TWI481978B - 工具機之加工品質的預測方法 - Google Patents

工具機之加工品質的預測方法 Download PDF

Info

Publication number
TWI481978B
TWI481978B TW102139801A TW102139801A TWI481978B TW I481978 B TWI481978 B TW I481978B TW 102139801 A TW102139801 A TW 102139801A TW 102139801 A TW102139801 A TW 102139801A TW I481978 B TWI481978 B TW I481978B
Authority
TW
Taiwan
Prior art keywords
workpiece
machine tool
sample
product
data
Prior art date
Application number
TW102139801A
Other languages
English (en)
Other versions
TW201421178A (zh
Inventor
Hawching Yang
Hao Tieng
Minhsiung Hung
Fantien Cheng
Original Assignee
Univ Nat Cheng Kung
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Univ Nat Cheng Kung filed Critical Univ Nat Cheng Kung
Publication of TW201421178A publication Critical patent/TW201421178A/zh
Application granted granted Critical
Publication of TWI481978B publication Critical patent/TWI481978B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Numerical Control (AREA)

Description

工具機之加工品質的預測方法
本發明是有關於一種工具機之加工品質的預測方法，特別是有關於一種以虛擬量測(VM)為基礎之工具機之加工品質的預測方法。
在工具機的產業中，被一工具機所處理之一工件的加工準確度對鑑定此工件是否符合設計公差是有用的，從而辨認出此工具機的加工品質，以便對準、校正和認證此工具機或停止加工操作，因而避免後續的工件超出公差。
傳統上，工件的加工準確度可被兩種方式所測量：離線量測(Off-machine Measurement)和線上量測(On-machine Measurement)。離線量測只取樣某些被加工的工件來以指定的量測機器測量它們的加工準確度，例如：三次元量測機(Coordinate Measuring Machine；CMM)。相較於線上量測而言，離線量測可提供較高的精確度；且由於只有少量的取樣工件被測量，離線量測需較少的時間和成本來進行工件測量。然而，兩次工件測量間的取樣時間間隔通常超過數小時。因此，若工具機的性能在此取樣時間間隔內便已偏離正常狀態，則離線量測會遭受產生可觀數量之有缺陷或超出公差的工件的風險。
線上量測使用固定在工具機上之探頭來測量每一個工件，量測方法例如探針、雷射或影像處理技術等。相較於離線量測而言，線上量測可提供較即時的量測結果；然而，線上量測需要犧牲工具機之可用加工時間來進行測量，因而減少工具機的稼動率。此外，在所有工具機安裝量測裝置將對線上量測帶來重大的成本支出。
因此，本發明之一目的就是在提供一種工具機之加工品質的預測方法，藉以同時兼顧即時性與準確性需求來推估每一個被加工之工件的準確度值，預測出一工具機之加工品質，以克服習知之線上量測與離線量測的缺點。
