TW202339880A - 監測切齒機狀態的方法 - Google Patents
監測切齒機狀態的方法 Download PDFInfo
- Publication number
- TW202339880A TW202339880A TW111138212A TW111138212A TW202339880A TW 202339880 A TW202339880 A TW 202339880A TW 111138212 A TW111138212 A TW 111138212A TW 111138212 A TW111138212 A TW 111138212A TW 202339880 A TW202339880 A TW 202339880A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- eol
- machine
- spectrum
- gear
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005520 cutting process Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 71
- 238000005259 measurement Methods 0.000 claims abstract description 56
- 238000001228 spectrum Methods 0.000 claims description 104
- 238000003754 machining Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 21
- 230000003595 spectral effect Effects 0.000 claims description 21
- 230000005284 excitation Effects 0.000 claims description 18
- 230000006399 behavior Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 230000013011 mating Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000010183 spectrum analysis Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims 1
- 230000002441 reversible effect Effects 0.000 abstract description 4
- 238000000227 grinding Methods 0.000 description 32
- 238000012545 processing Methods 0.000 description 16
- 238000012806 monitoring device Methods 0.000 description 13
- 230000001133 acceleration Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000000737 periodic effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000695 excitation spectrum Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23F—MAKING GEARS OR TOOTHED RACKS
- B23F1/00—Making gear teeth by tools of which the profile matches the profile of the required surface
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23F—MAKING GEARS OR TOOTHED RACKS
- B23F23/00—Accessories or equipment combined with or arranged in, or specially designed to form part of, gear-cutting machines
- B23F23/12—Other devices, e.g. tool holders; Checking devices for controlling workpieces in machines for manufacturing gear teeth
-
- 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
- B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
-
- 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
- B23Q17/098—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 by measuring noise
-
- 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
- B23Q17/12—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring vibration
-
- 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
- B23Q17/20—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring workpiece characteristics, e.g. contour, dimension, hardness
-
- 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
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G05B2219/37434—Measuring vibration of machine or workpiece or 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
- G05B2219/45—Nc applications
