TWI422460B - Tool nose detection method for cutting machine tool - Google Patents
Tool nose detection method for cutting machine tool Download PDFInfo
- Publication number
- TWI422460B TWI422460B TW99146402A TW99146402A TWI422460B TW I422460 B TWI422460 B TW I422460B TW 99146402 A TW99146402 A TW 99146402A TW 99146402 A TW99146402 A TW 99146402A TW I422460 B TWI422460 B TW I422460B
- Authority
- TW
- Taiwan
- Prior art keywords
- signal
- detecting
- state
- tool
- cutting tool
- Prior art date
Links
Landscapes
- Machine Tool Sensing Apparatuses (AREA)
Description
本發明係關於一種狀態偵測方法及其裝置,尤指一種用以偵測工具機切削加工刀具狀態的偵測方法及其裝置者。
按,既有切削加工機於運轉時,為了考慮切削刀具會產生斷裂而無警示的狀況,會使得生產效率與品質下滑,導致生產成本提升,而在沒有刀具磨耗的線上監測輔助的狀況下,操作者必須保守的定時更換刀具,但因每支刀具壽命表現的差異相當大,相對會造成換刀時刀具並未損壞,且換刀頻率的增加亦會降低系統運作的效率;目前,如我國發明專利第490357號「檢測切削加工機切削刀具異常之裝置與其方法」,其係設有一振動檢測裝置、一異常狀態檢測裝置、一停止指示裝置及一通報裝置,於檢測時主要係在進行切削加工時,透過該振動檢測裝置檢測加工機切削刀具進行切削加工時所發生的振動,經由該異常狀態檢測裝置計算所檢測之振動中超過規定值之峰值發生次數,其中當峰值發生次數超過規定臨界值時,輸出一信號至該停止指示裝置中並對於該加工機進行停止加工之操作,再經由該通報裝置通知作業員更換切削刀具,提供一檢測加工機切削刀具異常之裝置及其方法;然而,既有檢測加工機切削刀具異常之裝置及其方法於使用時,並未考慮刀具瞬間發生斷裂之狀態,且訊號處理係以超過臨界值作為刀具狀態判定標準,不論是時域訊號或頻域訊號均無法避免雜訊或機台變動所造成的誤判,再則,刀具會隨著斷裂狀態的不同,也會產生不同的振動訊號能量,其中以訊號能量臨界值作為判定的標準時,假設臨界值設定的太高,將造成無法偵測到一些斷裂狀態,另外,當臨界值設定的太低時,則將造成雜訊與因磨耗產生之振動被誤判為刀具斷裂,而振動感測器係安裝於加工機的基座上,因此,該振動感測器所偵測到的振動訊號會與基座的結構相關,且訊號能量與頻率特性也會隨工件的安裝狀態與質量大小的不同而有所改變,因而造成狀態的誤判,另外,當振動感測器裝置係設置於主軸的外殼時,因非設置於切削刀具的本體結構上,對於刀具狀態變化所造成的振動變化較不易傳達,加上其訊號能量與頻率特性也將隨主軸外殼的邊界條件改變而不同,除此之外,聲射感應器的訊號主要的量測訊號為高頻的固體波,頻率遠高於量測振動的頻域範圍,雖可量测振動相關的固體波訊號,但其並非單純的振動訊號,敏感度與抗雜訊能力較差,因此,無法有效地對於切削刀具的狀態進行檢測,誠有加以改良之處。
因此,本發明人有鑑於目前加工機切削加工刀具檢測方法及裝置,無法即時且準確偵測的不足與問題,特經過不斷的研究與試驗,終於發展出一種能改進現有缺失之本發明。
本發明之主要目的係在於提供一種工具機之切削加工刀具狀態偵測方法及其裝置,其係可即時地且準確地得知刀具斷裂或刀具磨耗之狀態,進而提供一可即時檢測及提高偵測精度之目的者。
為達到上述目的,本發明係提供一種工具機切削加工刀具之狀態偵測方法,其操作流程係包含有:儀器設置:準備一偵測裝置,該偵測裝置係設有一感應組、一訊號處理組及一監控組,該感應組係設有一感應器,該訊號處理組係與該感應組相電性連接且設有一資料擷取卡及一電腦,該資料擷取卡係與該感應器相電性連接,用以擷取該感應器所偵測到的訊號資料,該電腦係與該資料擷取卡相電性連接且設有一訊號轉換模組、一特徵選取模組及一辨識模組,其中該訊號轉換模組係對於感應器所偵測的訊號進行轉換,該特徵選取模組係與該訊號轉換模組相連接,用以將經該訊號轉換模組處理的訊號進行特徵值的選取,而該辨識模組係與該特徵選取模組相連接,藉以透過各選取的特徵值進行訊號的辨識處理,進而得到切削加工刀具的狀態,該監控組係與該訊號處理組相電性連接且設有一警報器,該警報器係與該電腦的辨識模組相連接,藉以透過該辨識模組的辨識結果,經由該警報器提醒操作者該切削加工刀具的狀態;線上偵測與訊號處理:將該感應組的感測器設置於一工具機主軸的夾具上,啟動該工具機使該切削加工刀具進行切削加工,於加工過程所產生的訊號,透過該感應器的偵測後經由該資訊擷取卡擷取其訊號至該電腦中,將原始訊號進行訊號轉換,待訊號轉換後經由該特徵選取模組進行與切削加工刀具狀態相關特徵值的選取,藉由該辨識模組對於各特徵值進行辨識;以及偵測結果:當特徵值經該辨識模組辨識後,將該辨識後的特徵值訊號輸出,即可讓使用者即時得知該切削加工刀具的狀態,且可透過傳送訊號至該警報器的方式,告知操作者該切削加工刀具的狀態。
