TWI518469B - 加工監控系統及方法 - Google Patents
加工監控系統及方法 Download PDFInfo
- Publication number
- TWI518469B TWI518469B TW103132652A TW103132652A TWI518469B TW I518469 B TWI518469 B TW I518469B TW 103132652 A TW103132652 A TW 103132652A TW 103132652 A TW103132652 A TW 103132652A TW I518469 B TWI518469 B TW I518469B
- Authority
- TW
- Taiwan
- Prior art keywords
- processing
- processing information
- abnormality
- abnormal
- controller
- Prior art date
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Numerical Control (AREA)
Description
本揭露為一種加工監控系統及方法,尤指一種用於產生加工資訊與管理監控工具機加工資訊的系統及方法。
習知工具機智能化設備的目的在於抑制、迴避或阻止加工異常的發生,進而提升加工過程的穩定性。為此,工具機智能化設備多會搭載感測器,監測加工過程的各種信息,並且事先規劃異常對策,當監測異常發生時會自動根據對策行動。舉例而言,一美國專利揭露一種加工振動迴避裝置,透過感測器量測加工機主軸的振動訊號,辨識振動訊號是否為再生型顫振,若是則將主軸轉速切換為優化轉速,達成顫振迴避的目的。
然而,在異常發生時,雖然單純的監測、辨識與控制能縮短異常作用時間,降低異常的影響,但仍無法完全迴避異常的發生。因此有人提出以人工智能技術,例如類神經網路(neural network),以大量的加工資訊訓練人工智能,讓人工智能判斷加工訊號是否將會產生異常,達成在異常發生前就先行迴避的方法。例如一歐洲專利揭露利用感測器的訊號訓練類神經網路,如果類似的異常可能發生,類神經網路就能分析異常徵兆,達到事前迴避的效果
惟,利用僅包含單純的感測器訊號的加工資訊訓練類神經網路存在資訊不足的缺陷。舉例而言,感測器對重度切削的加工條件會反應出振幅較大的振動訊號,但輕度切削的異常加工過程也可能有類似的振動訊號。所以若使用感測器卻沒有搭配實際的加工條件,將不會有充裕的資訊,導致所訓練的人工智能效能有限。
因此,如何能有一種可擷取實際的加工條件,並且將加工條件及其他相關資訊加入至加工資訊內,以完整的加工資訊訓練人
工智能,以增進異常辨識的正確性,實為當前重要課題之一。
在一實施例中,本揭露提出一種加工監控系統,其包含一控制器資料存取介面、一異常辨識模組、一虛擬切削模組及一加工資訊管理模組;控制器資料存取介面是用以取得一控制器之加工資訊,控制器耦接一工具機;異常辨識模組與控制器資料存取介面耦接,異常辨識模組藉由控制器資料存取介面獲得控制器之加工參數以及儲存加工參數之變化;虛擬切削模組與控制器資料存取介面耦接,虛擬切削模組藉由分析加工資訊而模擬工具機的加工過程;加工資訊管理模組與控制器資料存取介面、異常辨識模組及虛擬切削模組耦接,加工資訊管理模組用以收集各時間點之加工資訊。
在另一實施例中,本揭露提出一種加工監控方法,包含:(a)由一控制器資料存取介面取得一控制器之加工資訊,控制器與一工具機耦接;(b)由一異常辨識模組根據加工資訊進行異常特徵辨識,以判斷是否發生異常;若否,則將加工資訊視為迴避異常成功的加工資訊儲存至一資料庫,而後返回步驟(a);若是,則進入步驟(c);(c)由一加工資訊管理模組比對資料庫中是否存在迴避異常成功的加工資訊;若是,則由異常辨識模組根據已存在的迴避異常成功的加工資訊進行異常迴避,而後返回步驟(a);若否,則進入步驟(d);(d)由加工資訊管理模組檢查資料庫是否有足夠的相近的加工資訊;若否,則由異常辨識模組根據步驟(b)之異常特徵辨識的結果,產生數組優化參數,而後進入步驟(e);若是,則由異常辨識模組以所檢查到之相近的加工資訊產生數組優化參數,而後進入步驟(e);(e)由加工資訊管理模組檢查資料庫中的迴避異常失敗的加工資訊,並與步驟(d)所產生的數組優化參數進行比對,並將無效的優化參數移除;以及
(f)由異常辨識模組從步驟(e)所產生的優化參數中選擇一組進行異常迴避,而後返回步驟(a)。
1‧‧‧加工監控系統
2‧‧‧控制器
10‧‧‧控制器資料存取介面
20‧‧‧異常辨識模組
21‧‧‧感測器
30‧‧‧虛擬切削模組
40‧‧‧加工資訊管理模組
41‧‧‧資料庫
圖1為本揭露之加工監控系統之架構示意圖。
圖2為本揭露之加工監控方法之一實施例流程圖。
圖3為本揭露之加工監控方法另一實施例流程圖。
圖4為習知技術之顫振迴避歷程示意圖。
圖5為本揭露測試實施例之顫振迴避歷程示意圖。
請參閱圖1所示實施例,本揭露之加工監控系統1,包含一控制器資料存取介面10、一異常辨識模組20、一虛擬切削模組30及一加工資訊管理模組40。