根據本發明之一態樣，提出一種以虛擬量測為基礎之工具機之加工品質的預測方法。在此方法中，關聯(Correlating)每一個產品準確度項目(例如：粗糙度、直線度(Straightness)、稜角度(Angularity)、垂直度(Perpendicularity)、平行度(Parallelism)和/或圓度(Roundness))至一工具機的複數個加工路徑，而獲得至少一個產品準確度項目與此些加工路徑間之複數個關係。接著，依據此些加工路徑以操作工具機來處理複數個工件樣本，並蒐集在此工具機的操作期間與此些加工路徑相關聯之此些工件樣本的複數組樣本偵測資料，其中此些組樣本偵測資料係由安裝在此工具機上之至少一個偵測器(例如：三軸加速度感測器(Accelerometer)和/或聲射(Acoustic Emission；AE)感測器)所獲得。然後，針對此至少一個產品 準確度項目量測每一個工件樣本，而獲得此些工件樣本之至少一產品準確度項目的至少一組品質樣本資料。接著，以演算法(例如：小波濾雜訊法(Wavelet De-noising Method))抑止偵測資料之雜訊，並轉換每一個工件樣本之一組樣本偵測資料為對應至至少一個特徵型式(例如：時域(Time Domain)、頻域(Frequency Domain)和/或時頻域(Time-Frequency Domain))之至少一組樣本特徵資料。然後，使用每一個工件樣本之此至少一組樣本特徵資料和工件樣本之至少一組品質樣本資料，並根據一預測演算法和前述之產品準確度項目與加工路徑間之關係，來建立針對至少一個產品準確度項目之一預測模型。在預測模型建立後，依據前述之加工路徑操作工具機來處理一工件，並蒐集在工具機的操作期間與加工路徑相關聯之此工件的一組偵測資料，其中此組偵測資料係由安裝在工具機上之前述之至少一個偵測器所獲得。接著，以演算法(例如：小波濾雜訊法)抑止偵測資料之雜訊(過濾)並轉換此工件之此組偵測資料為對應至至少一個特徵型式之至少一組特徵資料。然後，輸入此工件之此至少一組特徵資料至預測模型中，而推估出針對至少一個產品準確度項目之此工件的至少一個預測的準確度值。
在一實施例中，在上述之方法中，以三次元量測機(CMM)針對至少一個產品準確度項目來量測前述之工件，而獲得此工件之至少一個準確度值(產品準確度項目的數值)。然後，使用此工件之至少一組特徵資料和至少一個準 確度值來更新前述之預測模型。
在一實施例中，在上述之方法中，使用一電腦輔助設計(Computer Aided Design；CAD)工具來設計一產品輪廓，此產品輪廓包含一產品之複數個尺寸與公差；並使用一電腦輔助製造(Computer Aided Manufacturing；CAM)工具且根據此產品之尺寸與公差及工具機之複數個特性來產生工具機之加工路徑。
在一實施例中，在上述之方法中，使用一智慧型特徵選取方法(例如：非支配排序基因演算法(Non-dominated Sorting Genetic Algorithm；NSGA)或逐步選取(Stepwise Selection；SS)法)，來自每一個工件樣本之至少一組樣本特徵資料與前述工件之一組特徵資料中選出至少一組關鍵特徵資料。然後，使用此至少一組關鍵特徵資料、工件樣本之至少一組品質樣本資料和前述工件之至少一個準確度值來更新前述之預測模型。
在一實施例中，上述之過濾並轉換每一個工件樣本之一組樣本偵測資料和過濾並轉換前述工件之一組偵測資料的操作係使用小波濾雜訊法和快速傅利葉轉換(Fast Fourier Transform；FFT)或離散小波轉換(Discrete Wavelet Transform；DWT)。
在一實施例中，上述之預測演算法包含類神經網路(Neural Network；NN)演算法、複迴歸(Multi-Regression；MR)演算法、部分最小平方(Partial Least Square；PLS)演算法或支持向量機(Support Vector Machines；SVM)演算法。
