TWI682333B - 機台加工行為異常分析與預測保養系統及其方法 - Google Patents

機台加工行為異常分析與預測保養系統及其方法 Download PDF

Info

Publication number
TWI682333B
TWI682333B TW107120182A TW107120182A TWI682333B TW I682333 B TWI682333 B TW I682333B TW 107120182 A TW107120182 A TW 107120182A TW 107120182 A TW107120182 A TW 107120182A TW I682333 B TWI682333 B TW I682333B
Authority
TW
Taiwan
Prior art keywords
machine
abnormal
processing
spindle
module
Prior art date
Application number
TW107120182A
Other languages
English (en)
Other versions
TW202001703A (zh
Inventor
廖國凱
邱健唐
董名峰
王韻儼
廖仁忠
Original Assignee
中華電信股份有限公司
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 中華電信股份有限公司 filed Critical 中華電信股份有限公司
Priority to TW107120182A priority Critical patent/TWI682333B/zh
Priority to CN201810920944.9A priority patent/CN110597221B/zh
Publication of TW202001703A publication Critical patent/TW202001703A/zh
Application granted granted Critical
Publication of TWI682333B publication Critical patent/TWI682333B/zh

Links

Images

Classifications

    • 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
    • G05B23/0256—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 injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本發明揭露一種機台加工行為異常分析與預測保養系統及其方法，該方法包括：由機台感測器擷取模組擷取機台之主軸或關鍵元件之感測值以計算出時域震動值與頻域震動值，並由機台控制器擷取模組擷取機台之主軸轉速、運轉狀態或加工程式之運作資訊；依據時域震動值、頻域震動值、主軸轉速、運轉狀態或加工程式，對主軸或關鍵元件之異常時域震動值或異常頻域震動值提供告警，並分析出機台之異常加工行為或故障元件原因；以及整合來自機台感測器擷取模組與機台控制器擷取模組之資訊以產生整合資訊，並在機台之異常加工行為發生或元件故障前，提供機台之保養方式及保養時機。

