測試之運轉效能預測方法的步驟:建立主軸跑合結果之運轉效能等級評分機制;建立初始有標籤的樣本的資料庫與該主軸跑合預檢模型;收集該機台主軸跑合時的感測器參數,以利用該感測器參數經由該主軸跑合預檢模型進行運轉效能等級評分;依據生產線對該機台主軸跑合時的品管評分結果新增一組有標籤的樣本於該資料庫;以及將該品管評分結果回饋至該主軸跑合預檢模型,以依據該品管評分結果校正該主軸跑合預檢模型的預檢參數。
- 如申請專利範圍第1項所述之機台主軸跑合預檢方法,更包括執行下列關於主軸跑合時間預測方法的步驟:持續收集主軸跑合測試的感測器資訊與跑合時間;建立有標籤的樣本的資料庫與主軸跑合時間預測模型以預測跑合時間;以及持續收集生產線的主軸跑合測試結果以不斷地增加有效的樣本數,再將該有效的樣本數回饋至該主軸跑合時間預測模型,以依據該有效的樣本數校正該主軸跑合預檢模型的預檢參數。
- 如申請專利範圍第1項所述之機台主軸跑合預檢方法,更包括利用監督式學習方法分別建立多種主軸跑合預檢模型,其中,該多種主軸跑合預檢模型係包括主軸跑合運轉效能預檢模型、主軸跑合品質診斷預檢模型與主軸跑合時間預測模型。
- 如申請專利範圍第1項所述之機台主軸跑合預檢方法,更包括執行下列關於主軸跑合運轉效能預檢方法的步驟:初始選擇主軸跑合運轉效能預檢模型;以及透過該代理模組收集該機台主軸跑合時的該量測參數,其中,該量測參數包括每間隔一段時間所記錄之轉速、加速規、渦電流、前軸溫度、後軸溫度、環境溫度、主軸跑合的開始時間或結束時間。
- 如申請專利範圍第2項所述之機台主軸跑合預檢方法,更包括若該機台主軸的跑合時間大於或等於時間門檻值,則停止跑合測試且輸出主軸跑合預檢結果與準確度,再依據該品管評分結果新增一組有標籤的樣本於資料庫,而若該機台主軸的跑合時間小於該時間門檻值,則針對主軸跑合預檢結果的準確度進行自主評分。
- 如申請專利範圍第10項所述之機台主軸跑合預檢方法,更包括若該準確度大於或等於準確度門檻值,則輸出主軸跑合預檢結果與準確度,且新增一組有標籤的樣本於該資料庫,而若該準確度小於該準確度門檻值,則繼續收集以累積該量測參數。
- 一種電腦可讀媒介,應用於計算裝置或電腦中,係儲存有指令,以執行如申請專利範圍第1至11項其中一項所述之機台主軸跑合預檢方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109118311A TWI741629B (zh) | 2020-06-01 | 2020-06-01 | 機台主軸跑合預檢方法及電腦可讀媒介 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109118311A TWI741629B (zh) | 2020-06-01 | 2020-06-01 | 機台主軸跑合預檢方法及電腦可讀媒介 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI741629B TWI741629B (zh) | 2021-10-01 |
TW202146878A true TW202146878A (zh) | 2021-12-16 |
Family
ID=80782320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109118311A TWI741629B (zh) | 2020-06-01 | 2020-06-01 | 機台主軸跑合預檢方法及電腦可讀媒介 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI741629B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101813560B (zh) * | 2009-12-16 | 2012-02-15 | 洛阳轴研科技股份有限公司 | 动量轮早期故障频谱诊断识别方法 |
TW201240767A (en) * | 2011-04-07 | 2012-10-16 | Nat Univ Chung Cheng | An axial dynamic motion detector for machine tool |
US10664766B2 (en) * | 2016-01-27 | 2020-05-26 | Bonsai AI, Inc. | Graphical user interface to an artificial intelligence engine utilized to generate one or more trained artificial intelligence models |
CN109605125A (zh) * | 2019-02-22 | 2019-04-12 | 宝鸡西力精密机械有限公司 | 自动化检测高速精密主轴的程控温升试验台 |
-
2020
- 2020-06-01 TW TW109118311A patent/TWI741629B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI741629B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947088B (zh) | 基于模型全生命周期管理的设备故障预警系统 | |
US10527520B2 (en) | Operating wind motors and determining their remaining useful life | |
AU2008314694B2 (en) | Method for determining fatigue damage in a power train of a wind turbine | |
CN107272586A (zh) | 机械学习装置、机械学习方法、故障预知装置及系统 | |
US5602761A (en) | Machine performance monitoring and fault classification using an exponentially weighted moving average scheme | |
US6694286B2 (en) | Method and system for monitoring the condition of an individual machine | |
US6845340B2 (en) | System and method for machining data management | |
RU2678623C1 (ru) | Устройство диагностики неисправностей и способ диагностики неисправностей | |
CN108572006B (zh) | 状态诊断装置 | |
CN108241891B (zh) | 解析装置以及解析系统 | |
JP7193599B2 (ja) | 分析装置、分析方法及び分析プログラム | |
CN112415947B (zh) | 一种基于dtu设备的cnc机床数据采集与管理方法及系统 | |
JPH02176933A (ja) | 機械の診断方法および装置 | |
Lennox et al. | Application of multivariate statistical process control to batch operations | |
KR20060100248A (ko) | 검사 장치, 검사 장치용 판정 모델 생성 지원 장치, 내구성테스트 장치용 이상 검출 장치 및 내구성 테스트 방법 | |
US6763482B2 (en) | Printer diagnostics method | |
Harris | A Kohonen SOM based, machine health monitoring system which enables diagnosis of faults not seen in the training set | |
CN114281052A (zh) | 机械设备运行状态监控装置、系统及方法 | |
TWI741629B (zh) | 機台主軸跑合預檢方法及電腦可讀媒介 | |
CN112800563A (zh) | 采煤机故障判别方法、系统和可读存储介质 | |
CN112257224A (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
US20230152792A1 (en) | System for predictive operational analysis of a machinery component | |
CN115774955A (zh) | 一种风电齿轮箱健康度智能评估方法 | |
Ebeling | Condition monitoring for elevators–an overview | |
CN114004539B (zh) | 一种基于振动数据的各方向磨损量评估方法 |