TWI670138B - 應用於自動加工機的刀具磨耗預測方法 - Google Patents
應用於自動加工機的刀具磨耗預測方法 Download PDFInfo
- Publication number
- TWI670138B TWI670138B TW107141633A TW107141633A TWI670138B TW I670138 B TWI670138 B TW I670138B TW 107141633 A TW107141633 A TW 107141633A TW 107141633 A TW107141633 A TW 107141633A TW I670138 B TWI670138 B TW I670138B
- Authority
- TW
- Taiwan
- Prior art keywords
- tool wear
- tool
- cutting
- frequency band
- characteristic
- Prior art date
Links
Landscapes
- Numerical Control (AREA)
Abstract
一種應用於自動加工機的刀具磨耗預測方法,步驟包括:以一麥克風感測器收集一切削機台因進行切削而振動時所產生的聲音資料; 分析聲音資料,以提取切削機台之複數共振頻帶,並且產生一時頻域圖; 再根據時頻域圖,從這些共振頻帶中篩選出一特徵頻帶,特徵頻帶是從5800Hz至6400Hz;以此特徵頻帶所對應的能量分佈資料計算複數統計指標,再從這些統計指標中篩選出一特徵指標;以及,利用特徵指標與刀具磨耗量的相關性建立一預測模型。當預測模型接收特徵指標之一輸入值,即對應地產生刀具磨耗量的一預測值。此預測值的準確度不因切削條件改變而受影響。
Description
本發明與一種刀具磨耗預測方法有關,特別是與一種用於預測或即時監控一電腦化數值控制切削機台之刀具磨耗量的方法有關。
電腦化數值控制切削機台(Computer Numerical Control,以下簡稱CNC機台)是先進的自動化製程系統的重要設備。CNC機台的切削刀具磨耗狀態影響著工件品質、生產效率、CNC機台的穩定性及耐用性。因此在機械加工廠中建立一套刀具磨耗狀態的監控系統是個重要議題。通過精確評估刀具磨耗狀態能夠及時更換磨損的刀具,可減少廢品以及刀具成本,也可以避免造成CNC機台不必要的損壞,進而提高生產力。
習知的刀具磨耗狀態監控技術大多是在CNC機台上架設力量計、加速規、超音波感測器或是將上述多種感測器組合使用,再分析所擷取的訊號以判斷刀具磨耗程度。例如:將力量計所測得的切削力進行時域分析,並探討其時域(Time Domain)分析資料與刀具磨耗之間的關係;或是將加速規所測得刀具切削時的振動訊號進行頻域(Frequency Domain)分析,以探討振動倍頻對刀具磨耗的影響。
然而,上述感測器除了價格昂貴之外,感測器的架設位置會影響感測靈敏度,或對加工工法產生限制。此外,習知技術只在固定切削條件下進行切削訊號分析,一旦切削條件改變即會影響即時監控的結果,須重新建立即時監控模型,因此難以廣泛地被運用。
本發明之一目的在於提供一種應用於自動加工機的刀具磨耗預測方法,其對於刀具磨耗量的預測準確度不會受到加工工法或切削條件改變的影響。
本發明之一目的在於提供一種應用於自動加工機的刀具磨耗預測方法,搭配便宜的麥克風感測器即可即時監控刀具磨耗狀態。
為了達到上述目的,本發明提供一種應用於自動加工機的刀具磨耗預測方法,其步驟包括:以一電腦驅動一麥克風感測器收集一切削機台因進行切削而振動時所產生的聲音資料;分析聲音資料以提取切削機台之複數共振頻帶,並且產生一時頻域圖,用以顯示每一共振頻帶中能量隨著時間的分佈資料;根據時頻域圖,從複數共振頻帶中篩選出一特徵頻帶,此特徵頻帶是從5800Hz至6400Hz;以特徵頻帶所對應的能量分佈資料計算複數統計指標;比較每一統計指標與切削機台之一刀具磨耗量的相關性,以從複數統計指標中篩選出一特徵指標;並且利用特徵指標與刀具磨耗量的相關性建立一預測模型。接著,將預測模型程式化之後安裝至電腦中,以電腦執行預測模型。當預測模型接收到特徵指標之一輸入值,即對應地產生刀具磨耗量的一預測值。
在一實施例中,上述的方法更包括:在產生刀具磨耗量的預測值之後,預測模型根據預測值隨著切削距離之變化趨勢繪製一刀具磨耗趨勢圖;並且在預測模型中定義刀具之一磨耗量上限;根據刀具磨耗趨勢圖及磨耗量上限,預測刀具之一剩餘切削距離,並將剩餘切削距離定義為一刀具剩餘壽命。