- G05B2219/45214—Gear cutting
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
Abstract
本發明提供一種監測具有複數個機器軸線之一機床(1)之一狀態的方法,在該方法中,在一測試週期中系統地致動該等機器軸線之至少一部分,且經由量測而獲得相關聯之狀態資料。在此基礎上,預測與包含由切齒機加工的一工件之一齒輪系之一雜訊行為相關的EOL資料。亦揭示其中自EOL資料預測狀態資料之反向。
Description
本發明是關於一種監測用於加工齒形工件之切齒機之狀態的方法,特定言之是關於一種切齒機。
在切齒機中之齒形工件,特定言之外部或內部齒輪之硬加工期間,製造偏差自然地出現,其本身顯現工件的實際製造之實際幾何與指定標稱幾何之偏差。除其他以外,製造偏差可由切齒機之各種組件之故障或磨損或由組件的不合適裝配引起。舉例而言,製造偏差可由驅動件引起,該驅動件將切齒機之滑件移動至除由機器控制器指定之標稱位置以外的位置、由主軸之磨損軸承或由機器部件以不合適的方式彼此連接使得振動不充分減少。
硬加工通常為工件加工中之最後步驟。在此加工步驟之後,工件經組裝成齒輪系。在組裝之後,在EOL(End of Line;線路末端)測試台上進行齒輪系之最終測試(「EOL測試」)。特定言之,測試齒輪系之雜訊行為。工件之製造偏差常常導致非所要雜訊激發。甚至如可在無故障機器上之加工期間出現之最小製造偏差亦可導致雜訊。尤其在電動驅動之情況下,齒輪系組件有時為主要雜訊源,且齒輪系中之雜訊尤其干擾。
期望能夠在將工件安裝在齒輪系中之前預測由工件引起之雜訊行為,以便避免昂貴拆卸,若EOL測試期間發現齒輪系易受雜訊影響,則此變得必要。亦需要能夠從齒輪系之量測雜訊行為得出關於切齒機中之特定原因的直接結論。
US20140256223A1揭示一種在切齒機上藉由校正及/或修改對齒腹的硬加工方法,其中考慮到各別配對側面而加工在傳輸內彼此接合之齒輪對或測試裝置,且其中相關工件之齒腹具備週期性波紋校正或修改。藉助於齒輪量測裝置及/或傳輸中之齒輪對之旋轉距離誤差量測判定旋轉誤差程度。此量測結果充當輸入值以用於界定在切齒機中生產之齒輪對之齒腹上的週期性側面波紋校正之振幅、頻率及相位位置。
第一態樣:雜訊激發之預測
在第一態樣中,本發明之目的為提供一種監測切齒機之狀態的方法以在早期預測包含由切齒機加工的工件之齒輪系中之干擾雜訊的發展。
此目的藉由如申請專利範圍第1項之方法解決。其他具體實例在附屬申請專利範圍中給出。
因此,揭示一種監測具有複數個機器軸線之切齒機之狀態的方法,其包含以下步驟:
a)進行測試週期,其中在測試週期中,系統地致動機器軸線之至少一部分且獲得相關聯之機器量測資料;
b)進行對機器量測資料之頻譜分析,其中自機器量測資料計算機器頻譜資料;及
c)基於機器頻譜資料來判定預測EOL頻譜資料,其中預測EOL頻譜資料指示當用切齒機加工的工件安裝於齒輪系中且在齒輪系中之配對齒輪上滾動時,預期激發在EOL頻譜中處於哪些階。
該方法可包含:
d)輸出預測EOL頻譜資料或自其導出之至少一個量。
在所提議方法之內容背景中,因此在選擇性地致動機器軸線時,在測試週期中判定機器量測資料。測試週期發生在切齒機之加工暫停期間,亦即,在測試週期期間,切齒機之加工工具不與工件加工接合。特定言之,機器量測資料可為藉由加速度感測器判定之加速度值、藉由位置感測器判定之位置值及/或藉由電流感測器判定之電流值。藉助於頻譜分析(特定言之,階分析)從機器量測資料計算機器頻譜資料(機器之頻譜狀態資料),以便判定在致動機器軸線時,機器組件之週期性激發出現在哪些頻率或階下。
基於機器頻譜資料,預測EOL頻譜資料。此預測是基於以下考慮:機器組件之激發在加工期間傳播至所製造之工件。當加工工具使用機器軸線修整時,此等激發亦傳播至如此修整之工具,在加工期間從工具進一步傳播至工件。使用個別機器組件之間的已知運動連桿且考慮選定加工參數,有可能計算此等激發如何影響所製造之工件。特定言之,此類激發可導致工件之齒腹上之週期性偏差(波紋)。表述「運動連桿」或「運動鏈」用於描述一種組件之移動在加工製程中傳播至另一組件之方式。在加工製程中,工具主軸與工件主軸之間的運動連桿發揮中心作用,亦即工具之移動與工件之移動相關的方式。若切齒機為用於使用產生製程(諸如產生研磨機或齒輪切削機)對工件加工之機器,則此連桿藉由工件與工具之間的滾動接合表徵且由工件幾何及工具幾何判定。可容易地計算工具之週期性激發藉由此連桿傳播至工件側面作為波紋之方式。特定言之,若已知引起工具之激發相對於工具旋轉之階,則易於有可能計算由波紋產生之激發將在齒輪系中相對於工件旋轉具有的階。此等兩個階之間之比率在下文中將稱為「傳播因子」。對於傳播運動之間之所有其他組件,亦有可能計算此等組件中之一者之振動如何影響另一組件,且特定言之計算此等組件之擾動階與EOL頻譜中的所得擾動階之間的對應傳播因子。
因此,計算預測EOL頻譜資料可涉及將傳播因子應用於機器頻譜資料,其中傳播因子取決於供判定機器頻譜資料之機器軸線與工件之間的運動連桿。
因此,由指定方法獲得預測EOL頻譜資料。此等預測EOL頻譜資料基於真實機器狀態之測試,且因此包括機器中之擾動源,該機器可能尚未先驗地知曉且因此純粹基於機器之已知設計無法包括於EOL頻譜資料的計算或模擬中。因此,方法允許可靠預測在成品齒輪系中將出現哪些階雜訊激發。以此方式,甚至在工件實際上安裝於齒輪系中之前,亦可預測雜訊激發。可拒絕受影響工件且在必要時更詳細地檢測受影響工件,且可因此避免完全組裝之齒輪系之耗時拆卸。另外,可採取措施以識別及消除導致預期雜訊發展之誤差之源。
值得注意的是,對預測EOL頻譜資料之判定未必為對各種階下之雜訊強度的定量預測,而是哪些階首先為「擾動階」之定性指示,亦即,預期該等階完全具有顯著雜訊強度。特定言之,預測EOL頻譜資料可包括擾動階及相關聯強度指示符,其中強度指示符表示(可能僅極粗糙)擾動階處之預期擾動強度之估計。
特定言之,可根據致動機器軸線單獨地判定預測EOL頻譜資料,亦即,針對在測試週期期間經啟動之各機器軸線判定單獨機器量測資料,從此單獨機器量測資料計算單獨機器頻譜資料,且基於此計算,根據經致動機器軸線預測單獨EOL頻譜資料。以此方式,有可能預測哪個機器軸線可引起EOL頻譜資料中之哪些擾動階。
較佳地,重複步驟a)至c)若干次,其中在測試週期與測試週期之間用切齒機加工工件,該等測試週期在加工工具不與工件加工接合之加工暫停期間進行。隨後視覺化及/或分析作為測試週期或時間之函數之預測EOL頻譜資料的發展。此是基於以下考慮:基於單一測試週期,預測EOL頻譜資料有時可具有極少值。然而,在加工期間,可出現切齒機組件之磨損或故障,該等組件接著使其自身顯現於預測EOL頻譜資料之顯著改變。因此,提議考慮預測EOL頻譜資料之時間演進。藉由適當地視覺化預測頻譜資料之時間改變,可在視覺上容易地識別預期隨時間推移經歷雜訊激發行為之顯著改變的擾動階。亦可在數值上分析所計算EOL頻譜資料之演進。舉例而言,數值分析可包括使用適當回歸函數(諸如至少第二階之多項式)對用於擾動之選定或所有階的預期擾動強度進行回歸分析。舉例而言,若分析展示至少一個擾動階預期具有滿足某一警告準則之擾動強度中之梯度,則可在此基礎上判定及輸出警告指示符。