Description

機台加工行為異常分析與預測保養系統及其方法
本發明係關於一種機台加工行為分析之技術，特別是指一種機台加工行為異常分析與預測保養系統及方法。
因應工業4.0之潮流及智慧機械產業之發展，如何透過故障預測減少故障停機並提高工廠生產產能，為智慧機械之主要聚焦議題。一般業界的SCADA(Supervisory Control And Data Acquisition；監視控制與資料擷取)系統之作法大多著重於機台監控，例如機台資訊可視化、遠端監控、告警通報等功能，但缺乏機台之預測保養技術。
再者，現有技術提出一種監控機台異常狀態方法及其系統，該系統之監控端透過一影像單元或電性連結一監控單元至機台，並由監控端對機台執行監控，當發現機台發生異常時，發出異常訊號至中控端，藉此判定機台呈現異常狀態。然而，此現有技術僅公開透過影像單元或電性連結方式以判定機台異常發生，但未進一步分析機台之異常 問題及原因。
因此，如何解決上述習知技術之缺點，實已成為本領域技術人員之一大課題。
本發明提供一種機台加工行為異常分析與預測保養系統及其方法，係能分析機台之異常加工行為或故障元件原因，並提供機台之保養方式或保養時機。
本發明中機台加工行為異常分析與預測保養系統包括：機台感測器擷取模組，係擷取感測器對機台之主軸或關鍵元件之感測值，以計算出主軸或關鍵元件之時域震動值與頻域震動值；機台控制器擷取模組，係透過控制器擷取機台之主軸轉速、運轉狀態或加工程式之運作資訊；加工行為異常分析模組，係依據機台感測器擷取模組所計算之主軸或關鍵元件之時域震動值與頻域震動值、及機台控制器擷取模組所擷取之機台之主軸轉速、運轉狀態或加工程式之運作資訊，對主軸或關鍵元件之異常時域震動值或異常頻域震動值提供告警，並分析出機台之異常加工行為或故障元件原因；以及預測保養分析模組，係整合來自機台感測器擷取模組之主軸或關鍵元件之時域震動值與頻域震動值以及來自機台控制器擷取模組之機台之主軸轉速、運轉狀態或加工程式之運作資訊以產生整合資訊，俾於整合資訊符合已建立之特徵數學模型時，由預測保養分析模組在機台之異常加工行為發生或元件故障前，提供機台之保養方式或保養時機。
本發明中機台加工行為異常分析與預測保養方法包括：由機台感測器擷取模組擷取感測器對機台之主軸或關鍵元件之感測值以計算出主軸或關鍵元件之時域震動值與頻域震動值，並由機台控制器擷取模組透過控制器擷取機台之主軸轉速、運轉狀態或加工程式之運作資訊；由加工行為異常分析模組依據機台感測器擷取模組所計算之主軸或關鍵元件之時域震動值與頻域震動值、及機台控制器擷取模組所擷取之機台之主軸轉速、運轉狀態或加工程式之運作資訊，對主軸或關鍵元件之異常時域震動值或異常頻域震動值提供告警，並分析出機台之異常加工行為或故障元件原因；以及由預測保養分析模組整合來自機台感測器擷取模組之主軸或關鍵元件之時域震動值與頻域震動值以及來自機台控制器擷取模組之機台之主軸轉速、運轉狀態或加工程式之運作資訊以產生整合資訊，俾於整合資訊符合已建立之特徵數學模型時，由預測保養分析模組在機台之異常加工行為發生或元件故障前，提供機台之保養方式及保養時機。
為讓本發明之上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明。在以下描述內容中將部分闡述本發明之額外特徵及優點，且此等特徵及優點將部分自所述描述內容顯而易見，或可藉由對本發明之實踐習得。本發明之特徵及優點借助於在申請專利範圍中特別指出的元件及組合來認識到並達到。應理解，前文一般描述與以下詳細描述兩者均僅為例示性及解釋性的，且 不欲約束本發明所主張之範圍。
1‧‧‧機台加工行為異常分析與預測保養系統
10‧‧‧機台
11‧‧‧主軸
12‧‧‧關鍵元件
13‧‧‧感測器
14‧‧‧控制器
20‧‧‧機台感測器擷取模組
30‧‧‧機台控制器擷取模組
40‧‧‧加工行為異常分析模組
41‧‧‧加工程式分析模組
42‧‧‧時域振幅分析模組
421‧‧‧時域加工模型分析單元
422‧‧‧加工異常分析單元
423‧‧‧頻域加工模型分析單元
43‧‧‧加工分析模組
431‧‧‧加工異常原因分析單元
432‧‧‧加工異常程度分析單元
44‧‧‧頻域振幅分析模組
441‧‧‧頻域主軸壽命與關鍵元件模型分析單元