進一步,在線上偵測與訊號處理的操作步驟中,該訊號特徵的選取係採用群組分離法準則計算各特徵值隨刀具狀態變化之分離度,分離度最高者被選為接續處理之特徵值,該群組分離法準則運用計算群組內及群組間之資料共變異度的方式,來了解每個群組資料彼此間資料的分離程度,進而利用此特性來選取相對磨耗變化分離程度較大者之特徵值,以避免選取不必要的特徵輸入而導致辨識的成效不彰,將選取後的特徵值輸入該辨識模組中。
再進一步,在線上偵測與訊號處理的操作步驟中,透過一準位均化處理,將取得之轉換訊號除以原始訊號之均方根值,進而將所有轉換訊號調整至同一準位上,藉以減少訊號能量間的變異。
較佳地,在儀器設置的操作步驟中,該訊號處理組於該資料擷取卡與該電腦間係設有一類比/數位轉換器,藉以將類比訊號轉換成一數位訊號。
較佳地,在儀器設置的操作步驟中,以一加速規感應器作為該感應器。
較佳地,在儀器設置的操作步驟中,以一聲射感應器作為該感應器。
較佳地,在線上偵測與訊號處理的操作步驟中,係藉由一小波轉換方程式來對於感應器所偵測的訊號進行轉換。
較佳地,在線上偵測與訊號處理的操作步驟中,係藉由一傅立葉轉換方程式來對於感應器所偵測的訊號進行轉換。
較佳地,在線上偵測與訊號處理的操作步驟中,係藉由一快速傅立葉轉換方程式來對於感應器所偵測的訊號進行轉換。
較佳地,在線上偵測與訊號處理的操作步驟中,係藉由一費雪線性辨識函數作為訊號辨識的方法。
較佳地,在線上偵測與訊號處理的操作步驟中,係藉由一類神經網路作為訊號辨識的方法。
較佳地,在線上偵測與訊號處理的操作步驟中,係藉由一模糊邏輯辨識方程式作為訊號辨識的方法。
較佳地,在線上偵測與訊號處理的操作步驟中,當針對刀具斷裂的部分,本係採取分段辨識的方法,當前後時間差訊號有變動時,才進入訊號轉換與特徵選取之辨識方法。
較佳地,在偵測結果的操作步驟中,當偵測刀具的磨耗時,係以偵測結果相同次數超過設定值才決定最後刀具狀態。
本發明另提供一種工具機切削加工刀具之狀態偵測裝置,其係包含有一感應組、一訊號處理組及一監控組,其中:該感應組係設有一感應器;該訊號處理組係與該感應組相電性連接且設有一資料擷取卡及一電腦,該資料擷取卡係與該感應器相電性連接,用以擷取該感應器所偵測到的訊號資料,該電腦係與該資料擷取卡相電性連接且設有一訊號轉換模組、一特徵選取模組及一辨識模組,其中該訊號轉換模組係對於感應器所偵測的訊號進行轉換,該特徵選取模組係與該訊號轉換模組相連接,用以將經該訊號轉換模組處理的訊號進行特徵值的選取,而該辨識模組係與該特徵選取模組相連接,藉以透過各選取的特徵值進行訊號的辨識處理,進而得到切削加工刀具的狀態;以及該監控組係與該訊號處理組相電性連接且設有一警報器,該警報器係與該電腦的辨識模組相連接,藉以透過該辨識模組的辨識結果,經由該警報器提醒操作者該切削加工刀具的狀態。
進一步,該訊號處理組於該資料擷取卡與該電腦間係設有一類比/數位轉換器,藉以將類比訊號轉換成一數位訊號。
再進一步,該感應器為一加速規感應器。
較佳地,該感應器為一聲射感應器。
藉由上述之技術手段,本發明工具機之切削加工刀具狀態偵測方法及其裝置,係透過整合感應組、訊號處理組與監控組的方式,對於感應器所偵測的訊號,進行訊號轉換、特徵選取與訊號辨識後,取得與刀具狀態相關的訊號,能線上即時得知刀具磨耗或斷裂的狀態,且以警報器警示操作者,亦可透過與該加工機的控制器相連接的方式,對於該加工機即時停機或實施刀具的更換,不僅可減少時間與金錢的損失,且可同時減少操作人員的數量,再則,本發明工具機之切削加工刀具狀態偵測方法及其裝置,可應用於不同軸數之銑削、鑽削與攻牙工具機...等等的加工機上,提供一可即時檢測及提高偵測精度之偵測方法及裝置者。
為能詳細瞭解本發明的技術特徵及實用功效,並可依照說明書的內容來實施,玆進一步以圖式(如圖1及2所示)所示的較佳實施例,詳細說明如后:本發明之目的在於提供一工具機之切削加工刀具狀態偵測方法及其裝置,其係可即時地且準確地得知刀具斷裂或刀具磨耗之狀態,進而提供一可即時檢測及提高偵測精度之偵測方法及裝置者。
本發明之工具機切削加工刀具之狀態偵測方法,其操作流程係包含有:
A、儀器設置:準備一偵測裝置,該偵測裝置係設有一感應組10、一訊號處理組20及一監控組30,其中該感應組10係設有一感應器11,較佳地,該感應器11係可為一加速規感應器12或者一聲射感應器13,該訊號處理組20係與該感應組10相電性連接且具有訊號處理運算能力及人機控制介面的功能,該訊號處理組20係設有一資料擷取卡21及一電腦22,該資料擷取卡21係與該感應器11相電性連接,用以擷取該感應器11所偵測到的訊號資料;該電腦22係與該資料擷取卡21相電性連接且設有一訊號轉換模組23、一特徵選取模組24及一辨識模組25,其中該訊號轉換模組23係藉由一小波轉換方程式231(Wavelet Transform)、一傅立葉轉換方程式232(Fourier Transform)或一快速傅立葉轉換方程式233(Fast Fourier Transform;FFT),來對於感應器11所偵測的訊號進行轉換,其中小波轉換方程式231係可如圖3所示,當欲觀察低頻成份時,可用長時間的區段,而當欲觀察高頻成份時,則可用短時間的區段,由圖中可觀察到當時間軸越窄時,可觀察到的尺度(與頻率相關)範圍則愈寬,因此,小波轉換方程式231於使用時係如顯微鏡一般,可從大範圍的低頻成份進行觀察,也可從小範圍的高頻成份進行觀察;而使用該傅立葉轉換方程式232時,係由於訊號在時域(Time domain)上的變化通常不容易看出訊號的特性,所以可透過該傅立葉轉換方程式232將訊號轉換成頻域(Frequency domain)上的能量分佈來進行觀察,其中當時域信號經過傅立葉轉換方程式232處理後,係可得到如圖4所示的頻域資訊,因此,該傅立葉轉換方程式232係可針對穩定訊號進行轉換,適合用於在切削加工中產生刀具磨耗狀態的訊號轉換;再則,使用快速傅立葉轉換方程式233主要係由於離散傅立葉轉換(Discrete Fourier Transform;DFT)為數位訊號處理中,把離散訊號從時域型式轉換至頻域型式,一項重要且常用的工具,但由於離散傅立葉轉換,其所需要的運算資源過於龐大,因此,透過1965年Cooley與Tukey發表了一套演算法則,改善離散傅立葉轉換於運算效率上的缺點,降低計算時間,才得以廣泛拓展至應用層面上,而此演算法即稱為快速傅立葉轉換方程式233(FFT);該特徵選取模組24係與該訊號轉換模組23相連接,用以將經該訊號轉換模組23處理的訊號進行特徵值的選取(該特徵值的選取數量可為1個以上),而該辨識模組25係與該特徵選取模24組相連接,藉以透過各選取的特徵值進行訊號的辨識處理,進而得到切削加工刀具的狀態,較佳地,該辨識模組25係以一費雪線性辨識函數251、一類神經網路252或一模糊邏輯辨識方程式253作為訊號辨識的方法,其中費雪線性辨識函數251(Fisher’s Linear Discriminant analysis;FLD),其目的在於找尋某個轉換矩陣,如圖5及6所示透過方程式(1)使得資料於其上的線性投影差距最大,進而展現各群體之間最大的距離;
y
=w T x
................................................................(1)
其中x
代表原始資料空間,w T
為轉換矩陣,y
為轉換後之特徵向量空間;該類神經網路252(Artificial Neural Networks,簡稱ANN)是一種模仿生物的大腦與神經網路系統所建構出來的資訊處理系統,能夠對於由外界所輸入的訊號具備儲存、學習、回想等一系列動作,類神經網路較精確的定義為:「類神經網路是一種計算系統,包括軟體與硬體,它使用大量簡單的相聯人工神經元來模仿生物神經網路的能力,人工神經元是生物神經元的簡單模擬,它從外界環境或者其他人工神經元取得資訊,並加以非常簡單的運算,並輸出其結果到外界環境或者其他人工神經元。」
而該模糊邏輯辨識方程式253係允許在包含0和1的它們之間集合成員關係值,相同於黑和白之間的灰色,在它的語言形式中,有著不精確的概念如"稍微"、"相當"和"非常"等,特別是,它允許在集合中的部分成員關係,該模糊邏輯辨識方程式主要表達的概念繫將人類主觀性的思考及判斷的不確定性做為「量化的處理」,進而來表達現實生活中無法明確定義的模糊概念;較佳地,該訊號處理組20於該資料擷取卡21與該電腦22間係設有一類比/數位轉換器26,藉以將類比訊號轉換成一數位訊號;以及該監控組30係與該訊號處理組20相電性連接且設有一警報器31,該警報器31係與該電腦202的辨識模組25相連接,藉以透過該辨識模組25的辨識結果,經由該警報器31提醒操作者該切削加工刀具的狀態(斷裂或磨耗);B、線上偵測與訊號處理:將該感應組10的感測器11設置於一工具機50主軸51的夾具52上,較佳地,該感應組10係於該工具機50的三個線性