若參考機器頻譜資料可用於許多不同參考測試週期中判定之許多參考機器,則從此等參考機器頻譜資料中之各者可預測參考EOL頻譜資料。接著有可能藉由以下操作來自動評估待評估之機器之預測EOL頻譜資料:將該等預測EOL頻譜資料與參考機器之經預測參考EOL頻譜資料或自其導出之量進行比較,且因此自動地推斷預期雜訊問題而無需任何特殊知識且無需量測EOL頻譜作為評估之基礎。特定言之,可出於此目的進行對預測參考EOL頻譜資料之統計分析。關於此方法及其它具體實例之基礎考慮,可參考由同一申請人於與本申請案相同的日期提交之名稱為「監測工具機的狀態之方法(Method of monitoring the condition of a machine tool)」的專利申請案第111138213號,該專利申請案之內容係以全文引用的方式而被併入本文之中。
第二態樣
:
識別引起雜訊問題之組件
反向亦為可能的,亦即,當工件在齒輪系中之配對齒輪上滾動時,量測EOL測試台上之EOL量測值,進行EOL量測值之頻譜分析以判定量測頻譜資料,且從EOL頻譜資料得出切齒機狀態之個別組件歸因於其狀態而在EOL頻譜資料中引起擾動階之結論。EOL量測值可藉由EOL測試台之任何適合感測器判定,尤其用於判定旋轉誤差之加速度感測器及感測器。
因此,揭示一種監測具有複數個機器軸線之切齒機之狀態的方法,其包含以下步驟:
a)對包含由切齒機加工的工件之齒輪系進行EOL測試,其中在EOL測試中,齒輪系中之工件在配對齒輪上滾動,且判定相關EOL量測資料;
b)對EOL量測資料進行頻譜分析,其中自EOL量測資料計算EOL頻譜資料;及
c)基於EOL頻譜資料來判定預測狀態資料,其中至少一個機器軸線之預測狀態資料指示彼機器軸線之哪些階與經計算EOL頻譜資料一致。
方法可包含:
d)輸出預測狀態資料或自其導出之至少一個量。
利用此方法,可得出關於哪些機器軸線及(若適用)此等機器軸線之哪些組件對擾動雜訊負責之結論,該等擾動雜訊實際上在用切齒機加工之工件安裝於齒輪系中之後出現。若切齒機之組件之間的運動連桿已知且考慮所選擇之加工參數,則此方法亦利用以下事實:與齒輪系中之工件之旋轉相關的擾動雜訊之階可容易地從切齒機之組件判定的量測資料之階計算出。
特定言之,此方法可在無需切齒機本身之狀態量測之情況下進行。然而,特定優勢在此方法與切齒機上之狀態量測組合時產生。就此而言,方法可另外包含:
e)進行測試週期,在測試週期中,系統地致動該等機器軸線之至少一部分且獲得相關聯之機器量測資料;
f)進行頻譜分析,其中自機器量測資料計算機器頻譜資料;及
g)基於機器頻譜資料而判定預測EOL頻譜資料,其中預測EOL頻譜資料指示在用切齒機加工的工件安裝於齒輪系中且在齒輪系中之配對齒輪上滾動時,預期激發在EOL頻譜中處於哪些階,
其中判定預測狀態資料包含將自EOL量測資料計算之EOL頻譜資料與預測EOL頻譜資料進行比較。
藉由將藉由在齒輪系之測試運行期間之量測判定的EOL頻譜資料與從切齒機之量測資料預測的EOL頻譜資料進行比較,可尤其可靠地判定擾動雜訊之原因。
第三態樣:機器學習演算法之使用
迄今為止所論述之方法需要知曉切齒機之組件之間的運動連桿。在另一態樣中,本發明提供一種使得有可能基於機器狀態之量測預測齒輪系之雜訊行為,或從齒輪系的所量測雜訊行為即使在不知曉運動連桿的情況下亦得出關於切齒機之狀態的結論。此方法使用訓練之機器學習演算法,該演算法之輸入變數為切齒機之狀態資料且其輸出變數為預測EOL資料,該資料為切齒機的預期雜訊行為之特性,或其輸入變數為EOL資料且其輸出變數為預測狀態資料,該預測狀態資料為機器之預期狀態的特性。
使用以下程序來訓練機器學習演算法:
a)進行測試週期,在該測試週期中,系統地致動機器軸線之至少一部分且由量測判定相關聯之狀態資料;
b)當切齒機處於對應於狀態資料之狀態下時,用切齒機加工至少一個工件;
c)將經加工之工件安裝於齒輪系中;
d)對齒輪系進行EOL測試,其中在EOL測試中,齒輪系中之工件在配對齒輪上滾動,且判定相關聯之EOL資料;
e)將狀態資料及對應EOL資料儲存在訓練資料集中;
f)對複數個測試週期及經加工之工件重複步驟a)至e),其中工件具有相同標稱幾何且在相同加工狀態下經加工;及
g)用訓練資料集訓練機器學習演算法。
訓練資料集因此含有大量狀態資料以及具有相同標稱幾何之複數個工件之對應EOL資料,該等資料在相同加工狀態下經加工且安裝在相同類型之齒輪系中。
標稱幾何尤其包括量,諸如齒輪齒之正常模組、齒數目及螺旋角,但亦可包括另外的量,諸如指定的齒腹修改。特定言之,若在加工操作期間以相同方式移動機器軸線,則將加工狀態視為相同的。舉例而言,若將產生研磨用作加工製程,若工件以相同徑向進給、相同軸向饋送速率及相同偏移經加工,若工具旋轉速度對於所有工件為相同的,且若所使用之研磨蝸桿對於所有工件具有相同數目之啟動次數及相同間距高度,則加工狀態為相同的,使得工件之所得旋轉速度亦相同。若研磨蝸桿為藉由旋轉盤形狀之修整工具修整之可修整研磨蝸桿,則修整期間之狀態亦為加工參數之部分,尤其是在修整製程期間工具主軸的轉速及修整工具之轉速。
用狀態資料及相應EOL資料來訓練機器學習演算法。因此,機器學習演算法可基於狀態資料形成EOL資料之預測或反之亦然無需知曉切齒機之組件之間的運動連桿。
存在可用於此上下文中之已知許多不同類型之機器學習演算法,且訓練資料集之結構可相應地發生變化。特定言之,分類演算法適用於實務實施。出於此目的,輸出變數可減少至有限數目個類別。舉例而言,若輸入變數為EOL資料且輸出變數為預測狀態資料,則預測狀態資料可由例如每機器軸線一個實值組成。各值可隨後指示例如所討論之機器軸線負責所觀察到之EOL資料的機率。訓練資料接著應含有表示每機器軸線之單一真實狀態值之狀態資料及相關聯之EOL資料。舉例而言,若輸入變數為狀態資料且輸出變數為預測EOL資料,則相對小數目階(實務上尤其重要之階),預測EOL資料可由每階之一個實值組成。各值可接著指示(例如)所討論之階之預測相對頻譜強度。訓練資料接著應含有對應EOL資料。當然,完全不同的甚至更複雜之輸出量亦為可設想的。對於實務實施,例如人工類神經網路(artificial neural network;ANN)或支援向量機(support vector machine;SVM)為適合的。在特別簡單範例中,輸入變數可為狀態資料,且輸出變數為單一實值,該實值特性化測試台上整個齒輪系之全域雜訊行為。舉例而言,隨機森林適用作用於預測此值之機器學習演算法。藉由此值,例如,預期有問題之雜訊行為可容易偵測到,且可採取措施以防止受影響工件安裝在齒輪系中。