在一實施例中,上述提取複數共振頻帶的步驟包括:對切削機台進行一掃頻流程,以形成一三維瀑布圖。
在一實施例中,複數統計指標包括特徵頻帶所對應的能量分佈資料之一方均根、一算術平均數、一標準差、一最大值、一峰度以及一偏度,所選出的特徵指標為最大值。
在一實施例中,從複數統計指標中篩選出特徵指標的步驟包括:從複數統計指標中刪除複數具有高度共線性之統計指標;以及再從留下的統計指標中選出一與刀具磨耗量的相關性最高者做為特徵指標。
在一實施例中,上述的麥克風感測器是採用一電容式麥克風感測器,上述的方法更包括:將電容式麥克風感測器固定在切削機台之一側蓋。
在一實施例中,上述分析聲音資料的步驟包括對聲音資料進行一小波包分解。
在一實施例中,上述的預測模型可為一迴歸模型或一類神經網路模型。
統整上述之方法,本發明強調利用聲音資料對於CNC切削機台之刀具磨耗進行監控及預測。並且,此方法不會受到工法及切削條件改變的影響,可達到使用低價之感測器亦能得到良好的刀具磨耗預測結果。
100‧‧‧切削刀具磨耗即時監控系統
110‧‧‧麥克風感測器
120‧‧‧資料擷取設備
130‧‧‧電腦
140‧‧‧使用者介面
141‧‧‧聲音資料顯示區
142‧‧‧時頻分析顯示區
143‧‧‧統計指標顯示區
144‧‧‧傅立葉轉換顯示區
300‧‧‧CNC機台
310‧‧‧刀具
312‧‧‧刀側刃
320‧‧‧主軸
330‧‧‧側蓋
VB‧‧‧刀具磨耗量
L‧‧‧磨損部位的邊緣線
P1‧‧‧刀尖
P2‧‧‧磨損部位的邊緣線之端點
S210~S213‧‧‧資料收集的步驟
S220~S226‧‧‧資料處理的步驟
S230~S235‧‧‧特徵提取的步驟
S240~S243‧‧‧特徵選擇的步驟
S250~S252‧‧‧建立模型的步驟
S410~S440‧‧‧切削刀具磨耗的即時監控流程
圖1為本發明之一實施例的應用於自動加工機的刀具磨耗即時監控系統示意圖。
圖2為本發明之一實施例的刀具磨耗預測模型的建置流程示意圖。
圖2A及圖2B為本發明之一實施例的刀具磨耗量定義之示意圖。
圖3為本發明之一實施例的刀具預測磨耗趨勢與實際磨耗趨勢的比對圖。
圖4為本發明之一實施例的刀具磨耗即時監控流程示意圖。
圖5為本發明之一實施例的使用者介面示意圖。
有關本發明之前述及其他技術內容、特點與功效,在以下配合參考圖式之一較佳實施例的詳細說明中,將可清楚的呈現。以下實施例中所提到的方向用語,例如:上、下、左、右、前或後等,僅是用於參照隨附圖式的方向。因此,該等方向用語僅是用於說明並非是用於限制本發明。
圖1為本發明之一實施例刀具磨耗即時監控系統示意圖。刀具磨耗即時監控系統100包括一麥克風感測器110、一資料擷取設備120、一電腦130及一使用者介面140,用於監控一自動加工機的刀具磨耗狀態。本實施例的自動加工機為一切削機台,例如CNC機台300,其具有一刀具310裝設於一主軸320上。
本實施例的麥克風感測器110為一電容式麥克風感測器,用以收集CNC機台300因進行切削而振動時所產生的聲音資料。麥克風感測器110可透過磁吸的方式吸附在CNC機台300的一側蓋330上,並將麥克風感測器110的接收端指向CNC機台300的刀具310切削位置及主軸320,能夠確保加工時刀具310的切削位置與麥克風感測器110之間的距離保持不變。
收集到之聲音資料需要經由資料擷取設備120(Data Acquisition Device)進行取樣之後傳輸至電腦130。資料擷取設備120的最高取樣率為51.2k Sample/s,連接於麥克風感測器110與電腦130之間。電腦130接收到的聲音資料會即時進行資料分析,以便即時監控或預測刀具310在切削時的刀具磨耗程度,並將監控畫面呈現在使用者介面140中。
圖2為本發明之一實施例的刀具磨耗預測模型的建置流程示意圖。本實施例是先透過資料處理來進行特徵指標的選取以及預測模型的建置,再以LabVIEW將相關流程撰寫成一即時監控系統程式,並將其安裝於電腦130中。
建置刀具磨耗預測模型的方法包括:資料收集(S210)、資料處理(S220)、特徵提取(S230)、特徵選擇(S240)、建立模型(S250)等五階段,分述如下:
資料收集(S210):進行一機台共振實驗及一加工工法實驗,以收集CNC機台300在振動及切削時的聲音資料,並觀察刀具310的磨耗程度。