因此，應用本發明之實施例可有效地立即推估出被工具機加工之每一個工件的準確度值，而可及時的辨認出工具機的加工品質。
102‧‧‧設計包含產品之尺寸與公差的產品輪廓
104‧‧‧產生工具機之加工路徑
106‧‧‧配置並設定加工參數
108‧‧‧指定出產品準確度項目
110‧‧‧操作工具機並蒐集偵測資料
112‧‧‧關聯產品準確度項目至工具機的加工路徑
114‧‧‧過濾並轉換偵測資料為特徵資料
116‧‧‧將特徵資料關聯至(Associate)產品準確度項目
120‧‧‧量測工件
122‧‧‧更新預測模型
124‧‧‧建立或應用預測模型
126‧‧‧選出關鍵特徵資料
128‧‧‧若MAE<門檻值
130‧‧‧是否是最後一工件
Ra、Rz‧‧‧粗糙度
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖係繪示根據本發明之一實施例之以虛擬量測為基礎之工具機之加工品質預測方法的流程示意圖。
第2A圖係繪示根據本發明之一實施例之工具機的例示加工路徑。
第2B圖係繪示根據本發明之一實施例之工具機的例示產品準確度項目。
第3A圖係繪示根據本發明之一實施例在工具機的操作期間所蒐集到之工件的例示之原始偵測資料。
第3B圖係繪示根據本發明之一實施例與工具機之加工路徑相關聯之工件的例示之去噪(De-noised)的偵測資料。
第3C圖係繪示根據本發明之一實施例之對應至時域、頻域和時頻域的例示之樣本特徵資料。
在高科技產業中，虛擬量測已成為一種進行工件量測的有效方式，如在薄膜電晶體-液晶顯示器(TFT-LCD)及半導體產業中，其中晶圓和玻璃分別為薄膜電晶體-液晶顯 示器及半導體產業中的工件。在製程上進行虛擬量測的基本準備工作是建立預測模型，即虛擬量測模型，其能夠密切地對此製程的輸入-輸出建模。可藉由訓練一些演算方法(如倒傳遞類神經網路和多元迴歸技術)來產生虛擬量測模型，並使用歷史製程參數為輸入，及對應之工件製造品質資料為輸出。一旦輸入製造一工件之製程參數資料，虛擬量測模型立即推估出此一工件之製造品質，以便及時偵測出設備或製程異常。前述之虛擬量測模型可參考美國專利前案第7,603,328號「雙階段虛擬量測方法」，其在此以引用方式併入本案。
不像高科技產業之通常是穩定的製程，由於在材料去除的至過程中工具機、工件與被去除的碎片間會發生強大的撞擊與摩擦，故工具機的加工過程具有強烈振動與高噪音的特性。此將導致由附加在工具機上之振動感測器所獲得之訊號具有低信噪比(Signal-to-Noise Ratio；S/N)，因而影響虛擬量測的預測準確度。因此，如何有效地處理低信噪比之訊號並自這些訊號中擷取出關鍵特徵是成功應用虛擬量測至工具機的一挑戰性問題。
請參照第1圖，第1圖係繪示根據本發明之一實施例之以虛擬量測為基礎之工具機之加工品質預測方法的流程示意圖。
首先，本方法由建模階段開始。在操作102中，首先設計一產品輪廓，此產品輪廓包含一產品之複數個尺寸與公差。例如：可使用電腦輔助設計(CAD)工具來設計此產 品輪廓，並輸出包含產品之尺寸與公差的CAD檔案。在操作104中，根據產品之尺寸與公差及工具機之複數個特性來產生工具機之複數個加工路徑。例如：可根據此CAD檔案和工具機之特性，並使用電腦輔助製造(CAM)工具來產生包含有工具機之加工路徑的工具機加工路徑檔案，而產生一數值控制(Numerical Control；NC)碼檔案。在操作102後，指定出至少一個產品準確度項目，此至少一個產品準確度項目係用以決定被工具機所加工之工件是否在可接受公差內(操作108)。此至少一個產品準確度項目包含粗糙度和/或尺寸偏離等，此尺寸偏離包含直線度、稜角度、垂直度、平行度和/或圓度等。請參照第2A圖和第2B圖，其係繪示根據本發明之一實施例之工具機的例示加工路徑和例示產品準確度項目。如第2A圖所示，每一個標準工件被11個加工操作(加工路徑)所加工，此些加工操作(加工路徑)標示為A、B、...、K，而其將被測量的產品準確度項目包含在標準工件各位置之粗糙度Rz/Ra、直線度、稜角度、圓度、垂直度、和平行度，如第2B圖所示。