狀態資料通常可包含與機器軸線相對於其振動行為之狀態相關之各種類型的資料。特定言之,狀態資料可包含如在第一及第二態樣之內容背景中所界定之機器頻譜資料。
EOL資料亦可包含與齒輪系之雜訊效能相關之各種類型的資料。特定言之,EOL資料可包含如在第一及第二態樣之內容背景中所界定之EOL頻譜資料。
訓練資料可儲存於資料庫中。資料庫可遠離監測之機器而定位。其亦可實施於雲端中,例如,呈由多個使用者作為服務共用之電腦資源的形式。評估電腦可存取資料庫以用於訓練機器學習演算法。評估電腦亦較佳在空間上與機床分離。其藉由網路連接而連接至機床。評估電腦亦不必為單一實體單元,而可實施於雲端中。
本發明進一步提供一種用於監測具有複數個機器軸線之切齒機之狀態的裝置,該裝置包含處理器及上面儲存有電腦程式的儲存媒體。在處理器上執行時電腦程式使得執行上文所解釋之方法中之一者的方法步驟之至少部分。本發明進一步提供一種對應電腦程式。電腦程式可儲存於非揮發性儲存媒體上。
產生研磨機之例示性結構
圖1展示產生研磨機1作為切齒機之範例,該切齒機在下文中將亦縮寫為「機器」。機器1具有機器床11,工具載架12沿著徑向進給方向X以可位移方式導引於該機器床上。工具載架12攜載軸向滑件13,軸向滑件13相對於工具載架12沿著軸向饋送方向Z以可位移方式導引。研磨頭14安裝於軸向滑件13上,軸向滑件13可繞平行於X方向延伸之旋轉軸線(所謂之A軸)旋轉以適應待加工之齒輪之螺旋角度。研磨頭14又攜載移位滑件,工具主軸15可在該移位滑件上相對於研磨頭14沿著移位方向Y移位。蝸桿形異形研磨輪(研磨蝸桿)16夾持於工具主軸15上。研磨蝸桿16由工具主軸15驅動以圍繞工具軸線B旋轉。
機器床11亦支撐呈轉塔形式之旋轉工件載架20,該托架可在圍繞旋轉軸線C3之至少三個位置之間旋轉。兩個相同工件主軸在直徑上彼此相對地安裝在工件載架20上,其中在圖1中可見僅具有相關定製尾座22之一個工件主軸21。工件可夾持於工件軸中之各者上且經驅動以圍繞工件軸線C1或C2旋轉。在圖1中可見之工件主軸21處於加工位置,在該加工位置中,夾持於其上之工件23可用研磨蝸桿16加工。偏移180°且在圖1中不可見之另一工件主軸在工件改變位置中,在該工件改變位置中,可自此主軸移除成品工件且可將新坯料夾持至工件上。修整裝置30偏移90°安裝至工件主軸。
機器1因此具有大量可移動組件,諸如滑件或主軸,該等組件可在相對應驅動件之控制下移動。此等驅動在技術世界中常常稱為「NC軸線」、「機器軸線」或縮寫為「軸線」。在一些情況下,此指定亦包括藉由驅動件驅動之組件,諸如滑件或主軸。
機器1亦具有大量感測器。作為範例,圖1中僅示意性地展示兩個感測器18及19。感測器18為用於偵測研磨主軸15之外殼之振動的加速度感測器(振動感測器)。感測器19為用於偵測軸向滑件13相對於工具載架12沿Z方向之位置的位置感測器。然而,另外,機器1包含複數個其他感測器。特定言之,此等感測器包括用於在各情況下偵測一個線性軸線之實際位置的其他位置感測器、用於在各情況下偵測一個旋轉軸線之旋轉位置的旋轉角感測器、用於在各情況下偵測一個軸線之驅動電流的電流感測器,及用於在各情況下偵測一個驅動組件之振動的其他振動感測器。
機器1之所有驅動軸線由機器控制器40用數位方式控制。機器控制器40包含若干軸線模組41、控制電腦42及控制面板43。控制電腦42自控制面板43接收操作者命令以及來自機器1之各種感測器的感測器信號,且自此等感測器計算針對軸線模組41之控制命令。其亦輸出操作參數至控制面板43以供顯示。軸線模組41為各自在其輸出處之一個機器軸線提供控制信號。
監測裝置44連接至控制電腦42。
監測裝置44可為與機器1相關聯之分離硬體單元。其可經由本身已知之介面(例如經由已知乙太網標準)或經由網路(例如經由網際網路)連接至控制電腦42。其可為機器1之空間部件,或其可在空間上遠離機器1。
監測裝置44在機器之操作期間自控制電腦42接收多種不同量測資料。在自控制電腦接收之量測資料當中為直接由控制電腦42獲取之感測器資料及由控制電腦42自軸線模組41讀取之資料,例如描述各種機器軸線之目標位置及軸線模組中之目標電流消耗的資料。
監測裝置44可視情況具有其自有的類比及/或數位感測器輸入以直接自其他感測器接收感測器資料作為量測資料。其他感測器通常為不直接為控制實際機械加工製程所需之感測器,例如用於偵測振動或溫度感測器之加速度感測器。
監測裝置44可替代地實施為機器控制器40之軟體組件,例如,執行於控制電腦42之處理器上,或其可實施為下文更詳細地描述之服務伺服器45的軟體組件。服務伺服器45具有僅示意性地指示之處理器451及儲存媒體452。
監測裝置44直接地或經由網際網路及網頁伺服器47與服務伺服器45通信。服務伺服器45又與資料庫伺服器46與資料庫DB通信。此等伺服器可位於機器1遠端。伺服器無需為單一物理實體。特定言之,伺服器可實施為所謂「雲端」中之虛擬單元。
服務伺服器45經由網頁伺服器47與終端裝置48通信。特定言之,終端裝置48可執行網頁瀏覽器,藉由該網頁瀏覽器視覺化所接收之資料及其評估。終端裝置不需要符合任何特定計算能力要求。舉例而言,終端裝置可為桌上型電腦、筆記型電腦、平板電腦、蜂巢式電話等。
工件
批次
之加工
下文描述如何用機器1加工工件。
為了加工仍未加工之工件(坯料),工件由處於該工件改變位置中之該工件主軸上的自動工件變換器夾持。工件改變與另一工件在處於加工位置之另一工件主軸上之加工並行地發生。當待加工之新工件經夾持且另一工件之加工完成時,工件載架20圍繞C3軸線旋轉180°,使得具有待加工的新工件之主軸移動至加工位置。在旋轉製程之前及/或期間,藉助於相關聯之嚙合探針進行嚙合操作。出於此目的,設定工件主軸21旋轉,且藉助於嚙合探針24量測工件23之齒間隙之位置。在此基礎上判定滾轉角。
當攜載待加工之工件23之工件主軸已達至加工位置時,工件23藉由沿著X軸移動工具載架12而與研磨蝸桿16發生無碰撞接合。現在藉由滾軋接合中之研磨蝸桿16來加工工件23。在加工期間,工件在恆定徑向X進給下沿著Z軸連續前進。另外,工具主軸15沿著偏移軸線Y緩慢且連續地移動,以便連續地使用研磨蝸桿16之未使用區域以用於加工(所謂的偏移移動)。
平行於工件加工,成品工件自另一工件主軸移除且另一坯料夾持於此主軸上。
若在加工某一數目個工件之後,研磨蝸桿16之使用已進展至研磨蝸桿太鈍及/或側面幾何太不準確之點,則修整研磨蝸桿。出於此目的,工件載架20旋轉±90°,使得修整裝置30達至其與研磨蝸桿16相對之位置。研磨蝸桿16現用修整工具33來修整。此處之修整工具為旋轉修整輪。
切齒機測試週期
在機械加工暫停期間,由監測裝置44進行與機器控制器42交互之測試週期以檢查機器1之個別或所有組件的狀態。在此測試週期期間,系統地致動機器軸線之經選擇部分或所有機器軸線,且在機器上進行量測。