資料處理(S220):將收集到的聲音資料進行時頻分析,並將刀具310的磨耗程度予以量化。
特徵提取(S230):利用時頻分析的結果,提取一特徵頻帶及其
對應的能量分佈資料,並以這些能量分佈資料來計算多個統計指標,並將這些統計指標做為候選的特徵指標。
特徵選擇(S240):從多個統計指標中選出一與刀具模耗相關性最大者做為本實施例的特徵指標。
建立模型(S250):使用選出的特徵指標、實測的刀具磨耗量及切削趟數資料,並根據這些資料之間的相關性來建立預測模型。
下文舉一具體實施例,更詳細地說明圖2所示流程的各步驟:資料收集(S210)時,先架設如圖1所示的切削刀具磨耗即時監控系統100,並以麥克風感測器110做為收集聲音資料的主要設備(S211)。接著,設定機台共振實驗(S212)所需的操作條件,用以執行一掃頻流程,藉此找出CNC機台的共振頻帶。並且,設定不同切削條件進行加工工法實驗(S213),以收集切削時的聲音資料,並量測實際的刀具磨耗程度。在本實施例中,加工工法實驗(S213)涵蓋3階切削速度及3階的進給率,共組成9種不同的切削條件。切削方式是以單趟順銑的方式進行端銑削,每趟切削距離為100mm。
接著,分別對機台共振實驗及加工工法實驗所得的資料進行資料處理(S220)。
在機台共振實驗(S212)中執行一掃頻流程(S221)使聲音資料在一個設定的頻帶內,其振幅或能量隨著頻率由高至低或由低至高連續地變化,藉此來形成一可顯示CNC機台300共振頻帶的資料(S222),例如一三維瀑布圖。在本實施例中,執行掃頻流程(S221)前先將主軸固定在原點位置,接著設定訊號的取樣頻率為25600Hz,主軸轉速的範圍為2000-6500rpm,以間隔500rpm來增減主軸轉速。執行掃頻流程(S221)後所形成的三維瀑布圖,其X軸
為主軸轉速;Y軸為每一主軸轉速所對應的聲音資料做快速傅立葉轉換後的頻域,其範圍為0-12800Hz;Z軸為每一主軸轉速所對應的聲音資料之能量分佈。
加工工法實驗(S213)是將麥克風感測器110取得的聲音資料依序進行資料前處理(S223)及時頻分析(S224),以觀察刀具310從切削前至切削後在各頻帶的能量分佈狀態。資料前處理(S223)是將聲音資料透過MATLAB程式繪製成時域圖譜,其Y軸為聲音資料的振幅,X軸為時間軸。透過時域圖譜可分辨出刀具在切削前至開始切削後其振幅或能量隨時間分布狀態的改變。時頻分析(S224)是利用小波包分解的方法對資料前處理(S223)所得的時域圖譜進行解析,以獲得一時頻域圖,其Y軸為頻率,X軸為時間軸,Z軸為頻域的能量係數,可顯示每一共振頻帶中能量隨著時間的分佈資料。在一實施例中,時頻分析所使用的小波包分解之母小波可選用db20,其小波包轉換階層分為7階進行頻段分解。接著,在選出特徵頻帶(S232)之後,可將小波包分解所提取的特徵頻帶能量的母小波能量係數用於計算多個統計指標(S233)。
在加工工法實驗(S213)中觀測刀具磨耗程度(S225)時,刀具310每切削完一趟100mm的距離後,隨即將刀具310卸下並使用二次元量測儀觀察並量測其單趟的刀具磨耗量。刀具磨耗量的定義如圖2A及圖2B中刀尖的局部放大圖所示。圖2A顯示刀具310使用前的狀態,其具有一刀尖P1及一刀側刃312。刀側刃312是刀具310在切削時與工件的接觸面,亦即是主要磨損部位。圖2B顯示刀具310的磨耗狀態,其主要磨損部位具有一邊緣線L。本實施例中,刀具磨耗量VB定義為平行於刀側刃312的磨耗面寬度,實務上可量測磨損部位的邊緣線L在刀側刃312的一端點P2與刀尖P1之間的距離。同時,採用ISO8688標準做為刀具310終止切削之標準(S226)。在ISO8688標準中,若刀具磨耗量VB
超過300μm則需停止切削。實際量測到之刀具磨耗量VB隨著切削趟數的變化趨勢如圖3的實線部份(Real)所示。
特徵提取(S230)時,由CNC機台300的掃頻流程(S221)所得的三維瀑布圖中可看出CNC機台300的一或多段共振頻帶(S231)。本實施例觀察到CNC機台的共振頻帶主要分佈在2200-2400Hz及5800-6400Hz。為了確認那一個共振頻帶能夠直接對應到刀具進行切削時所產生的特徵頻帶,故將時頻分析(S224)所得的時頻域圖,與步驟(S231)所得的各段共振頻帶相參照,從這些共振頻帶中選出一與刀具磨耗相關的特徵頻帶(S232)。