在操作112中，每一個產品準確度項目被關聯至工 具機的加工路徑，而獲得至少一個產品準確度項目與加工路徑間之複數個關係。如第2A圖和第2B圖所示，加工操作C可決定直線度3；而加工操作H和J可決定平行度。 在一實施例中，將欲獲得之產品準確度項目(粗糙度和/或尺寸偏離)關聯並標記(Tag)至NC碼檔案中之加工路徑。換言之，每一個欲獲得之產品準確度項目被關聯至被標記之NC 碼檔案中加工操作的巨集(Macro)碼。每一個加工操作可被關聯至多個加工路徑。例如：加工一直線段的操作係對應至幾組巨集碼，而每一組巨集碼係由多個G碼所組成。特別地，一項尺寸偏離可對應至多個加工操作。例如：平行度(產品準確度項目)係對應至兩個加工操作。
在進行工具機的加工操作之前，在操作106中，必須中配置並設定加工參數，其包含進給速率、加工深度、最大主軸速度等。在加工參數配置後，在操作110中，依據加工路徑操作工具機來處理複數個工件樣本，並蒐集在工具機的操作期間與加工路徑相關聯之多個工件樣本的複數組樣本偵測資料。工具機的操作常造成噪音和振動，因而可安裝偵測器(例如：三軸加速度感測器和/或聲射感測器)在工具機上，以蒐集如第3A圖所示之多組原始樣本偵測資料(振動和/或音頻資料)。
在完成工件樣本之加工操作後，在操作114中，以演算法(例如：小波濾雜訊法)抑止偵測資料之雜訊(過濾)，並轉換每一個工件樣本之一組樣本偵測資料為對應至至少一個特徵型式之至少一組樣本特徵資料，其中至少一個特徵型式可為例如：時域、頻域和/或時頻域。以不同演算方法來處理在工具機的操作期間所蒐集之工件樣本的複數組樣本偵測資料，而去噪並擷取出與加工路徑相關聯之各種組的樣本特徵資料，其中不同演算方法可為例如：時域、頻域和時頻域方法。請參照第3A圖、第3B圖和第3C圖，第3A圖係繪示根據本發明之一實施例在工具機的操作期 間所蒐集到之工件的例示之原始偵測資料；第3B圖係繪示根據本發明之一實施例與工具機之加工路徑相關聯之工件的例示之去噪(De-noised)的偵測資料；第3C圖係繪示根據本發明之一實施例之對應至時域、頻域和時頻域的例示之樣本特徵資料。在一些實施例中，前述之頻域和時頻域方法可為快速傅利葉轉換(FFT)或離散小波轉換(DWT)等，其可用以將時域資料轉換成頻域資料而導出不同功頻率帶寬之功率頻譜密度(Power Spectral Density)特徵；或用以將時域資料轉換成時頻域資料而導出不同小波(Wavelet)節點之小波封包(Packet)能量特徵。例如：在時域之(樣本)特徵資料的類別為[峰至峰間(Peak to Peak)]、[標準差]、[平均值]、[最小值]、[最大值]、[偏態(skewness)]、[峰度(Kurtosis)]、[均方根值(Root-Mean-Square Value)]、[峰值因數(Crest Factor)]；在頻域之(樣本)特徵資料的類別為[功率頻譜密度1(頻率×1/4)、[功率頻譜密度2(頻率×1/2)、[功率頻譜密度3(頻率×1)、[功率頻譜密度4(頻率×2)、[功率頻譜密度5(頻率×3)在時頻域之(樣本)特徵資料的類別為[小波封包(Wavelet Packet)節點能量1]、[小波封包節點能量2]、[小波封包節點能量3]、[小波封包節點能量4]、[小波封包節點能量5]、[小波封包節點能量6]。前述之快速傅利葉轉換(FFT)或離散小波轉換(DWT)為本發明所屬技術領域中具有通常知識者所熟知，故不在此描述。