舉例而言,各線性可位移之組件與相關聯機器軸線位移,且該組件之瞬時位置憑藉前述位置感測器而連續地判定。自此,連續地判定規格(標稱位置)與量測(實際位置)之間的位置偏差,且將該位置偏差傳輸至監測裝置44。亦可針對可旋轉驅動之主軸進行此操作,藉此旋轉角感測器接著用以判定位置偏差。
當激活所討論之機器軸線時,亦判定所選機器軸線之振動行為。連接至此等組件之加速感測器(振動感測器)用於此目的。振動量測結果亦經傳輸至監測裝置44。
此外,機器軸線之驅動馬達之功率消耗在其經激活時連續地判定。整合於軸線模組41中之電流感測器例如可用於此目的。電流量測之結果亦經傳輸至監測裝置44。
所有此可在一個機器軸線經單獨致動時進行。然而,亦有可能以耦合方式致動兩個或更多個機器軸線,使得在兩個或更多個機器軸線同時致動時記錄機器之行為。在此情況下,例如,當致動單一機器軸線時,可出現大於僅基於振動行為而預期之放大振動,或可偵測到僅可在同步地致動兩個機器軸線時判定之控制器誤差。
狀態資料
監測裝置44自所接收量測資料判定各種狀態資料。狀態資料允許得出關於機器或其個別組件之狀態的直接或間接結論。特定言之,狀態資料包含藉由頻譜分析自量測資料獲得之頻譜資料。可判定完整頻譜或僅在所選離散激發頻率下之頻譜強度。
圖2展示可藉由過濾及FFT操作自在機器軸線(此處為B軸,亦即工具主軸)之致動期間記錄之加速度、位置或電流感測器之時間信號獲得的頻譜之範例。圖2之頻譜含有在所討論之機器軸線之旋轉頻率(階)的整數及非整數倍處之若干清楚可見峰。
舉例而言,工具轉速及其倍數處之強峰可指示工具主軸中之同心誤差。較高倍數之工具轉速下之峰可指示工具主軸中之軸承損害,且軸承階可從倍數推斷。若已知軸承階,則可有可能識別引起峰之軸承。
監測裝置44將由此獲得之狀態資料傳輸至服務伺服器45。
EOL
測試
成品加工之工件各安裝於齒輪系中。在遞送之前在EOL測試台上測試齒輪系。參考圖3更詳細地解釋此情形。
圖3以高度示意性方式展示機器1,該機器1具有上文已經描述之各種伺服器45-47及終端裝置48。亦展示高度示意性EOL測試台2。EOL測試台經由網頁伺服器47與服務伺服器45通信。
如較早所解釋,機器1具有複數個感測器,包括加速度感測器(振動感測器)51、位置感測器52及電流感測器53。亦如先前所解釋,機器使用此等感測器來收集量測資料且將自其導出之狀態資料發送至服務伺服器45。
EOL測試台亦具有各種感測器,包括加速計54、旋轉角感測器等,該等加速計54當齒輪系中安裝之工件在配對齒輪上滾動時量測聲信號。EOL測試台自此等藉由頻譜分析計算資源資料,且亦將其發送至服務伺服器45。
服務伺服器
服務伺服器45處理所接收資料,必要時自所接收資料計算其他量,且必要時將所接收資料及所計算其他量儲存於資料庫DB中。特定言之,服務伺服器儲存以下資料:
具有相關聯之狀態識別資料之狀態資料,其允許判定狀態資料的機器之唯一識別及測試週期(特定言之致動機器軸線)中之相關聯操作,以及測試週期的時間;
各工件之加工製程之製程資料,以及允許工件之唯一識別的工件識別資料;
來自EOL測試台之EOL資料,以及相關聯之工件識別資料。
服務伺服器可從資料庫讀取且合併資料。特定言之,服務伺服器可將特定工件之EOL資料與相關聯之製程資料及將機器狀態最佳表徵為加工狀態之彼等機器狀態資料合併,各資料以形成資料集。
基於運動連桿對
EOL
頻譜中之擾動雜訊激發之預測
服務伺服器可在EOL測試台上進行擾動階之強度的定性預測。出於此目的,服務伺服器根據圖2之頻譜計算EOL測試台上之對應預期激發頻譜(EOL頻譜)。
在計算中,服務伺服器利用機器1之組件之間的已知運動連桿。參考圖4A及圖4B更詳細地解釋此情形。
圖4A展示圖表之部分的範例,其中鍵入B軸(亦即工具主軸)之已知可能擾動階及EOL頻譜中之對應預期擾動階。在本範例中,此等擾動階處於固定比率3.45,該比率由工具主軸與工件之間的運動連桿給出,亦即由工具與工件之間的滾動耦合給出,且由工件之幾何及研磨蝸桿判定。象徵性言之,該比率指示B軸之振動如何在工件之齒腹上傳播成波紋。此比率可藉由考慮研磨蝸桿與工件之間的接觸狀態來計算。其在下文稱為「傳播因子」。若已知B軸之組件之階(例如,軸承階及馬達階),則可提前計算B軸之可能擾動階。B軸之真實擾動階可藉由量測判定。
圖4B展示圖表之部分之範例,其中鍵入Y軸(亦即,偏移軸線)之可能擾動階及EOL頻譜中之對應預期擾動階。一方面,圖表區分Y軸之不同組件(例如,滾珠螺釘驅動BSD及驅動馬達),此可引起此等擾動階,且另一方面區分EOL頻譜中歸因於工件加工(研磨)期間之振動及修整引起的擾動階。研磨期間之振動直接導致工件側面上之側面波動(波紋)。在修整期間之振動最初導致研磨蝸桿上之側面波動,且在研磨期間亦從其中轉化為工件側面上之側面波動。若已知研磨及修整期間之運動連桿及加工參數,則亦可容易地計算Y軸之可能擾動階與EOL頻譜中之所得擾動階之間的對應傳播因子。可再次量測或計算Y軸之可能擾動階。
可針對研磨製程中所涉及之各機器軸線進行對機器軸線之可能擾動階及EOL頻譜中的所得擾動階之此類型分析。
現今基於在機器上之測試週期中所判定之頻譜及機器軸線的擾動階與EOL頻譜中之相關聯擾動階之間的已知傳播因子來進行EOL頻譜之預測。參考圖5更詳細地解釋此情形。圖5展示當測試週期中之B軸測試產生圖2之頻譜時所預期的預測EOL頻譜。預測EOL頻譜基本上與圖2之頻譜相同,但沿著水平軸線藉由上文已作為範例提及之傳播因子3.45延伸。然而,此EOL頻譜中之絕對信號值應小心地檢視:總之,對於給定擾動階,EOL信號實際上將有多強不僅取決於引起機器軸線之對應擾動階的強度,而且取決於在工件加工期間之大量其他因子及齒輪系中之工件的安裝狀態。就此而言,圖5之頻譜不允許關於預期信號強度之任何定量陳述。然而,其又允許預測哪些擾動階實際上將歸因於存在於所討論之機器軸線之頻譜中的擾動階而存在於EOL頻譜中,且其允許對在此等擾動階下之預期信號強度進行定性估計。舉例而言,圖5之頻譜允許在某些所感興趣擾動階下對信號強度進行粗略估計,該等擾動階引起感知為有其不合意的雜訊。此等擾動階在圖5中用圓圈標記作為範例。
總體而言,可因此進行良好預測,歸因於EOL中之哪些原因而預期具有大致哪些信號強度之擾動階。
舉例而言,工具主軸之磨損軸承可引起工具主軸之振動,藉此此等振動之階(與工具旋轉相關)由軸承階判定。該等軸承階由軸承之設計產生且常常可自軸承製造商獲得。因此,在測試週期中量測之振動可直接歸因於磨損軸承。此等振動可例如藉由工件主軸外殼上之加速度感測器量測。振動由加工製程傳播至工件,且在齒腹上本身顯現為週期性偏差(波動/波紋)。在安裝於齒輪系中之後,此等波動在工件齒在配對齒輪上滾動時顯現為雜訊激發。關於齒輪系中工件之旋轉的此等雜訊激發之階可易於基於以上考慮計算。以此方式,有可能計算磨損之軸承將如何影響齒輪系之雜訊譜。