由時頻域圖中觀察每一共振頻帶中的能量隨時間分佈狀態,藉此取得所需的能量分佈資料。當刀具310由切削前進入切削後的過程中,6000-6400Hz之頻帶所對應的能量分佈資料其變化相較於其他頻帶來得明顯。而在2000-3000Hz的頻帶中,可觀察到在開始切削前即有環境噪音所造成的能量分佈。因此,可將加工工法實驗所得的6000-6400Hz頻帶或機台共振實驗所得的5800-6400Hz共振頻帶做為本實施例之特徵頻帶。接著,以此特徵頻帶所對應的能量分佈資料計算多個統計指標(S233),例如:方均根、算術平均數、標準差、最大值、峰度以及偏度等。將刀具310的磨耗程度量化後(S234),再使用統計理論討論前述統計指標與刀具磨耗量VB的關係(S235)。
特徵選擇時(S240),是使用共線性分析(S241)及逐步迴歸分析(S242)等統計檢定方式從上述多個統計指標中篩選出足以解釋刀具磨耗量VB者做為一特徵指標(S243)。將刀具磨耗量VB做為應變數,而多個統計指標皆當做自變數,用以進行一共線性分析(S241),以檢測這些統計指標之間是否有多元共線性。結果將方均根、算術平均數、標準差等與其他統計指標之間存在
高度共線性者刪除。如此,剩下最大值、峰度以及偏度等三個統計指標,再將三個剩下的統計指標進行逐步迴歸分析(S242),藉此比較每一統計指標與刀具磨耗量VB的相關性,刪除與刀具磨耗量VB較低相關性的統計指標,留下與刀具磨耗量VB的相關性最高者,最後選出的特徵指標為「能量分佈資料的最大值」。
本實施例所建立的預測模型可為通用的迴歸模型(S251)或類神經網路模型(S252)。值得注意的是,兩種預測模型皆是以特徵指標為輸入值(自變數)。將每一趟切削所對應的特徵指標數值輸入預測模型後,輸出其對應的刀具磨耗量的預測值(應變數)。再根據此預測值及其對應的切削趟數或切削距離,繪製出一刀具磨耗趨勢圖,用以顯示該預測值隨著切削趟數或切削距離之變化趨勢。預測結果與實際量測的刀具磨耗量VB比較如圖3所示。當一使用者將一預定的特徵指標輸入預測模型時,預測模型產生刀具磨耗量的一預測值,再以此預測值通過刀具磨耗趨勢圖,即可得到預估的已切削距離及剩餘切削距離。
圖3為本發明之一實施例的刀具實際磨耗趨勢與預測磨耗趨勢的比對圖。圖3中的X軸為切削趟數、Y軸為刀具磨耗量、CUB為統計三次曲線迴歸模型所得的刀具磨耗曲線、ANN為類神經網路預測模型所得的刀具磨耗曲線。在一實施例中,迴歸模型中的三次曲線迴歸模型的曲線(CUB)與實測刀具磨耗量曲線(Real)的擬合程度高達96.3%。在預測模型中可定義刀具之一磨耗量上限;再根據刀具磨耗趨勢圖及該磨耗量上限值,預測該刀具之一剩餘切削距離,並將該剩餘切削距離定義為一刀具剩餘壽命。例如:本實施例中,每一趟的切削距離為100mm,故將刀具磨耗量的某一預測值所對應的切削趟數乘
上100mm即可得到一已切削距離。同理,磨耗量上限值亦會對應出一切削距離上限值。利用切削距離上限值與已切削距離的差值即可計算刀具剩餘壽命。當所得到的特徵指標數值愈大,代表刀具磨耗量愈大,其已切削距離愈長,而剩餘切削距離(即刀具剩餘壽命)就愈短。
在提取有效特徵指標及建立預測模型後,接下來透過LabVIEW建立線上即時監控系統程式,其即時監控流程如圖4,使用者介面140如圖5所示。
圖4為本發明之一實施例的刀具磨耗即時監控流程示意圖。進行聲音資料的收集時(S410),先架設切削刀具磨耗即時監控系統100(S411),再以電腦驅動麥克風感測器110收集切削機台在切削過程任一時段的聲音資料(S412)。接著,即時將該聲音資料進行時頻分析(S420),以得到特徵指標的一即時運算值(S430),並將特徵指標的該即時運算值輸入預測模型(S440),以產生刀具磨耗量VB的一即時監測值。
圖5為本發明之一實施例的使用者介面140示意圖。使用者介面140包括一聲音資料顯示區141、一時頻分析顯示區142、一統計指標顯示區143及一傅立葉轉換顯示區144,用以顯示即時監控刀具磨耗時所需的資料。
統整上述實施例,本發明所揭露之應用於自動加工機的刀具磨耗預測方法,其特點如下:
1.在自動加工機上架設麥克風感測器之位置不會受到加工工法的影響,亦能夠使麥克風感測器與刀具之相對位置保持不變。
2.使用時頻分析處理麥克風感測器收集的聲音資料,能有效過濾除了刀具銑削以外不必要之雜訊,可有效改善刀具磨耗預測之準確度。
3.利用切削機台之共振特徵建立刀具磨耗的預測模型,故能不受切削條件改變的影響,在不同切削條件下皆可準確預測刀具壽命。
4.使用統計理論選取對於刀具磨耗具有顯著性之統計指標做為特徵指標,並以時頻分析所得的能量分佈資料來計算特徵指標,可以得到比習知技術更佳的刀具磨耗預測結果。