控制器資料存取介面10與一控制器2及虛擬切削模組30、加工資訊管理模組40耦接,控制器2耦接一工具機(圖中未示出)。控制器資料存取介面10是一種軟體通訊介面,可透過乙太網路、RS232通訊或可程式邏輯控制器(Programmable Logic Controller,PLC)通訊取得控制器2之加工參數或將加工參數寫入控制器2。舉例而言,某商用控制器廠商提供函式庫給使用者,使用者即可透過乙太網路與控制器2連線,以存取控制器2的加工參數,例如座標、進給、運動軸負載、主軸轉速、主軸負載及警報等相關資訊。此外,因為PLC也會紀錄加工參數,所以也可以透過讀取或寫入PLC而存取控制器2的加工資訊。此外,控制器資料存取介面10更具有預先讀取部分加工參數的功能,可以提前取得正在排序中的加工參數。
異常辨識模組20與控制器資料存取介面10及加工資訊管理模組40耦接。異常辨識模組20是一種訊號處理單元,可透過控制器資料存取介面10獲得控制器2的加工參數並且儲存加工參數變化的歷程,例如主軸負載歷程,並且分析歷程是否有異常,若有異常則傳出異常資料。於本實施例中,此異常辨識模組20搭配一感測器21使用,由異常辨識模組20分析感測器21所量測的控
制器2的加工參數,若加工參數發生異常,則會傳出異常資訊。
以顫振辨識為例,異常辨識模組20透過控制器資料存取介面10取得控制器2上的主軸轉速資訊,並且根據主軸轉速及刀具刃數對感測器21的振動訊號進行顫振辨識。若有顫振發生,則根據顫振頻率,以一預設方法(例如,可為轉速選擇法)產生一組優化轉速,再透過控制器資料存取介面10修改主軸轉速的負載率,以達到改變主軸轉速迴避顫振之目的。因此,當發生顫振時,異常辨識模組20會產生包含顫振頻率及優化轉速的異常加工資訊。
更進一步說明產生顫振迴避轉速選擇法的方法。必須從頻譜上偵測到顫振頻率f,以及輸入目前使用的刀具刃數N,則優化轉速可以根據下式計算:
其中k是工件或刀具振動頻率對刀刃通過頻率的比值。
舉例來說,以3刃圓柱刀、刀徑20mm、切寬10mm、切深5mm對鋁合金加工時,可以偵測到顫振頻率為1306Hz,則可計算前20個迴避轉速Sk分別是:
須說明的是,根據上式計算的每個轉速都可能達成迴避效果,但必須實際執行才能得知哪一個轉速有效。例如選擇2902rpm後,也許會激起另一個顫振特徵(2097Hz)。這是因為轉速選擇法
只能迴避特定的顫振頻段,但有可能落入另一顫振頻段。
此外,前述實施例係以顫振偵測為例而進行詳細說明,但不限於顫振偵測。
虛擬切削模組30與控制器資料存取介面10及加工資訊管理模組40耦接。虛擬切削模組30是一種模擬工具機加工過程的技術,透過建立刀具、工件的幾何模型,加上機台的運動資訊及模擬刀具移除工件材料的演算法,即可模擬工具機的加工過程。其中機台的運動資訊可以可透過控制器資料存取介面10即時(real time)獲得控制器2的加工參數,例如機台運動進給及座標,則此虛擬切削模組30就能即時模擬控制器2的實際加工狀態。本揭露的虛擬切削模組30實施例更進一步包含計算實際加工條件的方法,可以計算切寬、切深、每刃切屑(chip load)及幾何資訊。更一步說明,當控制器資料存取介面10具有預先讀取加工參數的功能,例如下一秒的機台座標,則此虛擬切削模組就可以預先模擬接下來的加工狀態。
本揭露之虛擬切削模組30需要事先建立工件及刀具的三維數值模型,並且定義運動鏈,即運動軸運動時刀具與工件的移動或旋轉方向以及參考的機械座標。接著透過控制器資料存取介面10取得控制器2上的機械座標,則此虛擬切削模組30即可根據取得的機械座標、已建立的工件及刀具模型及運動鏈檢查刀具與工件模型之間的干涉,若有干涉,則對工件模型進行材料移除,藉此達成模擬加工過程的功效。於此過程中,虛擬切削模組30可根據干涉量及運動方向計算實際的加工條件,包含切寬、切深及進刀量。以銑削加工為例,其計算方法如下:理論切屑形狀:工件與刀具模型的干涉結果,輔以轉速與進給資訊計算獲得。
切深:工件與刀具模型的干涉結果,投射在刀具軸心的長度
切寬:工件與刀具模型的干涉結果,投射在以刀具軸心(或進給方向)為法向量的平面上的寬度
切削型態:由前述切寬、主軸旋轉方向或刀具軸心的位置,
可以區分順銑、逆銑、全槽銑或其他型態。
工件質量:工件殘料體積乘以工件材料密度
工件轉動慣量:以工件旋轉軸對工件殘料計算的轉動慣量,工件旋轉軸可能不只一軸。
更進一步說明,部分控制器2可以啟用預讀座標功能,該功能啟用後,可透過控制器資料存取介面10預先取得一定量的機械座標。本揭露之虛擬切削模組可利用預先取得的機械座標,按照模擬加工過程之流程提前計算實際加工條件,並且及時提供給異常辨識模組20進行異常辨識演算。
加工資訊管理模組40與控制器資料存取介面10、異常辨識模組20及虛擬切削模組30耦接。加工資訊管理模組40是一種資訊統合技術,用於收集各時間點的工具機加工資訊,其中,加工資訊來自於控制器資料存取介面10、異常辨識模組20及虛擬切削模組30。控制器資料存取介面10產生的加工資訊可包含機台座標、進給、運動軸負載、主軸轉速、主軸負載及警報等;異常辨識模組20產生的加工資訊可包含異常振動、顫振、目前執行的NC程式或其他異常訊息;虛擬切削模組30產生之加工資訊可包含加工條件(切深、切寬、進刀量(chip load))及幾何資訊(重量、轉動慣量、加工中的工件模型)。此加工資訊更可以進一步包含感測器21量測所得之時序訊號、頻譜資訊或經訊號處理後的資訊。