45‧‧‧主軸壽命分析模組
451‧‧‧第一元件異常種類分析單元
452‧‧‧第一元件異常程度分析單元
46‧‧‧關鍵元件分析模組
461‧‧‧第二元件異常種類分析單元
462‧‧‧第二元件異常程度分析單元
50‧‧‧加工行為歷史模組
51‧‧‧異常加工行為特徵分析單元
52‧‧‧主軸壽命與關鍵元件異常加工行為特徵分析單元
60‧‧‧預測保養分析模組
61‧‧‧特徵模型學習單元
62‧‧‧專家保養診斷單元
63‧‧‧預測結果單元
70‧‧‧數學模型更新模組
80‧‧‧時域振幅加工行為異常模型設定模組
90‧‧‧頻域振幅加工行為異常模型設定模組
S1至S5‧‧‧步驟
第1圖為本發明之機台加工行為異常分析與預測保養系統之一架構示意圖；第2圖為本發明之機台加工行為異常分析與預測保養系統之另一架構示意圖；第3圖為本發明之機台加工行為異常分析與預測保養方法之流程示意圖；以及第4A圖至第20D圖為本發明之機台加工行為異常分析與預測保養方法之實施例示意圖。
以下藉由特定的具體實施形態說明本發明之實施方式，熟悉此技術之人士可由本說明書所揭示之內容輕易地了解本發明之其他優點與功效，亦可藉由其他不同的具體實施形態加以施行或應用。
第1圖為本發明之機台加工行為異常分析與預測保養系統1之一架構示意圖。如圖所示，機台加工行為異常分析與預測保養系統1包括感測器13、控制器14、機台感測器擷取模組20、機台控制器擷取模組30、加工行為異常分析模組40、加工行為歷史模組50、預測保養分析模組60與數學模型更新模組70，亦可包括時域振幅加工行為異常模型設定模組80與頻域振幅加工行為異常模型設定模組90。
感測器13可例如為加速規等，並設置於機台10之主 軸11或關鍵元件12上、或機台10之外部，本發明不以此為限。機台感測器擷取模組20可擷取感測器13對機台10之主軸11或關鍵元件12之(即時)感測值，以計算出主軸11或關鍵元件12之時域震動值與頻域震動值。
控制器14可設置於機台10上。機台控制器擷取模組30可與控制器14連線(通訊)，並透過控制器14擷取機台10之主軸轉速、運轉狀態或加工程式...等運作資訊。
加工行為異常分析模組40可依據機台感測器擷取模組20所計算之主軸11或關鍵元件12之時域震動值與頻域震動值、以及機台控制器擷取模組30所擷取之機台10之主軸轉速、運轉狀態或加工程式等運作資訊，提供時域振幅、切削加工、主軸壽命與關鍵元件等四種異常分析方式，以使加工行為異常分析模組40針對主軸11或關鍵元件12之異常時域震動值或異常頻域震動值提供初步之告警，並自動分析或判斷機台10之異常加工行為或故障元件原因。
加工行為歷史模組50可收集加工行為異常分析模組40分析或判斷為異常加工行為及故障元件之運作資訊，以據之建立異常加工行為之特徵資料。此特徵資料可包括異常加工特徵與加工過程之頻域震動值，亦可包括(1)異常主軸壽命與關鍵元件特徵、(2)加工過程之頻域震動值等兩種關聯表。
預測保養分析模組60可學習各機台10專屬之預測保養數學模型與特徵參數，並整合來自機台感測器擷取模組 20之資訊(如主軸11或關鍵元件12之時域震動值與頻域震動值)與來自機台控制器擷取模組30之資訊(如機台10之主軸轉速、運轉狀態或加工程式之運作資訊)以產生整合資訊，俾於整合資訊符合已學習建立之特徵數學模型時，由預測保養分析模組60(第2圖之專家保養診斷單元62)依據預先之設定，在異常加工行為發生或元件故障前，提供機台保養方式與機台保養時機。
數學模型更新模組70可將預測保養分析模組60對機台10之異常特徵之學習結果迴授至加工行為異常分析模組40之頻域加工模型分析單元423或頻域主軸壽命與關鍵元件模型分析單元441(見第2圖)，使加工行為異常分析模組40之頻域加工模型分析單元423或頻域主軸壽命與關鍵元件模型分析單元441之異常分析診斷方式快速收斂。
時域振幅加工行為異常模型設定模組80可供使用者設定如第5A圖所示機台10之時域振幅加工行為異常模型，例如機台10之狀態、加工程式、時域振幅波形、持續時間、發生次數...等模型條件。
頻域振幅加工行為異常模型設定模組90可供使用者設定如第5B圖所示機台10之頻域振幅加工行為異常模型，例如設定加工、主軸壽命與關鍵元件等。此頻域振幅加工行為異常模型可包括機台10之主頻率f、諧波頻率2f、3f、4f等及各頻段之貢獻度，或軸承保持器損壞頻率(如FTF=RPM×40~60%)。