5.透過篩選後之特徵指標建立統計迴歸以及人工類神經網路預測模型,以進行刀具磨耗量之預測,其預測誤差分別為8.59%以及7.20%。
6.能夠透過LabVIEW建立軟體程式來達成刀具磨耗即時監控之目的。
7.配合低價位之麥克風感測器即可達成刀具磨耗的即時監控及預測。
惟以上所述者,僅為本發明之較佳實施例而已,當不能以此限定本發明實施之範圍,即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾,皆仍屬本發明專利涵蓋之範圍內。另外本發明的任一實施例或申請專利範圍不須達成本發明所揭露之全部目的或優點或特點。此外,摘要部分和標題僅是用來輔助專利文件搜尋之用,並非用來限制本發明之權利範圍。
Claims (9)
- 一種應用於自動加工機的刀具磨耗預測方法,包括: 以一電腦驅動一麥克風感測器收集一切削機台因進行切削而振動時所產生的聲音資料,其中該切削機台包括一刀具,該刀具在切削時產生一刀具磨耗量; 分析該聲音資料,以提取該切削機台之複數共振頻帶,並且產生一時頻域圖,其中該時頻域圖顯示每一該共振頻帶中能量隨著時間的分佈資料; 根據該時頻域圖,從該複數共振頻帶中篩選出一特徵頻帶,其中該特徵頻帶是從5800Hz至6400Hz; 以該特徵頻帶所對應的能量分佈資料計算出複數統計指標; 比較每一該統計指標與該刀具磨耗量的相關性,以從該複數統計指標中篩選出一特徵指標; 利用該特徵指標與該刀具磨耗量的相關性建立一預測模型; 將該預測模型程式化之後安裝至該電腦中;以及 以該電腦執行該預測模型,當該預測模型接收到該特徵指標之一輸入值,即對應地產生該刀具磨耗量的一預測值。
- 如申請專利範圍第1項所述的應用於自動加工機的刀具磨耗預測方法,其中該特徵指標對應於該刀具之一切削距離,該方法更包括: 在產生該刀具磨耗量的該預測值之後,該預測模型根據該預測值隨著該切削距離之變化趨勢繪製一刀具磨耗趨勢圖; 在該預測模型中定義該刀具之一磨耗量上限;以及 該預測模型根據該刀具磨耗趨勢圖及該磨耗量上限,預測該刀具之一剩餘切削距離,並將該剩餘切削距離定義為一刀具剩餘壽命。
- 如申請專利範圍第1項所述的應用於自動加工機的刀具磨耗預測方法,其中提取該複數共振頻帶的步驟包括:對該切削機台進行一掃頻流程,以形成一三維瀑布圖。
- 如申請專利範圍第1項所述的應用於自動加工機的刀具磨耗預測方法,其中該複數統計指標包括該特徵頻帶所對應的該能量分佈資料之一方均根、一算術平均數、一標準差、一最大值、一峰度以及一偏度,其中所選出的該特徵指標為該最大值。
- 如申請專利範圍第1項所述的應用於自動加工機的刀具磨耗預測方法,其中從該複數統計指標中篩選出該特徵指標的步驟包括: 從該複數統計指標中刪除複數具有高度共線性之統計指標;以及 再從留下的統計指標中選出一與該刀具磨耗量的相關性最高者做為該特徵指標。
- 如申請專利範圍第1項所述的應用於自動加工機的刀具磨耗預測方法,其中該麥克風感測器為一電容式麥克風感測器,該方法更包括:將該電容式麥克風感測器固定在該切削機台之一側蓋。
- 如申請專利範圍第1項所述的應用於自動加工機的刀具磨耗預測方法,其中分析該聲音資料的步驟包括:對該聲音資料進行一小波包分解。
- 如申請專利範圍第1項所述的應用於自動加工機的刀具磨耗預測方法,其中該預測模型為一迴歸模型。
- 如申請專利範圍第1項所述的應用於自動加工機的刀具磨耗預測方法,其中該預測模型為一類神經網路模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107141633A TWI670138B (zh) | 2018-11-22 | 2018-11-22 | 應用於自動加工機的刀具磨耗預測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107141633A TWI670138B (zh) | 2018-11-22 | 2018-11-22 | 應用於自動加工機的刀具磨耗預測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI670138B true TWI670138B (zh) | 2019-09-01 |
TW202019612A TW202019612A (zh) | 2020-06-01 |
Family