具體而言,於一段時間內的各加工資訊儲存的格式皆不一致。舉例而言,若加工資訊管理模組儲存每一秒的加工資訊,主軸轉速可能變化不大,僅需要記錄該時間頭尾的轉速數值即可,但振動訊號就需要儲存大量的樣本數。為此需要定義一個數值容器(numerical container)的資料結構,例如:
加工資訊管理模組40的第一實作可以是一個程式設計上的物件(object),其資料成員包含若干前述之加工資訊的數值容器資料結構,並且提供新增及取得最新加工資訊的方法(Method)。其內部存在亦一個回呼(Callback)機制,當儲存足夠的加工資訊時,會自動執行該回呼機制。
加工資訊管理模組40的第二實作是透過ISO標準的控制器區域網路(Controller Area Network,CAN)或類似其他架構。CAN是一種通訊協定,其特點是允許網路上的設備直接互相通訊,提供高安全等級及有效率的即時控制,更具備了偵錯和優先權判別的機制。控制器資料存取介面10、異常辨識模組20及虛擬切削模組30皆可自行將加工資訊傳遞至CAN,也可以自由地從CAN中取得需求的資料。
於本實施例中,加工資訊管理模組40耦接一資料庫41,資料庫41可以為SQL資料庫或其他標準資料庫,其形式可為外接方式或內建於加工資訊管理模組40。加工資訊管理模組40可進一步將各時間的加工資訊存入資料庫41,待異常辨識模組20於後續有需求時,加工資訊管理模組40可從資料庫41取出必要的相關資訊,輔助提升異常辨識的正確性。
於具體實作時,加工資訊管理模組40的第一實作之回呼機制需提供將加工資訊儲存至資料庫41的功能,則當儲存足夠的加工資訊時,加工資訊會自動儲存至資料庫41內。
若加工資訊管理模組40是以CAN實作,因為CAN不具有主動執行功能,所以資料庫41需要定時取得CAN上的資訊並且儲
存。
此外,資料庫41也提供一快速搜尋介面(圖中未示出),提供異常辨識模組20快速比對現有加工條件與資料庫41內的過去加工條件。
請參閱圖2所示本揭露之加工監控方法之實施例流程,並請同時參閱圖1所示加工監控系統1之架構圖。
步驟S101,取得加工資訊:當工具機開始加工後,先由控制器資料存取介面10或感測器21取得控制器2之加工參數,由虛擬切削模組30計算工具機於當下的加工條件,同時進行異常辨識,並計算異常特徵。例如,若本流程是針對顫振迴避,則上述加工參數可為工具機的主軸轉速,而上述加工條件包括切寬、切深,而上述異常辨識為顫振辨識,而上述異常特徵則包括顫振頻率。於後續說明皆以括號文字代表與顫振有關之技術,但必須說明,本流程不限於顫振迴避。
步驟S102,判斷是否發生異常:由異常辨識模組20根據於步驟S101所取得之加工資訊進行異常特徵(顫振頻率)辨識。若未發生異常(顫振),則進入步驟S103。
步驟S103,將成功的加工資訊儲存至資料庫:由於步驟S101所測得之加工參數、以及所計算之加工條件及異常特徵等加工資訊經判斷未發生異常(顫振),因此將該加工資訊視為迴避異常成功的加工資訊,並將其儲存至資料庫41。若於步驟S101所測得之加工參數、以及所計算之加工條件及異常特徵等加工資訊經判斷發生異常(顫振),則將該加工資訊視為迴避異常失敗的加工資訊,並將其儲存至資料庫41。而前述該迴避異常成功的加工參數(主軸轉速)視為一優化參數。而後返回步驟S101再取得工具機於當時之加工資訊,並進入步驟S102判斷是否發生異常(顫振),直至步驟S102判斷有異常(顫振)發生,則進入步驟S104。
步驟S104,由加工資訊管理模組40比對資料庫中是否存在迴避異常(顫振)成功的加工資訊,如前所述,該迴避異常成功的加工資訊包括優化參數;若是,則進入步驟S105。
步驟S105,由異常辨識模組20根據已存在的優化參數(主軸轉速)進行異常(顫振)迴避,亦即,將優化參數寫入控制器2以改變原加工參數。而後返回步驟S101取得工具機於當下的加工資訊,並進入步驟S102判斷是否發生異常(顫振),直至步驟S102判斷有異常(顫振)發生,且步驟S104比對之結果為否,亦即加工資訊管理模組40比對資料庫中不存在迴避異常(顫振)成功的加工資訊,則進入步驟S106。
步驟S106,由加工資訊管理模組40檢查資料庫是否有足夠的相近的加工資訊,此加工資訊舉例包括異常特徵(例如,顫振頻率)與加工條件(例如,切寬、切深)等。若是,則執行步驟S110以相近的加工資訊產生數組優化參數;若否,亦即資料庫並無相近的加工資訊,或是所檢查出之加工資訊無法「足夠」,則執行步驟S107。
前述相近的加工資訊是否「足夠」,係指所建立的近似模型誤差量是否在容許範圍內而言。以類神經網路法為例,需比較目前的加工資訊所建構的近似模型的數值,與已存在的相近加工資訊的數值是否在容許範圍之內,例如透過目前的若干筆加工資訊可以訓練類神經網路產生一近似模型,其中某筆加工資訊與S101的加工資訊最接近,則可比較該筆加工資訊與該近似模型的異常值誤差是否在容許範圍之內,若是,表示加工資訊是「足夠」的,則進行步驟S110透過該近似模型演算之後的優化參數;若否則表示目前的加工資訊是不足的,則進行步驟S107。
步驟S107,由異常辨識模組20根據步驟S102進行之異常特徵辨識的結果,並以一預設之方法產生數組優化參數(主軸轉速);以顫振辨識為例,可透過轉速選擇法產生數組優化參數(主軸轉速)。而後進入步驟S108。
步驟S108,由加工資訊管理模組40檢查資料庫41中的迴避異常失敗的加工資訊,並與步驟S107所產生的數組優化參數(主軸轉速)進行比對,若步驟S107所產生的數組優化參數(主軸轉速)符合迴避異常失敗的加工資訊,則將其視為無效的優化參數(主軸