軸(X軸、Y軸及Z軸)上分別設有一加速規感應器12,啟動該工具機50使該切削加工刀具進行切削加工,於加工過程所產生的訊號,透過該感應器11偵測各線性軸如圖7及8所示於不同加工次數時所產生的訊號,經由該資訊擷取卡21擷取訊號至該電腦22中,將原始訊號透過小波轉換方程式231、傅立葉轉換方程式232或快速傅立葉轉換方程式233進行訊號轉換,其中如圖9所示係經傅立葉轉換方程式232轉換所得之振幅-頻率圖,較佳地,由於切削過程是相當複雜的加工行為,且會隨著材料、刀具、切屑形成等變異產生,使系統的振動能量也會隨之改變,因此,所偵測的訊號能量並非落在同一準位上,此現象會造成特徵選擇與能量比對過程中的錯誤,所以,為了減少訊號能量之間的變異對訊號特徵選取過程的不良影響,透過一準位均化處理(該準位均化處理亦可由小波轉換後之小波係數間比值為新的特徵訊號,如D1Max
/D2Max
或由該傅立葉轉換後以不同頻率特徵之能量比值為特徵訊號,如E5kHz
/E7kHz
來替代),將取得之轉換訊號除以原始訊號之均方根值(RMS值),進而將所有轉換訊號調整至同一準位上,藉以減少訊號能量間的變異,待訊號轉換後經由該特徵選取模組24進行與切削加工刀具狀態相關特徵值的選取,較佳地,訊號特徵的選取係如圖10所示(以X軸為例)採用群組分離法準則計算各特徵值隨刀具狀態變化之分離度,分離度最高者被選為接續處理之特徵值,該群組分離法準則運用計算群組內及群組間之資料共變異度的方式,來了解每個群組資料彼此間資料的分離程度,進而利用此特性來選取相對磨耗變化分離程度較大者之特徵值,以避免選取不必要的特徵輸入而導致辨識的成效不彰,將選取後的特徵值輸入該辨識模組25中,藉由費雪線性辨識函數251、類神經網路252或模糊邏輯辨識方程式253對於各特徵值進行辨識,其中針對刀具斷裂的部分,本發明係採取分段辨識的方法,當前後時間差訊號有變動時,才進入訊號轉換與特徵選取之辨識方法,藉以減少系統之資料遺失問題;以及C、偵測結果:當特徵值經該辨識模組25辨識後,如表1所示將該辨識後的特徵值訊號輸出,即可讓使用者即時得知該切削加工刀具的狀態(磨耗),且可透過傳送訊號至該警報器31的方式,告知操作者該切削加工刀具的狀態(斷裂),而關於偵測刀具磨耗的部分,本發明係以偵測結果相同次數超過設定值才決定最後刀具狀態,藉以提升系統穩定度。
藉由上述之技術手段,本發明工具機之切削加工刀具狀態偵測方法及其裝置,係透過整合感應組10、訊號處理組20與監控組30的方式,對於感應器11所偵測的訊號,進行訊號轉換、特徵選取與訊號辨識後,取得與刀具狀態相關的訊號,能線上即時得知刀具磨耗或斷裂的狀態,且以警報器31警示操作者,亦可透過與該加工機50的控制器相連接的方式,對於該加工機50即時停機或實施刀具的更換,不僅可減少時間與金錢的損失,且可同時減少操作人員的數量,再則,本發明工具機之切削加工刀具狀態偵測方法及其裝置,可應用於不同軸數之銑削、鑽削與攻牙工具機...等等的加工機上,提供一可即時檢測及提高偵測精度之偵測方法及裝置者。
以上所述,僅是本發明的較佳實施例,並非對本發明作任何形式上的限制,任何所屬技術領域中具有通常知識者,若在不脫離本發明所提技術方案的範圍內,利用本發明所揭示技術內容所作出局部更動或修飾的等效實施例,並且未脫離本發明的技術方案內容,均仍屬於本發明技術方案的範圍內。
10...感應組
11...感應器
12...加速規感應器
13...聲射感應器
20...訊號處理組
21...資料擷取卡
22...電腦
23...訊號轉換模組
231...小波轉換方程式
232...傅立葉轉換方程式
233...快速傅立葉轉換方程式
24...特徵選取模組
25...辨識模組
251...費雪線性辨識函數
252...類神經網路
253...模糊邏輯辨識方程式
30...監控組
31...警報器
50...工具機
51...主軸
52...夾具
圖1係本發明工具機切削加工刀具之狀態偵測裝置設置於一工具機上之立體外觀示意圖。
圖2係本發明工具機切削加工刀具之狀態偵測方法之操作流程方塊圖。
圖3係本發明經小波轉換方程式轉換之刻度-時間示意圖。
圖4係本發明經傅立葉轉換方程式轉換之振幅-頻率示意圖。
圖5係本發明未經費雪線性辨識函數轉換之資料示意圖。
圖6係本發明經費雪線性辨識函數轉換之資料示意圖。
圖7係本發明感應器偵測第一次切削加工各線性軸之振幅圖。
圖8係本發明感應器偵測第五次切削加工各線性軸之振幅圖。
圖9係本發明經傅立葉轉換方程式轉換所得各線性之振幅-頻率圖。
圖10係本發明採用群組分離法準則計算各線性軸各特徵值隨刀具狀態變化之分離度示意圖。
表1係本發明工具機切削加工刀具之狀態偵測方法所求得之刀具狀態辨識成功率表。
11...感應器
20...訊號處理組
21...資料擷取卡
22...電腦