在完成工件樣本之加工操作後，在操作120中，以量測機台(例如：三次元量測機)，針對至少一個產品準確度 項目量測每一個工件樣本，而獲得工件樣本之至少一產品準確度項目的至少一組品質樣本資料(準確度值)。在操作116中，將前述之至少一組樣本特徵資料關聯至(Associate)產品準確度項目。
然後，在操作124中，使用每一個工件樣本之至少一組樣本特徵資料和工件樣本之至少一組品質樣本資料，並根據一預測演算法和前述之產品準確度項目與加工路徑間之關係，來建立針對至少一個產品準確度項目之一預測模型。此預測演算法包含類神經網路(NN)演算法、複迴歸(MR)演算法、部分最小平方(PLS)演算法或支持向量機(SVM)演算法等。前述之類神經網路演算法、複迴歸演算法、部分最小平方演算法或支持向量機演算法為本發明所屬技術領域中具有通常知識者所熟知，故不在此描述。
在預測模型建立後，本方法進入使用階段，即回到操作110，以依據前述之加工路徑操作工具機來處理一工件，並蒐集在工具機的操作期間與加工路徑相關聯之此工件的一組偵測資料，其中此組偵測資料係由安裝在工具機上之前述之至少一個偵測器所獲得。接著，在操作114中，以演算法(例如：小波濾雜訊法)抑止偵測資料之雜訊(過濾)，並轉換此工件之此組偵測資料為對應至至少一個特徵型式之至少一組特徵資料。然後，在操作124中，輸入此工件之此至少一組特徵資料至預測模型中，而推估出針對至少一個產品準確度項目之此工件的至少一個預測的準確度值。
若此工件有在操作120中針對至少一個產品準確度項目被測量，則可獲得此工件的至少一個準確度值。然後，可進行操作128來檢查此工件之至少一個預測的準確度值與其對應之至少一個預測的準確度值間的平均絕對誤差(Mean Absolute Error；MAE)是否小於一門檻值。當結果為否時，意指針對個準確度項目之預測模型的準確度不夠，則進行操作122，以使用此工件之至少一組特徵資料和至少一個準確度值來更新預測模型。預測模型可被調整或重新訓練。在調整的方式中，只有此工件之至少一組特徵資料和至少一個準確度值被用來調整預測模型。而在重新訓練的方式中，此工件之至少一組特徵資料和至少一個準確度值會被加入至每一個工件樣本之至少一組樣本特徵資料和工件樣本之至少一組品質樣本資料中，用以重新訓練針對至少一個產品準確度項目的預測模型。
在一些實施例中，在操作126中，使用一特徵選取方法，來自每一個工件樣本之至少一組樣本特徵資料與前述工件之一組特徵資料中選出至少一組關鍵特徵資料。特徵選取方法可包含：非支配排序基因演算法(NSGA)或逐步選取(SS)法等。太多組樣本特徵資料和特徵資料不僅會消耗許多計算資源，亦會影響預測的準確度。因此，對成功地應用虛擬量測至工具機而言，選取出關鍵特徵資料是相當重要的。前述之非支配排序基因演算法或逐步選取法為本發明所屬技術領域中具有通常知識者所熟知，故不在此描述。
當操作128的結果為是時，意指針對個預測模型的準確度已夠好，則進行操作130，以檢查前述工件是否為最後一個需被加工的工件。若產品的所有工件均已被加工，則結束工作流程；否則，回到操作110以加工其餘工件。在一些實施例中，若工件未在操作120中被量測，則不必進行操作128而直接進行操作130。
由上可知，本發明之實施例有效地即時推估出被工具機加工之每一個工件的準確度值，並可即時的辨認出工具機的加工品質。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
102‧‧‧設計包含產品之尺寸與公差的產品輪廓
104‧‧‧產生工具機之加工路徑
106‧‧‧配置並設定加工參數
108‧‧‧指定出產品準確度項目
110‧‧‧操作工具機並蒐集偵測資料
112‧‧‧關聯產品準確度項目至工具機的加工路徑
114‧‧‧過濾並轉換偵測資料為特徵資料
116‧‧‧將特徵資料關聯至(Associate)產品準確度項目
120‧‧‧量測工件
122‧‧‧更新預測模型
124‧‧‧建立或應用預測模型
126‧‧‧選出關鍵特徵資料
128‧‧‧若MAE<門檻值
130‧‧‧是否是最後一工件