轉速)並將其移除,而後進入步驟S109。
步驟S109,由異常辨識模組20在步驟S108已移除無效優化參數後所產生的優化參數(主軸轉速)中選擇一組進行異常(顫振)迴避。步驟S109是根據預設與使用者設定的策略,例如本揭露實施例的策略是選擇距離原本加工參數最接近的優化參數(主軸轉速),由數組優化參數(主軸轉速)中擇一進行異常(顫振)迴避,並且透過控制器資料存取介面10將該優化參數(主軸轉速)寫入控制器2以改變原加工參數(主軸轉速);過程中,該組加工參數(主軸轉速)與步驟S101所取得之加工參數(主軸轉速)會一起被設定為暫存的加工資訊。
執行步驟S109後,工具機將會以一組優化參數進行加工,而後返回步驟S101再取得加工資訊,並進入步驟S102判斷是否發生異常(顫振),且步驟S102判斷有異常(顫振)發生,且步驟S104比對之結果為否,且步驟S106檢查之結果為是,則進入步驟S110。
步驟S110,由異常辨識模組20以於步驟S106所檢查到之該相近的加工資訊產生數組優化參數。而後進入步驟S108,再進入步驟S109,而後返回步驟S101,再進行前述各項步驟。
請參閱圖3所示本揭露之加工監控方法之另一實施例流程。本實施例與圖2實施例之差異在於,本實施例加入了一追蹤參數的判定,該追蹤參數依實際所需而設定,例如可設定追蹤參數為IsTracing,並判定追蹤參數IsTracing之真假,而追蹤參數之真假代表是否達成異常迴避,若達成異常迴避,則追蹤參數為真,反之,若未達成異常迴避,則追蹤參數為假。請同時參閱圖1所示加工監控系統1之架構圖。
步驟S1010,當工具機開始加工後,先設定參數為假,接著進行步驟S101。
步驟S101,取得加工資訊:當工具機開始加工後,先由控制器資料存取介面10或感測器21取得控制器2之加工參數,由虛擬切削模組30計算工具機於當下的加工條件,同時進行異常辨識,並計算異常特徵。例如,若本流程是針對顫振迴避,則上述
加工參數可為工具機的主軸轉速,而上述加工條件包括切寬、切深,而上述異常辨識為顫振辨識,而上述異常特徵則包括顫振頻率。於後續說明皆以括號文字代表與顫振有關之技術,但必須說明,本流程不限於顫振迴避。
步驟S102,判斷是否發生異常:由異常辨識模組20根據於步驟S101所取得之加工資訊進行異常特徵(顫振頻率)辨識。若未發生異常(顫振),則進入步驟S1021。
步驟S1021,判斷追蹤參數是否為真;若判斷追蹤參數為真,則進入步驟S103。
步驟S103,將迴避異常成功的加工資訊儲存至資料庫:由於步驟S101所測得及所計算之加工參數、加工條件及異常特徵等加工資訊於步驟S102經判斷未發生異常(顫振),且步驟S1021判斷追蹤參數為真,因此將該加工資訊視為迴避異常成功的加工資訊,並將其儲存至資料庫41。而前述該迴避異常成功的加工參數(主軸轉速)視為一優化參數。而後返回步驟S101再取得工具機於當時之加工資訊,並進入步驟S102判斷是否發生異常(顫振),直至步驟S102判斷有異常(顫振)發生,則進入步驟S1022。
而於前述步驟S1021時,若判斷追蹤參數為假,則返回步驟101再取得工具機於當時之加工資訊,並進入步驟S102判斷是否發生異常(顫振),直至步驟S102判斷有異常(顫振)發生,則進入步驟S1022。
步驟S1022,判斷追蹤參數是否為真;若判斷追蹤參數為真,則進入步驟S1023。
步驟S1023,將迴避異常失敗的加工資訊儲存至資料庫:由於步驟S101所測得及所計算之加工參數、加工條件及異常特徵等加工資訊於步驟S102判斷發生異常(顫振),且於步驟S1022判斷追蹤參數為真,因此將該加工資訊視為迴避異常失敗的加工資訊,並將其儲存至資料庫41。而後進入步驟S1024。
步驟S1024,判斷加工條件是否已變更;亦即,切深、切寬與暫存加工資訊是否不同。若加工條件有變更,則進入步驟S1025,
將追蹤參數設為假,並返回步驟101;若加工條件未變更,則進入步驟S104。
步驟S104,由加工資訊管理模組40比對資料庫中是否存在迴避異常(顫振)成功的加工資訊,如前所述,該迴避異常成功的加工資訊包括優化參數;若是,則進入步驟S105。
步驟S105,由異常辨識模組20根據已存在的優化參數(主軸轉速)進行異常(顫振)迴避,亦即,將優化參數寫入控制器2以改變原加工參數。而後返回步驟S101取得工具機於當下的加工資訊,並進入步驟S102判斷是否發生異常(顫振),直至步驟S102判斷有異常(顫振)發生,且步驟S104比對之結果為否,亦即加工資訊管理模組40比對資料庫中不存在迴避異常(顫振)成功的加工資訊,則進入步驟S106。
步驟S106,由加工資訊管理模組40檢查資料庫是否有足夠的相近的加工資訊,此加工資訊舉例包括異常特徵(例如,顫振頻率)與加工條件(例如,切寬、切深)等。若是,則執行步驟S110以相近的加工資訊產生數組優化參數;若否,亦即資料庫並無相近的加工資訊,或是所檢查出之相近的資料量不足,則執行步驟S107。
步驟S107,由異常辨識模組20根據步驟S102進行之異常特徵辨識的結果,並以一預設之方法產生數組優化參數(主軸轉速);以顫振辨識為例,可透過轉速選擇法產生數組優化參數(主軸轉速)。而後進入步驟S108。