圖5之所計算頻譜僅不允許關於預期信號強度之任何定量陳述。然而,藉由視覺化到此預期頻譜如何從測試週期改變至測試週期,可作出擾動階改變及何種方式之極佳估計。此在下文參考圖6例示。圖6展示圖式,其中以特定階(此處階52)之EOL測試台中之預期頻譜強度I作為用機器處理之工件的數目之函數繪製。可看出,預期雜訊強度隨時間強烈增加。藉由擬合至適合回歸函數(此處為二次回歸函數),可量化此增加,且取決於經判定回歸參數可觸發適合動作,例如可發佈警告信號。亦可以合適方式視覺化到不同EOL階處之預期信號強度之時間演進。此使得甚至無經驗之使用者能夠解譯雜訊問題。
基於運動連桿而識別擾動之源
反向亦為可能的:若已由對EOL測試台之量測來判定EOL頻譜,則可使用以上考慮來估計哪些機器軸線及(必要時)機器軸線之哪些組件已引起所量測EOL頻譜中之擾動階。出於此目的,反演計算出哪些機器軸線階對應於經量測EOL頻譜中之擾動階,且搜尋組件,該組件用於機器軸線之頻譜中的預期擾動階對應於以此方式反演計算之階。此程序可易於自動化。
不具有運動連桿之知識之程序
若驅動件之運動連桿並非已知或出於其他原因不應用於計算,則有可能使用機器學習(machine learning;ML)演算法來進行在某些EOL擾動階下之信號強度之預測或擾動源的識別。
在下文中參考圖7來解釋此情形。此為人工類神經網路(ANN)之高度簡化示意性草圖。在此範例中,此網路具有僅三個輸入及兩個輸出及僅一個隱藏層。實際上,ANN通常將具有更多輸入、輸出及隱藏層。
在本範例中,在輸入處將狀態資料饋送至ANN,其各自表徵機器之軸線B、Y及Z中之一者的振動傾向。ANN以兩個特定EOL階(此處為階52及59)之預期頻譜強度之形式自此計算所預測EOL頻譜資料。
先前用訓練資料訓練ANN。圖8展示此類訓練資料之部分之範例。圖8展示圖表,其中一方面,鍵入從機器之許多測試週期判定之狀態資料。另一方面,鍵入在階52及59處呈頻譜強度形式之EOL資料,該資料由齒輪系上之EOL量測而獲得。在此等齒輪系中,當工件處於獲得狀態資料之狀態下(亦即,恰好在各別測試週期之前及/或之後)時,安裝用機器加工之工件。圖表含有此類型之極多列。可從圖1及圖3之資料庫DB獲得列。已以此資料本身已知之方式來訓練ANN。因此,能夠可靠地預測機器之哪些狀態(由狀態資料表示)將導致所提及階處之哪個EOL強度。
反向亦為可能的:相對應ANN之輸入變數可為EOL資料,且輸出資料可為預測狀態資料。
當然,以上範例高度簡化,但其表明基本途徑。代替ANN,可使用其他類型之ML演算法,尤其是其他熟知分類器。
結果及視覺化之輸出
此等分析之結果之視覺化可經由網頁瀏覽器在任何用戶端電腦上獨立於平台進行。其他評估措施亦可以對應的平台無關方式實施。此甚至遠端地促進分析。特定言之,任何機器之狀態可經由雲端自任何行動裝置詳細地檢查。
另外,可設想若存在需要干預之狀態,則經由SMS、推播訊息或電子郵件自動發送對應訊息。
1:研磨機
2:EOL測試台
11:機器床
12:工具載架
13:軸向滑件
14:研磨頭
15:工具主軸
16:研磨蝸桿
18:感測器
19:感測器
20:工件載架
21:工件主軸
22:尾座
23:工件
24:嚙合探針
30:修整裝置
33:修整工具
40:機器控制器
41:軸線模組
42:控制電腦
43:控制面板
44:監測裝置
45:服務伺服器
46:資料庫伺服器
47:網頁伺服器
48:終端裝置
51:加速度感測器
52:位置感測器/階
53:電流感測器
54:加速計
59:階
451:處理器
452:儲存媒體
A:軸
B:工具軸線
C1:工件軸線
C2:工件軸線
C3:旋轉軸線
DB:資料庫
I:預期頻譜強度
X:徑向進給方向/恆定徑向
Y:移位方向/偏移軸線
Z:軸向饋送方向
參考圖式在下文中描述本發明之較佳具體實例,該等圖式出於說明本發明之較佳具體實例的目的而非出於限制本發明之較佳具體實例的目的。在圖式中,
[圖1]展示產生研磨機之示意圖;
[圖2]展示解釋在量測週期中獲得之頻譜資料之圖;
[圖3]展示具有EOL測試台之草圖;
[圖4A]及[圖4B]展示來自用於將機器組件之階轉化為安裝在EOL測試台上之齒輪系中之工件之階的圖表之提取;
[圖5]展示解釋頻譜預測資料之圖;
[圖6]展示擾動階處之擾動強度之時間演進的示意性表示;
[圖7]展示說明機器學習演算法之草圖;及
[圖8]展示用於機器學習演算法之例示性訓練資料的摘錄。
52:階
59:階
B:工具軸線
Y:移位方向/偏移軸線
Z:軸向饋送方向
Claims (18)
- 一種監測具有複數個機器軸線之一切齒機之一狀態的方法,其包含以下步驟: a)進行一測試週期,其中在該測試週期中,系統地致動該等機器軸線之至少一部分且獲得相關聯之機器量測資料; b)進行對該機器量測資料之一頻譜分析,其中自該機器量測資料計算機器頻譜資料;及 c)基於該機器頻譜資料來判定預測EOL頻譜資料,其中該預測EOL頻譜資料指示當用該切齒機加工的一工件安裝於一齒輪系中且在該齒輪系中之一配對齒輪上滾動時,預期激發在一EOL頻譜中處於哪些階。
- 如請求項1之方法,其包含: d)輸出該預測EOL頻譜資料或自其導出之至少一個量。
- 如請求項1或2之方法,其中判定該預測EOL頻譜資料包含將一傳播因子應用至該機器頻譜資料,該傳播因子取決於判定該機器頻譜資料之該機器軸線與該工件之間的一運動連桿。
- 如請求項1至3中任一項之方法,其中單獨地判定每致動機器軸線該預測EOL頻譜資料。
- 如請求項1至4中任一項之方法, 其中重複步驟a)至c)若干次, 其中在該等測試週期之間用該切齒機加工工件且在在該加工工具不與一工件加工接合的加工暫停時進行該等測試週期,且 其中視覺化及/或分析該預測EOL頻譜資料之一發展,該預測EOL頻譜資料作為進行的該測試週期、經加工之該等工件或時間之一函數,特定言之,由一回歸分析來視覺化及/或分析。
- 如請求項1至5中任一項之方法, 其中參考機器頻譜資料可用於複數個參考機器,該參考機器頻譜資料已由對該等參考機器進行之複數個參考測試週期判定, 其中自該參考機器頻譜資料判定預測參考EOL頻譜資料, 其中將已基於該經監測切齒機之該機器頻譜資料而判定的該預測EOL頻譜資料與該預測參考EOL頻譜資料或自其導出之量進行比較, 其中該方法視情況包含對該預測參考EOL頻譜資料之一統計分析。
- 一種監測具有複數個機器軸線之一切齒機之一狀態的方法,其包含以下步驟: a)對包含由該切齒機加工的一工件之一齒輪系進行一EOL測試,其中在該EOL測試中,該齒輪系中之該工件在一配對齒輪上滾動,且判定相關聯之EOL量測資料; b)對該EOL量測資料進行一頻譜分析,其中計算來自該EOL量測資料之EOL頻譜資料;及 c)基於該EOL頻譜資料來判定預測狀態資料,其中至少一個機器軸線之該預測狀態資料指示彼機器軸線之哪些階與該經計算EOL頻譜資料一致。