ID=68618654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107141633A TWI670138B (zh) | 2018-11-22 | 2018-11-22 | 應用於自動加工機的刀具磨耗預測方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI670138B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI702535B (zh) * | 2019-11-15 | 2020-08-21 | 財團法人工業技術研究院 | 單向纖維複合材料切削力學模型建模裝置與建模方法 |
TWI740608B (zh) * | 2020-08-13 | 2021-09-21 | 鴻海精密工業股份有限公司 | 刀具檢測方法、電子裝置及存儲介質 |
TWI792011B (zh) * | 2020-06-24 | 2023-02-11 | 財團法人精密機械研究發展中心 | 刀具壽命預測模型快速自適應修模系統及方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4658245A (en) * | 1983-04-29 | 1987-04-14 | The Warner & Swasey Company | Tool condition and failure monitoring apparatus and method |
US20020017139A1 (en) * | 2000-05-15 | 2002-02-14 | Kluft Werner Wilhelm | Method and device for monitoring the wear condition of a tool |
WO2007090486A1 (de) * | 2006-02-10 | 2007-08-16 | Siemens Aktiengesellschaft | System zur ermittlung des verschleisszustandes einer werkzeugmaschine |
TW201226101A (en) * | 2010-12-28 | 2012-07-01 | Nat Univ Chung Hsing | Method and device to detect the state of cutting tool in machine tool with multiple sensors |
TW201226102A (en) * | 2010-12-28 | 2012-07-01 | Nat Univ Chung Hsing | Method and device to detect the state of cutting tool in machine tool |
TWM500649U (zh) * | 2015-01-06 | 2015-05-11 | Techmation Co Ltd | 刀具檢測裝置 |
TW201521954A (zh) * | 2013-12-11 | 2015-06-16 | Ind Tech Res Inst | 用於顫振監控之訊噪分離方法與裝置 |
CN106334969A (zh) * | 2016-10-31 | 2017-01-18 | 南开大学 | 一种用于切削动力工具的刀具寿命估计方法 |
TW201716178A (zh) * | 2015-11-06 | 2017-05-16 | 財團法人工業技術研究院 | 加工設備的健康評估方法與健康評估裝置 |
CN206855141U (zh) * | 2017-04-01 | 2018-01-09 | 深圳市蓝海永兴实业有限公司 | 一种铣削刀具磨损在线检测装置 |
CN206883328U (zh) * | 2017-07-13 | 2018-01-16 | 厦门嵘拓物联科技有限公司 | 一种基于声音信号的刀具状态检测装置 |
TW201807413A (zh) * | 2016-08-18 | 2018-03-01 | 王智中 | 刀具狀態檢測系統及其方法 |
CN107756138A (zh) * | 2016-08-18 | 2018-03-06 | 王智中 | 切削刀具状态在线检测方法及设备 |