步驟S108,由加工資訊管理模組40檢查資料庫41中的迴避異常失敗的加工資訊,並與步驟S107所產生的數組優化參數(主軸轉速)進行比對,若步驟S107所產生的數組優化參數(主軸轉速)符合迴避異常失敗的加工資訊,則將其視為無效的優化參數(主軸轉速)並將其移除,而後進入步驟S109。
步驟S109,由異常辨識模組20在步驟S108已移除無效優化參數後所產生的優化參數(主軸轉速)中選擇一組進行異常(顫振)迴避。步驟S109是根據預設與使用者設定的策略,例如本揭露實施例的策略是選擇距離原本加工參數最接近的優化參數(主軸轉
速),由數組優化參數(主軸轉速)中擇一進行異常(顫振)迴避,並且透過控制器資料存取介面10將該優化參數(主軸轉速)寫入控制器2以改變原加工參數(主軸轉速);過程中,該組加工參數(主軸轉速)與步驟S101所取得之加工參數(主軸轉速)會一起被設定為暫存的加工資訊。步驟S109完成後,則進入步驟S1091。
步驟S1091,自動將追蹤參數設定為真,表示流程開始進行後續的參數追蹤。
執行步驟S109後,工具機將會以一組優化參數進行加工,而後返回步驟S101再取得加工資訊,並進入步驟S102判斷是否發生異常(顫振),且步驟S102判斷有異常(顫振)發生,且步驟S104比對之結果為否,且步驟S106檢查之結果為是,則進入步驟S110。
步驟S110,由異常辨識模組20以於步驟S106所檢查到之該相近的加工資訊產生數組優化參數。而後進入步驟S108,再進入步驟S109,而後返回步驟S101,再進行前述各項步驟。
為說明本揭露的效果,謹舉出一測試實施例與方法流程圖搭配說明,並與習知顫振迴避進行比對。本揭露的實施方法,以異常處理是以顫振迴避為例,但不限制異常處理範圍。本測試實施例之加工條件是於一機台以3刃圓柱刀、刀徑20mm、切寬10mm、切深5mm對鋁合金加工,偵測工件振動訊號請參閱圖4、5所示。
圖4為習知技術的顫振迴避歷程,當以主軸轉速3000rpm(轉/分)加工時,顫振在約0.1秒時開始發展,此時偵測到顫振頻率為1306Hz,按照一預設方法(例如,可為轉速選擇法)求得四組迴避轉速2612rpm、2902rpm、3265rpm、3731rpm,程式會自動選擇最接近的轉速2902rpm。接著便會改變主軸的轉速為2902rpm並進行加工,而當以2902rpm加工後,會出現新的顫振頻率2097Hz,同樣再產生四組迴避轉速2621rpm、2796rpm、3226rpm、3495rpm,而程式自動選擇最接近的2796rpm。當主軸轉速改變成2796rpm後,沒有顫振發生,因此達成異常迴避。由於習知系統未搭載資料庫,因此當同樣的加工條件重複時,前述狀態會一再發生,換言之,習知系統為消極式解決顫振,並無法確實迴避顫振。
至於本揭露的顫振迴避歷程,請同時參閱圖3及圖5所示,假設資料庫(可參閱圖1所示資料庫41)沒有任何資料,亦即工具機為初始使用狀態。
首先令追蹤參數為假(步驟S1010);以主軸轉速3000rpm加工時,於0.1秒時以步驟S101進行顫振偵測,取得0.1秒時的加工資訊;再以步驟S102檢查當時未發現顫振,且於步驟S1021檢查追蹤參數為假,則返回步驟S101,主軸轉速仍為3000rpm。接著,於0.2秒時產生顫振(如圖5所示),因此可於步驟S102檢查出發生顫振,而後於步驟S1022檢查出追蹤參數為假;由於原設定資料庫沒有任何資料,因此於步驟S104與S106檢查資料庫沒有內容,則進行步驟S107,按照一預設方法(例如,可為轉速選擇法)求得四組迴避轉速2612rpm、2902rpm、3265rpm、3731rpm(亦即圖3步驟S107所稱之優化參數)。而後於步驟S108時檢查資料庫沒有內容,因此執行步驟S109,自動選擇最接近原轉速3000rpm的轉速2902rpm,並且修改成主軸轉速為2902rpm加工,並且將追蹤參數設定為真(步驟S1091)後,繼續執行步驟S101。必須說明的是,本案實施例在顫振訊號輸入後約0.05秒進行主軸轉速切換,但由於電腦計算需要時間,根據電腦效能而會有不同。
當改變主軸轉速為2902rpm加工,於執行步驟S101偵測到新的顫振頻率2097Hz,於步驟S102檢查到有顫振發生,且步驟S1022檢查參數為真,因此執行步驟S1023,將先前選擇的2902rpm參數與相關加工資訊作為迴避異常失敗的加工資訊儲存至資料庫。而後,因為於步驟S1024檢查加工條件未改變,因此進行步驟S104與S106檢查資料庫,但資料庫內沒有迴避異常成功的加工資訊,所以進行步驟S107,按照一預設方法(例如,可為轉速選擇法)求得四組迴避轉速2621rpm、2796rpm、3226rpm、3495rpm,又於步驟S108時檢查資料庫沒有內容,所以執行步驟S109,自動選擇最接近原轉速2902rpm的轉速2796rpm,並且將主軸之轉速修改為2796rpm已進行加工,繼續執行步驟S101。當主軸轉速改變成2796rpm後,經步驟S101與S102未偵測到顫振發生,如此即代
表達成異常迴避,則進行步驟S1021檢查追蹤參數為真,則將主軸轉速2796rpm與相關加工條件,即3刃圓柱刀、刀徑20mm、切寬10mm、切深5mm與工件為鋁合金,作為迴避異常成功的加工資訊並儲存至資料庫內。當同樣的加工條件,亦即3刃圓柱刀、刀徑20mm、切寬10mm、切深5mm與工件為鋁合金等加工資訊,被虛擬切削模組30計算獲得,且異常再一次發生時,則本揭露會利用步驟S105,根據已紀錄的迴避異常成功的加工資訊進行迴避,亦即選用2796rpm迴避,因此可縮短異常迴避的時間,效果如圖5所示。