50...工具機
51...主軸
52...夾具
Claims (13)
- 一種工具機切削加工刀具之狀態偵測方法,其操作流程係包含有:儀器設置:準備一偵測裝置,該偵測裝置係設有一感應組、一訊號處理組及一監控組,該感應組係設有一感應器,該訊號處理組係與該感應組相電性連接且設有一資料擷取卡及一電腦,該資料擷取卡係與該感應器相電性連接,用以擷取該感應器所偵測到的訊號資料,該電腦係與該資料擷取卡相電性連接且設有一訊號轉換模組、一特徵選取模組及一辨識模組,其中該訊號轉換模組係對於感應器所偵測的訊號進行轉換,該特徵選取模組係與該訊號轉換模組相連接,用以將經該訊號轉換模組處理的訊號進行特徵值的選取,而該辨識模組係與該特徵選取模組相連接,藉以透過各選取的特徵值進行訊號的辨識處理,進而得到切削加工刀具的狀態,該監控組係與該訊號處理組相電性連接且設有一警報器,該警報器係與該電腦的辨識模組相連接,藉以透過該辨識模組的辨識結果,經由該警報器提醒操作者該切削加工刀具的狀態;線上偵測與訊號處理:將該感應組的感測器設置於一工具機主軸的夾具上,啟動該工具機使該切削加工刀具進行切削加工,於加工過程所產生的訊號,透過該感應器的偵測後經由該資訊擷取卡擷取其訊號至該電腦中,將原始訊號進行訊號轉換,待訊號轉換後經由該特徵選取模組進行與切削加工刀具狀態相關特徵值的選取,其中該訊號特徵的選取係採用群組分離法準則計算各特徵值隨刀具狀態 變化之分離度,分離度最高者被選為接續處理之特徵值,該群組分離法準則運用計算群組內及群組間之資料共變異度的方式,來了解每個群組資料彼此間資料的分離程度,進而利用此特性來選取相對磨耗變化分離程度較大者之特徵值,以避免選取不必要的特徵輸入而導致辨識的成效不彰,將選取後的特徵值輸入該辨識模組中,藉由該辨識模組對於各特徵值進行辨識;以及偵測結果:當特徵值經該辨識模組辨識後,將該辨識後的特徵值訊號輸出,即可讓使用者即時得知該切削加工刀具的狀態,且可透過傳送訊號至該警報器的方式,告知操作者該切削加工刀具的狀態。
- 如申請專利範圍第1項所述之工具機切削加工刀具之狀態偵測方法,其中在線上偵測與訊號處理的操作步驟中,透過一準位均化處理,將取得之轉換訊號除以原始訊號之均方根值,進而將所有轉換訊號調整至同一準位上,藉以減少訊號能量間的變異。
- 如申請專利範圍第2項所述之工具機切削加工刀具之狀態偵測方法,其中在儀器設置的操作步驟中,該訊號處理組於該資料擷取卡與該電腦間係設有一類比/數位轉換器,藉以將類比訊號轉換成一數位訊號。
- 如申請專利範圍第3項所述之工具機切削加工刀具之狀態偵測方法,其中在儀器設置的操作步驟中,以一加速規感應器作為該感應器。
- 如申請專利範圍第3項所述之工具機切削加工刀具之狀態偵測方法,其中在儀器設置的操作步驟中,以一聲 射感應器作為該感應器。
- 如申請專利範圍第4或5項所述之工具機切削加工刀具之狀態偵測方法,其中在線上偵測與訊號處理的操作步驟中,係藉由一小波轉換方程式來對於感應器所偵測的訊號進行轉換。
- 如申請專利範圍第4或5項所述之工具機切削加工刀具之狀態偵測方法,其中在線上偵測與訊號處理的操作步驟中,係藉由一傅立葉轉換方程式來對於感應器所偵測的訊號進行轉換。
- 如申請專利範圍第4或5項所述之工具機切削加工刀具之狀態偵測方法,其中在線上偵測與訊號處理的操作步驟中,係藉由一快速傅立葉轉換方程式來對於感應器所偵測的訊號進行轉換。
- 如申請專利範圍第4或5項所述之工具機切削加工刀具之狀態偵測方法,其中在線上偵測與訊號處理的操作步驟中,係藉由一費雪線性辨識函數作為訊號辨識的方法。
- 如申請專利範圍第4或5項所述之工具機切削加工刀具之狀態偵測方法,其中在線上偵測與訊號處理的操作步驟中,係藉由一類神經網路作為訊號辨識的方法。
- 如申請專利範圍第4或5項所述之工具機切削加工刀具之狀態偵測方法,其中在線上偵測與訊號處理的操作步驟中,係藉由一模糊邏輯辨識方程式作為訊號辨識的方法。
- 如申請專利範圍第1項所述之工具機切削加工刀具之狀態偵測方法,其中在線上偵測與訊號處理的操作步驟 中,當針對刀具斷裂的部分,本係採取分段辨識的方法,當前後時間差訊號有變動時,才進入訊號轉換與特徵選取之辨識方法。
- 如申請專利範圍第1項所述之工具機切削加工刀具之狀態偵測方法,其中在偵測結果的操作步驟中,當偵測刀具的磨耗時,係以偵測結果相同次數超過設定值才決定最後刀具狀態。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW99146402A TWI422460B (zh) | 2010-12-28 | 2010-12-28 | Tool nose detection method for cutting machine tool |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW99146402A TWI422460B (zh) | 2010-12-28 | 2010-12-28 | Tool nose detection method for cutting machine tool |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201226100A TW201226100A (en) | 2012-07-01 |