Claims (10)

  1. 一種工具機之加工品質的預測方法，包含：關聯(Correlating)每一至少一產品準確度項目至一工具機的複數個加工路徑，而獲得該至少一產品準確度項目與該些加工路徑間之複數個關係；依據該些加工路徑操作該工具機來處理複數個工件樣本，並蒐集在該工具機的操作期間與該些加工路徑相關聯之該些工件樣本的複數組樣本偵測資料，其中該些組樣本偵測資料係由安裝在該工具機上之至少一偵測器所獲得；針對該至少一產品準確度項目量測每一該些工件樣本，而獲得該些工件樣本之該至少一產品準確度項目的至少一組品質樣本資料；過濾並轉換每一該些工件樣本之該組樣本偵測資料為對應至至少一特徵型式之至少一組樣本特徵資料；使用每一該些工件樣本之該至少一組樣本特徵資料和該些工件樣本之該至少一組品質樣本資料，並根據一預測演算法和該些關係，來建立針對該至少一產品準確度項目之一預測模型；依據該些加工路徑操作該工具機來處理一工件，並蒐集在該工具機的操作期間與該些加工路徑相關聯之該工件的一組偵測資料，其中該組偵測資料係由安裝在該工具機上之該至少一偵測器所獲得；過濾並轉換該工件之該組偵測資料為對應至該至少一特徵型式之至少一組特徵資料；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產品準確度項目之該工件的至少一預 測的準確度值。
  2. 如請求項1所述之工具機之加工品質的預測方法，更包含：針對該至少一產品準確度項目實際量測該工件，而獲得該工件之至少一實際準確度值；以及使用該工件之該至少一組特徵資料和該工件之該至少一實際量測準確度值來更新該預測模型。
  3. 如請求項1所述之工具機之加工品質的預測方法，更包含：針對該至少一產品準確度項目實際量測該工件，而獲得該工件之至少一實際準確度值；使用一智慧型特徵選取方法來自每一該些工件樣本之該至少一組樣本特徵資料與該工件之該組特徵資料中選出至少一組關鍵特徵資料；以及使用該至少一組關鍵特徵資料、該些工件樣本之該至少一組品質樣本資料和該工件之該至少一實際準確度值來更新該預測模型。
  4. 如請求項3所述之工具機之加工品質的預測方法，其中該智慧型特徵選取方法包含一非支配排序基因演算法(Non-dominated Sorting Genetic Algorithm；NSGA)或一逐步選取(Stepwise Selection；SS)法。
  5. 如請求項1所述之工具機之加工品質的預測方法， 更包含：設計一產品輪廓，該產品輪廓包含一產品之複數個尺寸與公差；以及根據該產品之該些尺寸與公差及該工具機之複數個特性來產生該工具機之該些加工路徑。
  6. 如請求項5所述之工具機之加工品質的預測方法，其中該設計該產品輪廓的操作係使用一電腦輔助設計(Computer Aided Design；CAD)工具，該產生該工具機之該些加工路徑的操作係使用一電腦輔助製造(Computer Aided Manufacturing；CAM)工具。
  7. 如請求項1所述之工具機之加工品質的預測方法，其中該至少一特徵型式包含時域(Time Domain)、頻域(Frequency Domain)和/或時頻域(Time-Frequency Domain)。
  8. 如請求項1所述之工具機之加工品質的預測方法，其中該過濾並轉換每一該些工件樣本之該組樣本偵測資料和該轉換該工件之該組偵測資料的操作係使用一小波濾雜訊法(Wavelet De-noising Method)和一快速傅利葉轉換(Fast Fourier Transform；FFT)或一離散小波轉換(Discrete Wavelet Transform；DWT)。
  9. 如請求項1所述之工具機之加工品質的預測方法，其中該預測演算法包含一類神經網路(Neural Network；NN)演算法、一複迴歸(Multi-Regression；MR)演算法、一部分 最小平方(Partial Least Square；PLS)演算法或一支持向量機(Support Vector Machines；SVM)演算法。
  10. 如請求項1所述之工具機之加工品質的預測方法，其中該至少一產品準確度項目包含一粗糙度、一直線度(Straightness)、一稜角度(Angularity)、一垂直度(Perpendicularity)、一平行度(Parallelism)和或一圓度(Roundness)。
TW102139801A 2012-11-05 2013-11-01 工具機之加工品質的預測方法 TWI481978B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US201261722250P 2012-11-05 2012-11-05