綜上所述,本揭露所提供之加工監控系統及方法,由於控制器資料存取介面具有預先讀取加工資訊的功能,因此可獲取工具機未來的運動動作,例如下一秒的座標。因此虛擬切削模組即可預先模擬接下來的加工狀態。換言之,本揭露可預先準備好加工條件資料,令異常辨識模組提前進行異常辨識,達到事前迴避異常發生的功效並,並且可以增進異常辨識的正確性。
惟以上所述之具體實施例,僅係用於例釋本揭露之特點及功效,而非用於限定本揭露之可實施範疇,於未脫離本揭露上揭之精神與技術範疇下,任何運用本揭露所揭示內容而完成之等效改變及修飾,均仍應為下述之申請專利範圍所涵蓋。
1‧‧‧加工監控系統
2‧‧‧控制器
10‧‧‧控制器資料存取介面
20‧‧‧異常辨識模組
21‧‧‧感測器
30‧‧‧虛擬切削模組
40‧‧‧加工資訊管理模組
41‧‧‧資料庫
Claims (15)
- 一種加工監控系統,包含:一控制器資料存取介面,用以取得一控制器之加工資訊,該控制器耦接一工具機;一異常辨識模組,與該控制器資料存取介面耦接,該異常辨識模組藉由該控制器資料存取介面獲得該控制器之加工參數以及儲存該加工參數之變化;一虛擬切削模組,與控制器資料存取介面耦接,該虛擬切削模組藉由分析該加工資訊而模擬該工具機的加工過程;以及一加工資訊管理模組,與該控制器資料存取介面、該異常辨識模組及該虛擬切削模組耦接,該加工資訊管理模組用以收集各時間點之該加工資訊。
- 如申請專利範圍第1項所述之加工監控系統,其中該控制器與該異常辨識模組間至少設有一感測器,該感測器用以量測該工具機之加工參數。
- 一種加工監控方法,包含:(a)由一控制器資料存取介面取得一控制器之加工資訊,該控制器與一工具機耦接;(b)由一異常辨識模組根據該加工資訊進行一異常特徵辨識,以判斷是否發生異常;若否,則將該加工資訊視為迴避異常成功的加工資訊並儲存至一資料庫,而後返回步驟(a);若是,則進入步驟(c);(c)由一加工資訊管理模組比對該資料庫中是否存在迴避異常成功的加工資訊;若是,則由該異常辨識模組根據已存在的加工資訊進行一異常迴避,而後返回步驟(a);若否,則進入步驟(d);(d)由該加工資訊管理模組檢查該資料庫是否有足夠的相近的加工資訊;若否,則由該異常辨識模組根據步驟(b)之該異常特徵辨識的結果,產生數組優化參數,而後進入步驟(e); 若是,則由該異常辨識模組以所檢查到之相近的加工資訊產生數組優化參數,而後進入步驟(e);(e)由該加工資訊管理模組檢查該資料庫中的迴避異常失敗的加工資訊,並與步驟(d)所產生的數組優化參數進行比對,並將無效的優化參數移除;以及(f)由該異常辨識模組從步驟(e)所產生的優化參數中選擇一組進行該異常迴避,而後返回步驟(a)。
- 如申請專利範圍第3項所述之加工監控方法,其中該加工資訊包括加工參數、加工條件及異常特徵;於步驟(a)時,由該控制器資料存取介面或由一感測器取得該控制器之加工參數,由一虛擬切削模組計算該工具機於當下的加工條件,同時進行一異常辨識,並計算一異常特徵。
- 如申請專利範圍第4項所述之加工監控方法,其中該感測器設置於該控制器與該異常辨識模組之間,該虛擬切削模組耦接該控制器資料存取介面。
- 如申請專利範圍第4項所述之加工監控方法,其中該加工參數包括該工具機之主軸轉速,該加工條件包括對工件之切寬、切深,該異常辨識包括顫振辨識,該異常特徵包括顫振頻率。
- 如申請專利範圍第3項所述之加工監控方法,其中該步驟(a)之前先設定一追蹤參數為假,代表未達成異常迴避,若將該追蹤參數設為真,則代表已達成異常迴避。
- 如申請專利範圍第7項所述之加工監控方法,其中該步驟(b)判斷是否發生異常之結果為否時,則進入一步驟(b1),於該步驟(b1)判斷該追蹤參數是否為真;若否,則返回步驟(a);若是,則將該加工資訊視為迴避異常成功的加工資訊儲存至該資料庫。
- 如申請專利範圍第7項所述之加工監控方法,其中該步驟(b)判斷是否發生異常之結果為是時,則進入一步驟(b2),於該步驟(b2)判斷該追蹤參數是否為真;若否,則進步驟(c);若是,則依序進入步驟(b21)、步驟(b22); (b21)將該加工資訊視為迴避異常失敗的加工資訊儲存至該資料庫;(b22)判斷加工條件是否已變更;若否,則進行步驟(c);若是,則將追蹤參數設為假,而後返回步驟(a)。
- 如申請專利範圍第7項所述之加工監控方法,其中該步驟(f)由該異常辨識模組從步驟(e)所產生的優化參數中選擇一組進行異常迴避後,先將追蹤參數設為真,而後返回步驟(a)。
- 如申請專利範圍第3項所述之加工監控方法,其中該步驟(b)所進行之該異常特徵辨識,是由該異常辨識模組透過該控制器資料存取介面獲得該控制器的加工參數,並且儲存加工參數變化的歷程,藉由分析該歷程以判斷是否發生異常。
- 如申請專利範圍第3項所述之加工監控方法,其中該步驟(c)所進行之該異常迴避,是將優化參數寫入該控制器以改變原加工參數。
- 如申請專利範圍第3項所述之加工監控方法,其中該步驟(d)之相近的加工資訊是指所建立的近似模型誤差量在容許範圍之內。
- 如申請專利範圍第3項所述之加工監控方法,其中該步驟(e)之迴避異常失敗的加工資訊是指於步驟(a)所測得之加工參數、所計算之加工條件及異常特徵等加工資訊經判斷發生異常時,則將該加工資訊視為迴避異常失敗的加工資訊。