TWI422460B true TWI422460B (zh) | 2014-01-11 |
Family
ID=46932631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW99146402A TWI422460B (zh) | 2010-12-28 | 2010-12-28 | Tool nose detection method for cutting machine tool |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI422460B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI640390B (zh) * | 2017-03-24 | 2018-11-11 | 國立成功大學 | 刀具磨耗監測與預測方法 |
TWI662278B (zh) * | 2018-09-18 | 2019-06-11 | 財團法人工業技術研究院 | 刀具磨耗監控方法 |
TWI665051B (zh) * | 2018-12-10 | 2019-07-11 | National Chin-Yi University Of Technology | 用於工具機之刀具磨損之檢測方法 |
TWI676873B (zh) * | 2018-10-01 | 2019-11-11 | 財團法人工業技術研究院 | 刀具監控系統及刀具監控方法 |
US10493583B2 (en) | 2017-11-16 | 2019-12-03 | Industrial Technology Research Institute | Detection device, detection method and compensation method for tool wear |
TWI687277B (zh) * | 2019-05-24 | 2020-03-11 | 國立虎尾科技大學 | 刀具磨耗預測方法 |
TWI716880B (zh) * | 2019-05-22 | 2021-01-21 | 施耐德電機股份有限公司 | 刀具磨損程度分類模型、訓練方法與評估方法、以及電腦程式產品 |
US10983501B2 (en) | 2019-01-02 | 2021-04-20 | Industrial Technology Research Institute | Tool-life prediction system and method thereof |
US11193819B2 (en) | 2018-12-24 | 2021-12-07 | Industrial Technology Research Institute | Vibration sensor with monitoring function and vibration signal monitoring method thereof |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI447388B (zh) * | 2012-08-22 | 2014-08-01 | Univ Nat Formosa | Method for detecting wear of shovel tool |
JP5644981B1 (ja) * | 2013-06-26 | 2014-12-24 | 三菱電機株式会社 | リモートユニットおよびリモートユニットの異常判定方法 |
TWI570531B (zh) * | 2015-08-31 | 2017-02-11 | 財團法人工業技術研究院 | 加工異常迴避系統及其加工路徑修正方法 |
TWI593502B (zh) * | 2015-11-13 | 2017-08-01 | 財團法人工業技術研究院 | 刀具檢測裝置及其刀具檢測方法 |
TWI649152B (zh) * | 2017-11-28 | 2019-02-01 | 先馳精密儀器股份有限公司 | 刀具狀態檢測系統及方法 |