Publications (2)

Publication Number Publication Date
TW201421178A TW201421178A (zh) 2014-06-01
TWI481978B true TWI481978B (zh) 2015-04-21

Family

ID=50623338

Family Applications (1)

Application Number Title Priority Date Filing Date
TW102139801A TWI481978B (zh) 2012-11-05 2013-11-01 工具機之加工品質的預測方法

Country Status (2)

Country Link
US (1) US9508042B2 (zh)
TW (1) TWI481978B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10269660B2 (en) 2015-05-27 2019-04-23 National Cheng Kung University Metrology sampling method with sampling rate decision scheme and computer program product thereof
US10579026B2 (en) 2016-11-29 2020-03-03 Industrial Technology Research Institute Building a workpiece quality prediction model
US11378946B2 (en) 2019-04-26 2022-07-05 National Cheng Kung University Predictive maintenance method for component of production tool and computer program product thererof

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11126166B2 (en) * 2015-11-06 2021-09-21 Siemens Aktiengesellschaft Intelligent workpieces
JP6348137B2 (ja) * 2016-03-24 2018-06-27 ファナック株式会社 工作物の良否を判定する加工機械システム
TWM531604U (zh) * 2016-05-04 2016-11-01 Factory Automation Technology 加工裝置
TWM531603U (zh) * 2016-05-04 2016-11-01 Factory Automation Technology 數位標註之加工裝置
US10990075B2 (en) * 2016-09-27 2021-04-27 Mitutoyo Corporation Context sensitive relational feature/measurement command menu display in coordinate measurement machine (CMM) user interface
TWI614699B (zh) * 2016-12-30 2018-02-11 國立成功大學 大量客製化產品的品質預測方法
DE102017010676A1 (de) * 2017-11-17 2019-05-23 Kuka Deutschland Gmbh Qualitätssicherung eines Prozesses
CN108445835B (zh) * 2018-04-24 2019-11-12 华中科技大学 一种数控机床的零件加工尺寸预测方法
CN108445838B (zh) * 2018-04-28 2020-07-28 华中科技大学 一种数控机床加工质量分析方法、分类器及设备
TWI684080B (zh) * 2018-06-21 2020-02-01 高聖精密機電股份有限公司 智慧型調整系統及其方法
TWI681845B (zh) * 2018-11-15 2020-01-11 財團法人工業技術研究院 拋磨控制方法及系統
TWI701185B (zh) * 2019-04-12 2020-08-11 國立勤益科技大學 自行車產品之數據分析系統及其方法
US11413747B2 (en) * 2019-08-12 2022-08-16 Workshops for Warriors Machine learning driven computer numerical control of a robotic machine tool
CN115104072A (zh) * 2020-02-20 2022-09-23 发那科株式会社 机床的数值控制装置
CN115443438A (zh) * 2020-03-03 2022-12-06 赫克斯冈技术中心 在计算机辅助制造中自动预测加工工作流的系统和方法
TWI742709B (zh) 2020-06-04 2021-10-11 國立成功大學 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品
US11543809B2 (en) * 2021-05-28 2023-01-03 Textron Innovations Inc. Automated inspection program generation
CN115018162B (zh) * 2022-06-09 2024-06-04 华中科技大学 一种工业精加工过程加工质量实时预测方法和系统
EP4361743A1 (en) 2022-10-28 2024-05-01 Deere & Company Computer implemented method of operating a tooling machine and tooling machine

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW398051B (en) * 1997-07-11 2000-07-11 Air Liquide Method for intelligent data acquisition in a measurement system
US20050033709A1 (en) * 2003-05-23 2005-02-10 Zhuo Meng Adaptive learning enhancement to automated model maintenance
US7603328B2 (en) * 2007-06-08 2009-10-13 National Cheng Kung University Dual-phase virtual metrology method
TW201006596A (en) * 2008-08-14 2010-02-16 Ind Tech Res Inst Method and apparatus for feed control of wire cutting and electrochemical discharge machining
CN202257196U (zh) * 2011-05-18 2012-05-30 大连光洋科技工程有限公司 记录及利用操作信息的数控系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003514305A (ja) * 1999-11-12 2003-04-15 ゴー・センサーズ・エルエルシー マシン・ビジョンのための堅牢なランドマークと前記ランドマークを検出するための方法
US6922599B2 (en) * 2001-08-13 2005-07-26 The Boeing Company System and method for producing an assembly by directly implementing three-dimensional computer-aided design component definitions
WO2006020685A2 (en) * 2004-08-11 2006-02-23 Cornell Research Foundation, Inc. Modular fabrication systems and methods
US8725667B2 (en) * 2008-03-08 2014-05-13 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
TWI349867B (en) * 2008-05-20 2011-10-01 Univ Nat Cheng Kung Server and system and method for automatic virtual metrology
JP5383265B2 (ja) * 2009-03-17 2014-01-08 株式会社日立ハイテクノロジーズ エッチング装置、分析装置、エッチング処理方法、およびエッチング処理プログラム
TWI407325B (zh) * 2010-05-17 2013-09-01 Nat Univ Tsing Hua 製程品質預測系統及其方法
US8781982B1 (en) * 2011-09-23 2014-07-15 Lockheed Martin Corporation System and method for estimating remaining useful life