- 如申請專利範圍第3項所述之加工監控方法,其中該步驟(e)所進行之比對,若步驟(d)所產生的數組優化參數符合迴避異常失敗的加工資訊時,則將其視為無效的優化參數。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103132652A TWI518469B (zh) | 2014-09-22 | 2014-09-22 | 加工監控系統及方法 |
CN201410658929.3A CN105629920B (zh) | 2014-09-22 | 2014-11-18 | 加工监控系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103132652A TWI518469B (zh) | 2014-09-22 | 2014-09-22 | 加工監控系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI518469B true TWI518469B (zh) | 2016-01-21 |
TW201612664A TW201612664A (en) | 2016-04-01 |
Family
ID=55640431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW103132652A TWI518469B (zh) | 2014-09-22 | 2014-09-22 | 加工監控系統及方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105629920B (zh) |
TW (1) | TWI518469B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10248104B2 (en) | 2016-08-17 | 2019-04-02 | Industrial Technology Research Institute | Optimizing machine operations using acoustics properties |
US10762699B2 (en) | 2018-12-05 | 2020-09-01 | Industrial Technology Research Institute | Machining parameter automatic generation system |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109507952B (zh) * | 2018-12-12 | 2021-07-30 | 成都飞机工业(集团)有限责任公司 | 一种基于切削负载的复杂零件数控加工异常状态监控方法 |
CN109759901B (zh) * | 2019-01-25 | 2020-06-19 | 西安交通大学 | 基于主轴系统非对称刚度调控的铣削颤振控制方法 |
DE112019007355T5 (de) * | 2019-05-23 | 2022-02-17 | Mitsubishi Electric Corporation | Numerische steuervorrichtung |
CN110188490B (zh) * | 2019-06-03 | 2021-03-23 | 珠海格力电器股份有限公司 | 提高数据仿真效率的方法及装置、存储介质和电子装置 |
CN112987649A (zh) * | 2019-12-17 | 2021-06-18 | 财团法人金属工业研究发展中心 | 工作母机加工信息即时呈现方法与工作母机即时呈现系统 |
CN113485267A (zh) * | 2021-07-12 | 2021-10-08 | 湖南先登智能科技有限公司 | 一种镍基靶材生产自动控制系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4582660B2 (ja) * | 2007-05-24 | 2010-11-17 | オークマ株式会社 | 工作機械の振動抑制装置 |
JP5105102B2 (ja) * | 2009-04-10 | 2012-12-19 | エヌティーエンジニアリング株式会社 | 作業機械のびびり抑制方法及び装置 |
JP5368232B2 (ja) * | 2009-09-24 | 2013-12-18 | オークマ株式会社 | 振動抑制装置 |
CN102416580A (zh) * | 2011-12-07 | 2012-04-18 | 常州市新特力工具有限公司 | 镗床的控制装置 |
CN103372787A (zh) * | 2012-04-28 | 2013-10-30 | 台中精机厂股份有限公司 | 工具机智能化适应性切削振动抑制方法与系统 |
-
2014
- 2014-09-22 TW TW103132652A patent/TWI518469B/zh active
- 2014-11-18 CN CN201410658929.3A patent/CN105629920B/zh active Active