- 如請求項7之方法,其包含: d)輸出該預測狀態資料或自其導出之至少一個量。
- 如請求項7或8之方法,其另外包含: e)進行一測試週期,在該測試週期中,系統地致動該等機器軸線之至少一部分且獲得相關聯之機器量測資料; f)進行對該機器量測資料之一頻譜分析,其中自該機器量測資料計算機器頻譜資料;及 g)基於該機器頻譜資料來判定預測EOL頻譜資料,其中該預測EOL頻譜資料指示在由該切齒機加工的一工件安裝於一齒輪系中且在該齒輪系中之一配對齒輪上滾動時,預期激發在一EOL頻譜中處於哪些階, 其中判定該預測狀態資料包含將自該EOL量測資料計算之該EOL頻譜資料與該預測EOL頻譜資料進行比較。
- 一種用於建立一機器學習演算法之一訓練資料集以用於監測具有複數個機器軸線之一切齒機之一狀態的方法,其包含: a)進行一測試週期,在該測試週期中,系統地致動該等機器軸線之至少一部分且由量測判定相關聯之狀態資料; b)當該切齒機處於對應於該狀態資料之一狀態下時,用該切齒機加工至少一個工件; c)將該經加工之工件安裝於一齒輪系中; d)對該齒輪系進行一EOL測試,其中在該EOL測試中,該齒輪系中之該工件在一配對齒輪上滾動,且判定相關聯之EOL資料; e)將該狀態資料及對應EOL資料儲存在該訓練資料集中; f)對複數個測試週期及經加工之工件重複步驟a)至e),其中該等工件具有相同標稱幾何且在相同加工狀態下經加工。
- 一種訓練一機器學習演算法的方法,其中使用如請求項10之該訓練資料集來訓練該機器學習演算法。
- 一種監測具有複數個機器軸線之一切齒機之一狀態的方法, 其特徵在於在該方法中使用藉由如請求項10之該訓練資料集所訓練之一機器學習演算法。
- 如請求項12之方法, 其中該機器學習演算法具有該切齒機之作為輸入變數的狀態資料及作為輸出變數的預測EOL資料, 該方法包含: a)進行一測試週期,其中在該測試週期中,系統地致動該等機器軸線之至少一部分且由量測判定相關聯之狀態資料; b)基於該狀態資料藉由將該狀態資料饋送至該經訓練之ML演算法作為輸入變數來判定預測EOL資料;及 c)視情況輸出該預測EOL頻譜資料或自其導出之至少一個量。
- 如請求項12之方法, 其中該機器學習演算法具有作為輸入變數之EOL資料及作為輸出變數之該切齒機的預測狀態資料, 該方法包含: a)對該齒輪系進行一EOL測試,其中在該EOL測試中,判定該齒輪系中之該工件在配對齒輪上滾動,且判定相關聯EOL資料; b)基於該EOL資料藉由將該EOL資料饋送至該訓練之ML演算法作為輸入變數來判定預測狀態資料;及 c)視情況輸出該預測之狀態資料或自其導出之至少一個量。
- 如請求項10至14中任一項之方法,其中該機器學習演算法為一分類演算法,特定言之一人工類神經網路或一支援向量機,或一隨機森林。
- 如請求項10至15中任一項之方法, 其中該狀態資料與一機器軸線關於其振動行為之一狀態相關,且特定言之包含由機器量測資料之一頻譜分析計算的機器頻譜資料,及/或 其中該EOL資料與該齒輪系之該雜訊行為相關,且特定言之,包含由EOL量測資料之頻譜分析計算的EOL頻譜資料。
- 一種用於監測具有複數個機器軸線之一切齒機之一狀態的裝置,其包含一處理器(451)及一儲存媒體(452),該儲存媒體上儲存有一電腦程式,當在該處理器上執行時該電腦程式使得進行以下步驟: 接收由該切齒機之一測試週期判定的狀態資料,其中在該測試週期中,已系統地致動該等機器軸線之至少一部分,且已由量測判定該相關聯之狀態資料;及 基於該狀態資料,判定與包含用該切齒機加工的一工件之一齒輪系之一雜訊行為相關的預測EOL資料。
- 一種用於監測具有複數個機器軸線之一切齒機之一狀態的裝置,其包含一處理器(451)及一儲存媒體(452),該儲存媒體上儲存有一電腦程式,當在該處理器上執行時該電腦程式使得進行以下步驟: 接收由包含由該切齒機加工的一工件之一齒輪系上的一EOL測試來判定的EOL資料,其中在該EOL測試中,該齒輪系中之該工件在一配對齒輪上滾動,且判定該相關聯之EOL資料;及 基於該EOL資料,判定與至少一個機器軸線之就其振動行為而言之一狀態相關的預測狀態資料。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CH70374/21A CH718000B1 (de) | 2021-10-11 | 2021-10-11 | Verfahren und vorrichtung zur überwachung des zustands einer verzahnmaschine. |
CH070374/2021 | 2021-10-11 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202339880A true TW202339880A (zh) | 2023-10-16 |
Family
ID=84192110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111138212A TW202339880A (zh) | 2021-10-11 | 2022-10-07 | 監測切齒機狀態的方法 |
Country Status (3)
Country | Link |
---|---|
CH (1) | CH718000B1 (zh) |
TW (1) | TW202339880A (zh) |
WO (1) | WO2023061851A1 (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3809870A (en) * | 1972-06-08 | 1974-05-07 | Gleason Works | Method and apparatus for monitoring condition of cutting blades |
GB2149551B (en) * | 1983-11-07 | 1988-08-17 | Eel Limited | Apparatus for monitoring the operation of a system |
DE102013003795A1 (de) | 2013-03-05 | 2014-09-11 | Liebherr-Verzahntechnik Gmbh | Bearbeitungsverfahren zum Hartfeinbearbeiten von geräuschoptimierten Verzahnungen auf einer Verzahnmaschine |