TWI687696B (zh) * | 2019-06-26 | 2020-03-11 | 國立中興大學 | 回饋型隱藏式馬可夫模型辨識器的建立方法與基於此辨識器的辨識系統的建立方法 |
US20210173020A1 (en) | 2019-12-10 | 2021-06-10 | Barnes Group Inc. | Wireless Sensor |
CN113103067B (zh) * | 2021-04-06 | 2023-04-07 | 重庆市南岸区力恒工具制造有限公司 | 基于低功耗设计的刀具加工次数监测系统及检测方法 |
CN113579851B (zh) * | 2021-07-26 | 2022-11-29 | 天津大学 | 一种基于自适应分段pca的非平稳钻削过程监测方法 |
TWI783691B (zh) * | 2021-09-17 | 2022-11-11 | 國立虎尾科技大學 | 刀具狀態監測系統及其方法 |
CN113959699B (zh) * | 2021-10-20 | 2024-03-01 | 湖南师范大学 | 一种通过滚刀自转动特征判断滚刀转动状态的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02256461A (ja) * | 1988-12-28 | 1990-10-17 | Nagase Iron Works Co Ltd | 砥石の管理装置 |
JPH02274455A (ja) * | 1989-03-27 | 1990-11-08 | General Electric Co <Ge> | 工作機械監視装置 |
JPH04310350A (ja) * | 1991-04-04 | 1992-11-02 | Hitachi Seiki Co Ltd | 数値制御工作機械の負荷状態表示方法 |
TW200712455A (en) * | 2005-09-05 | 2007-04-01 | Hon Hai Prec Ind Co Ltd | System for measuring and monitoring vibration |
-
2010
- 2010-12-28 TW TW99146402A patent/TWI422460B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02256461A (ja) * | 1988-12-28 | 1990-10-17 | Nagase Iron Works Co Ltd | 砥石の管理装置 |
JPH02274455A (ja) * | 1989-03-27 | 1990-11-08 | General Electric Co <Ge> | 工作機械監視装置 |
JPH04310350A (ja) * | 1991-04-04 | 1992-11-02 | Hitachi Seiki Co Ltd | 数値制御工作機械の負荷状態表示方法 |
TW200712455A (en) * | 2005-09-05 | 2007-04-01 | Hon Hai Prec Ind Co Ltd | System for measuring and monitoring vibration |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI640390B (zh) * | 2017-03-24 | 2018-11-11 | 國立成功大學 | 刀具磨耗監測與預測方法 |
US10493583B2 (en) | 2017-11-16 | 2019-12-03 | Industrial Technology Research Institute | Detection device, detection method and compensation method for tool wear |
TWI662278B (zh) * | 2018-09-18 | 2019-06-11 | 財團法人工業技術研究院 | 刀具磨耗監控方法 |
TWI676873B (zh) * | 2018-10-01 | 2019-11-11 | 財團法人工業技術研究院 | 刀具監控系統及刀具監控方法 |
TWI665051B (zh) * | 2018-12-10 | 2019-07-11 | National Chin-Yi University Of Technology | 用於工具機之刀具磨損之檢測方法 |
US11193819B2 (en) | 2018-12-24 | 2021-12-07 | Industrial Technology Research Institute | Vibration sensor with monitoring function and vibration signal monitoring method thereof |