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW398051B (en) * 1997-07-11 2000-07-11 Air Liquide Method for intelligent data acquisition in a measurement system
US20050033709A1 (en) * 2003-05-23 2005-02-10 Zhuo Meng Adaptive learning enhancement to automated model maintenance
US7603328B2 (en) * 2007-06-08 2009-10-13 National Cheng Kung University Dual-phase virtual metrology method
TW201006596A (en) * 2008-08-14 2010-02-16 Ind Tech Res Inst Method and apparatus for feed control of wire cutting and electrochemical discharge machining
CN202257196U (zh) * 2011-05-18 2012-05-30 大连光洋科技工程有限公司 记录及利用操作信息的数控系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10269660B2 (en) 2015-05-27 2019-04-23 National Cheng Kung University Metrology sampling method with sampling rate decision scheme and computer program product thereof
US10579026B2 (en) 2016-11-29 2020-03-03 Industrial Technology Research Institute Building a workpiece quality prediction model
US11378946B2 (en) 2019-04-26 2022-07-05 National Cheng Kung University Predictive maintenance method for component of production tool and computer program product thererof

Also Published As

Publication number Publication date
US20140129503A1 (en) 2014-05-08
US9508042B2 (en) 2016-11-29
TW201421178A (zh) 2014-06-01

Similar Documents

Publication Publication Date Title
TWI481978B (zh) 工具機之加工品質的預測方法
Kothuru et al. Application of audible sound signals for tool wear monitoring using machine learning techniques in end milling
CN104657526B (zh) 工具机的加工品质的预测方法
Beyca et al. Heterogeneous sensor data fusion approach for real-time monitoring in ultraprecision machining (UPM) process using non-parametric Bayesian clustering and evidence theory
Fernández-Robles et al. Use of image processing to monitor tool wear in micro milling
CN114619292B (zh) 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法
Zhang et al. Tool wear prediction method based on symmetrized dot pattern and multi-covariance Gaussian process regression
Liu et al. Calibration-based tool condition monitoring for repetitive machining operations
Liang et al. Data-driven anomaly diagnosis for machining processes
CN107132064A (zh) 基于多传感器的旋转机械系统运行状态监测方法及系统
CN103192292B (zh) 基于加工工件曲面形貌信息的数控机床误差辨识分离方法
Wang et al. A milling tool wear monitoring method with sensing generalization capability
Tieng et al. A novel virtual metrology scheme for predicting machining precision of machine tools
Kozłowski et al. Integrating advanced measurement and signal processing for reliability decision-making
Lu et al. Online process monitoring based on vibration-surface quality map for robotic grinding
CN116186499A (zh) 一种数控加工表面粗糙度预测方法
Wang et al. Self-adaptive fusion of local-temporal features for tool condition monitoring: A human experience free model
TWI742709B (zh) 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品
Li et al. A domain adversarial graph convolutional network for intelligent monitoring of tool wear in machine tools
Ross et al. A new intelligent approach of surface roughness measurement in sustainable machining of AM-316L stainless steel with deep learning models
CN109614758B (zh) 具有空间相关性的圆形形状误差的监控方法
TWM531354U (zh) 加工裝置
Yan et al. Precognitive maintenance and probabilistic assessment of tool wear using particle filters
Shi et al. Online monitoring dynamic characteristics in thin-walled structure milling: A physics-constrained bayesian updating approach
Raju et al. Curvelet transform for estimation of machining performance