EP3168700A1 (de) * | 2015-11-11 | 2017-05-17 | Klingelnberg AG | Automatisiertes verfahren und verarbeitungsmodul zum überwachen einer cnc-gesteuerten mehrachsmaschine |
EP3324170B1 (de) * | 2016-11-21 | 2021-03-10 | Klingelnberg AG | Verfahren und vorrichtung zur automatisierten bearbeitung und prüfung von zahnrad-bauteilen |
JP2018156151A (ja) * | 2017-03-15 | 2018-10-04 | ファナック株式会社 | 異常検知装置及び機械学習装置 |
CH715989B1 (de) * | 2019-03-22 | 2020-10-30 | Reishauer Ag | Verfahren zum kontinuierlichen Wälzschleifen von vorverzahnten Werkstücken. |
CH716583A1 (de) * | 2019-09-13 | 2021-03-15 | Reishauer Ag | Verfahren zur Überwachung eines Bearbeitungsprozesses, bei dem Zahnflanken vorverzahnter Werkstücke mit einer Feinbearbeitungsmaschine bearbeitet werden. |
DE102019135488A1 (de) * | 2019-12-20 | 2021-06-24 | Trumpf Werkzeugmaschinen Gmbh + Co. Kg | Verfahren und System zur Ermittlung des dynamischen Verhaltens einer Maschine |
CN111413925A (zh) * | 2020-03-20 | 2020-07-14 | 华中科技大学 | 一种基于声音信号的机床故障预测方法 |
-
2021
- 2021-10-11 CH CH70374/21A patent/CH718000B1/de unknown
-
2022
- 2022-10-06 WO PCT/EP2022/077838 patent/WO2023061851A1/de unknown
- 2022-10-07 TW TW111138212A patent/TW202339880A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
CH718000B1 (de) | 2022-11-30 |
WO2023061851A1 (de) | 2023-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7571022B2 (en) | System and method for monitoring machine health | |
TWI650625B (zh) | 刀具磨耗檢測裝置、其檢測方法及刀具磨耗補償方法 | |
US20220291669A1 (en) | Automatic process control in a gear processing machine | |
CN107111297B (zh) | 用于由至少一台计算机数控机器加工的工件的部件分析的计算机实现方法 | |
JP6649684B2 (ja) | びびり予測のための改良型データベース | |
Rastegari et al. | Condition based maintenance of machine tools: Vibration monitoring of spindle units | |
US20150293523A1 (en) | Machine tool diagnostic method and system | |
JP6752866B2 (ja) | 刃具状態検査システム及び方法 | |
KR101957711B1 (ko) | 가공좌표계상 가공시간에 따라 가공위치와 물리적 가공절삭 특성값을 매핑하는 절삭특성맵을 활용하여 절삭상태를 지능적으로 감시 및 진단하고, 절삭조건을 제어할 수 있는 지능형 cnc공작기계 제어시스템 | |
TW202333011A (zh) | 監測工具機的狀態之方法 | |
Liu et al. | Calibration-based tool condition monitoring for repetitive machining operations | |
JP2018106562A (ja) | 解析装置および解析システム | |
JP7277152B2 (ja) | 工作機械の工具管理システム | |
JP7147131B2 (ja) | 解析システム | |
CN110837248B (zh) | 机床健康度测评方法、系统、综合系统及数控机床 | |
EP3961321A1 (en) | System and method for instantaneous performance management of a machine tool | |
CN113305644A (zh) | 一种基于零件测量数据的刀具状态监测及预警方法和系统 | |
KR102491716B1 (ko) | 가공 환경 추정 장치 | |
TW202339880A (zh) | 監測切齒機狀態的方法 | |
JP7310195B2 (ja) | 診断装置、診断システム及び診断プログラム | |
CN117098626A (zh) | 用于工件的轮齿或轮廓的硬精加工的方法 | |
CN111356963A (zh) | 用于制造设施的状态监控的方法 | |
Sawangsri et al. | Concept and development of IoT-based e-maintenance platform for demonstrated system | |
Turygin et al. | MAINTENANCE AND TECHNICAL DIAGNOSTICS OF MACHINE TOOLS. | |
Loba et al. | Laboratory for Machine Tools and Production Engineering (WZL), RWTH Aachen University, Steinbachstraße 19, 52074 Aachen, Germany m. loba@ wzl. rwth-aachen. de |