US10983501B2 (en) | 2019-01-02 | 2021-04-20 | Industrial Technology Research Institute | Tool-life prediction system and method thereof |
TWI716880B (zh) * | 2019-05-22 | 2021-01-21 | 施耐德電機股份有限公司 | 刀具磨損程度分類模型、訓練方法與評估方法、以及電腦程式產品 |
TWI687277B (zh) * | 2019-05-24 | 2020-03-11 | 國立虎尾科技大學 | 刀具磨耗預測方法 |
Also Published As
Publication number | Publication date |
---|---|
TW201226100A (en) | 2012-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI422460B (zh) | Tool nose detection method for cutting machine tool | |
Liu et al. | Tool wear monitoring and prediction based on sound signal | |
Abellan-Nebot et al. | A review of machining monitoring systems based on artificial intelligence process models | |
CN112629647B (zh) | 大跨悬索桥涡振事件的实时识别和监测预警方法 | |
JP6987030B2 (ja) | システム及び工作機械の異常又は加工作業に関する分析方法 | |
TWI637169B (zh) | 刀具狀態檢測系統及其方法 | |
Tansel et al. | Detecting chatter and estimating wear from the torque of end milling signals by using Index Based Reasoner (IBR) | |
TWI419761B (zh) | Tool State Detection Method and Device for Machining Machine | |
Lin et al. | Sequential spindle current-based tool condition monitoring with support vector classifier for milling process | |
CN111259990B (zh) | 基于多源信息融合的海水泵故障监测装置与诊断方法 | |
CN110434676A (zh) | 一种多传感器时频特征融合的镗削颤振监测方法 | |
WO2016004749A1 (zh) | 一种大型数控铣床刀具磨损程度识别方法 | |
TW201226101A (en) | Method and device to detect the state of cutting tool in machine tool with multiple sensors | |
US20120130682A1 (en) | Real-time detection system and the method thereof | |
Du et al. | Intelligent turning tool monitoring with neural network adaptive learning | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
CN116307938B (zh) | 一种加工中心进给系统健康状态评估方法 | |
CN112067701A (zh) | 基于声学诊断的风机叶片远程听诊方法 | |
CN108919041A (zh) | 一种基于聚类分析的变压器绕组状态在线监测方法 | |
CN110530495A (zh) | 一种基于振动分析的切削颤振监测方法 | |
CN109489719A (zh) | 一种检验检测人工智能自动检测系统 | |
CN115291142A (zh) | 一种变压器声学指纹不停电检测及状态预警方法 | |
TWM542534U (zh) | 刀具剛性預測用於抑制切削顫振之裝置 |