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10248104B2 (en) | 2016-08-17 | 2019-04-02 | Industrial Technology Research Institute | Optimizing machine operations using acoustics properties |
US10762699B2 (en) | 2018-12-05 | 2020-09-01 | Industrial Technology Research Institute | Machining parameter automatic generation system |
TWI722344B (zh) * | 2018-12-05 | 2021-03-21 | 財團法人工業技術研究院 | 加工參數自動產生系統 |
Also Published As
Publication number | Publication date |
---|---|
TW201612664A (en) | 2016-04-01 |
CN105629920B (zh) | 2018-09-04 |
CN105629920A (zh) | 2016-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI518469B (zh) | 加工監控系統及方法 | |
CN105510038B (zh) | 风电机组故障监测方法和装置 | |
US20200370996A1 (en) | System And Method For Operational-Data-Based Detection Of Anomaly Of A Machine Tool | |
US20190301979A1 (en) | Abnormality detection system, support device, and abnormality detection method | |
Abellan-Nebot et al. | A review of machining monitoring systems based on artificial intelligence process models | |
US20190286085A1 (en) | Abnormality detection system, support device, and model generation method | |
TW201834784A (zh) | 刀具磨耗監測與預測方法 | |
EP3105644A1 (en) | Method of identifying anomalies | |
JP2019159903A (ja) | 異常検知システム、サポート装置およびモデル生成方法 | |
US7953577B2 (en) | Method and apparatus for improved fault detection in power generation equipment | |
CN108475052A (zh) | 诊断设备、计算机程序和诊断系统 | |
CN107263211B (zh) | 一种基于多传感融合的刀具状态监测方法 | |
US7716152B2 (en) | Use of sequential nearest neighbor clustering for instance selection in machine condition monitoring | |
EP3864475B1 (en) | Method and system for monitoring tool wear to estimate rul of tool in machining | |
Yao et al. | Real-time chatter detection and automatic suppression for intelligent spindles based on wavelet packet energy entropy and local outlier factor algorithm | |
JP2019098515A (ja) | 刃具状態検査システム及び方法 | |
JP7134062B2 (ja) | 工作機械の異常診断システム、異常診断方法、異常診断プログラム | |
CN114102261A (zh) | 一种机床刀具安全检测方法、系统及机床 | |
CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
CN116016274B (zh) | 一种异常通讯检测方法和系统 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN116757648A (zh) | 基于人工智能的生产制造管理系统及方法 | |
CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
KR101915236B1 (ko) | 스마트 팩토리를 위한 통합 보안 관리 시스템 | |
US11835429B2 (en) | Apparatus for equipment monitoring |