-
2018
- 2018-11-22 TW TW107141633A patent/TWI670138B/zh active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4658245A (en) * | 1983-04-29 | 1987-04-14 | The Warner & Swasey Company | Tool condition and failure monitoring apparatus and method |
US20020017139A1 (en) * | 2000-05-15 | 2002-02-14 | Kluft Werner Wilhelm | Method and device for monitoring the wear condition of a tool |
WO2007090486A1 (de) * | 2006-02-10 | 2007-08-16 | Siemens Aktiengesellschaft | System zur ermittlung des verschleisszustandes einer werkzeugmaschine |
TW201226101A (en) * | 2010-12-28 | 2012-07-01 | Nat Univ Chung Hsing | Method and device to detect the state of cutting tool in machine tool with multiple sensors |
TW201226102A (en) * | 2010-12-28 | 2012-07-01 | Nat Univ Chung Hsing | Method and device to detect the state of cutting tool in machine tool |
TWI419761B (zh) * | 2010-12-28 | 2013-12-21 | Nat Univ Chung Hsing | Tool State Detection Method and Device for Machining Machine |
TWI517934B (zh) * | 2013-12-11 | 2016-01-21 | 財團法人工業技術研究院 | 用於顫振監控之訊噪分離方法與裝置 |
TW201521954A (zh) * | 2013-12-11 | 2015-06-16 | Ind Tech Res Inst | 用於顫振監控之訊噪分離方法與裝置 |
TWM500649U (zh) * | 2015-01-06 | 2015-05-11 | Techmation Co Ltd | 刀具檢測裝置 |
TW201716178A (zh) * | 2015-11-06 | 2017-05-16 | 財團法人工業技術研究院 | 加工設備的健康評估方法與健康評估裝置 |
TWI594835B (zh) * | 2015-11-06 | 2017-08-11 | 財團法人工業技術研究院 | 加工設備的健康評估方法與健康評估裝置 |
TW201807413A (zh) * | 2016-08-18 | 2018-03-01 | 王智中 | 刀具狀態檢測系統及其方法 |
CN107756138A (zh) * | 2016-08-18 | 2018-03-06 | 王智中 | 切削刀具状态在线检测方法及设备 |
CN107756139A (zh) * | 2016-08-18 | 2018-03-06 | 王智中 | 刀具状态检测系统及其方法 |
TWI637169B (zh) * | 2016-08-18 | 2018-10-01 | 王智中 | 刀具狀態檢測系統及其方法 |
CN106334969A (zh) * | 2016-10-31 | 2017-01-18 | 南开大学 | 一种用于切削动力工具的刀具寿命估计方法 |
CN206855141U (zh) * | 2017-04-01 | 2018-01-09 | 深圳市蓝海永兴实业有限公司 | 一种铣削刀具磨损在线检测装置 |
CN206883328U (zh) * | 2017-07-13 | 2018-01-16 | 厦门嵘拓物联科技有限公司 | 一种基于声音信号的刀具状态检测装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI702535B (zh) * | 2019-11-15 | 2020-08-21 | 財團法人工業技術研究院 | 單向纖維複合材料切削力學模型建模裝置與建模方法 |
TWI792011B (zh) * | 2020-06-24 | 2023-02-11 | 財團法人精密機械研究發展中心 | 刀具壽命預測模型快速自適應修模系統及方法 |
TWI740608B (zh) * | 2020-08-13 | 2021-09-21 | 鴻海精密工業股份有限公司 | 刀具檢測方法、電子裝置及存儲介質 |
Also Published As
Publication number | Publication date |
---|---|
TW202019612A (zh) | 2020-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI670138B (zh) | 應用於自動加工機的刀具磨耗預測方法 | |
Yang et al. | Vibration singularity analysis for milling tool condition monitoring | |
WO2021174525A1 (zh) | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 | |
CN103786069B (zh) | 一种机械加工设备的颤振在线监测方法 | |
Lin et al. | Sequential spindle current-based tool condition monitoring with support vector classifier for milling process | |
TWI447371B (zh) | 即時檢測系統和方法 | |
US20040179915A1 (en) | Dynamical instrument for machining | |
JP6752866B2 (ja) | 刃具状態検査システム及び方法 | |
CN110576335B (zh) | 一种基于切削力的刀具磨损在线监测方法 | |
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 | |
CN109262369B (zh) | 一种刀具状态检测系统及方法 | |
CN111354366A (zh) | 一种异常声音检测方法及异常声音检测装置 | |
CN112372371B (zh) | 数控机床刀具磨损状态评估方法 | |
CN105094077B (zh) | 带锯机性能监控系统 | |
CN110434676A (zh) | 一种多传感器时频特征融合的镗削颤振监测方法 | |
CN110346130A (zh) | 一种基于经验模态分解和时频多特征的镗削颤振检测方法 | |
Yuan et al. | Energy efficiency state identification of milling processing based on EEMD-PCA-ICA | |
CN116186499A (zh) | 一种数控加工表面粗糙度预测方法 | |
CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
JP4580601B2 (ja) | 水力発電機器のキャビテーション診断装置 | |
CN116991146B (zh) | 一种超声波清洗装置的控制方法及系统 | |
Yang et al. | Application of bispectrum diagonal slice feature analysis to monitoring CNC tool wear states | |
Sharma et al. | An approach for condition monitoring of a turning tool | |
CN115106615B (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
JP2009175077A (ja) | 異音判定装置 |