第2圖為本發明之機台加工行為異常分析與預測保養 系統1之另一架構示意圖。如圖所示，機台加工行為異常分析與預測保養系統1可包括如第1圖所示之機台感測器擷取模組20、機台控制器擷取模組30、加工行為異常分析模組40、加工行為歷史模組50、預測保養分析模組60與數學模型更新模組70、時域振幅加工行為異常模型設定模組80及頻域振幅加工行為異常模型設定模組90，亦可進一步包括第1圖之感測器13及控制器14，但不以此為限。
加工行為異常分析模組40可包括加工程式分析模組41、時域振幅分析模組42、加工分析模組43、頻域振幅分析模組44、主軸壽命分析模組45及關鍵元件分析模組46，時域振幅分析模組42可具有時域加工模型分析單元421、加工異常分析單元422及頻域加工模型分析單元423，加工分析模組43可具有加工異常原因分析單元431及加工異常程度分析單元432，頻域振幅分析模組44可具有頻域主軸壽命與關鍵元件模型分析單元441，主軸壽命分析模組45可具有第一元件異常種類分析單元451及第一元件異常程度分析單元452，關鍵元件分析模組46可具有第二元件異常種類分析單元461及第二元件異常程度分析單元462。加工行為歷史模組50可包括異常加工行為特徵分析單元51及主軸壽命與關鍵元件異常加工行為特徵分析單元52，預測保養分析模組60可包括特徵模型學習單元61、專家保養診斷單元62及預測結果單元63。
加工行為異常分析模組40之加工程式分析模組41可讀取來自第1圖之機台控制器擷取模組30之機台加工程式 碼，以從機台加工程式碼中解讀出機台加工行為。同時，加工程式分析模組41可識別加工分析模組43所需之加工動作(如研磨加工、螺桿加工、鑽孔切削...等)，亦可識別主軸壽命分析模組45或關鍵元件分析模組46所需之分析動作(如機台之暖開機、主軸跑合、刀具補償調校...等)。若加工程式分析模組41識別為加工分析模組43所需之加工動作，則進入時域振幅分析模組42；而若加工程式分析模組41識別為主軸壽命分析模組45或關鍵元件分析模組46所需之分析動作，則進入頻域振幅分析模組44。
在時域振幅分析模組42中，經加工程式分析模組41識別為加工分析模組43所需之加工動作(如研磨加工、螺桿加工、鑽孔切削...等)時，可由時域振幅分析模組42之時域加工模型分析單元421分析機台10之時域加工模型，並由時域振幅分析模組42之加工異常分析單元422分析機台10之加工異常，且由時域振幅分析模組42之頻域加工模型分析單元423分析機台10之頻域加工模型。
舉例而言，時域加工模型分析單元421可讀取來自第1圖所示機台感測器擷取模組20之時域振幅之即時量測值，並依據如第5A圖所示時域振幅加工行為異常模型之進行資料收集與公式計算，例如：研磨加工、螺桿加工、鑽孔切削...等各種加工動作，以及各種加工動作之時域異常模型(如正常時域振幅波形、運轉狀態、異常持續時間、異常發生次數...)，其中時域振幅加工行為異常模型可以透過平台或工具設定。
在時域加工模型分析單元421中，其時域加工模型之分析公式可例如為：TM_Cutting(Return TM_C_Alarm)_i=F1(C_Process,Vmg(t)ref,Vmg(t),Tcontinued,Count,Status)。前述TM_Cutting(Return TM_C_Alarm)_i為第i種時域加工模型分析，其中TM_C_Alarm=True/False。C_Process為加工動作。Vmg(t)ref為正常時域振幅波形，其中t為時間。Vmg(t)為即時量測時域振幅波形，其中t為時間。Tcontinued為異常持續時間。Count為異常發生次數。Status為機台運轉狀態。
加工異常分析單元422可依據時域加工模型分析單元421之分析或計算結果進行加工異常判斷。當時域加工模型成立(如TM_C_Alarm=True)時，加工異常分析單元422可立即產生一加工(如C_Process)異常告警，並接續進入頻域加工模型分析單元423分析異常原因與異常程度。
頻域加工模型分析單元423可讀取第1圖所示機台感測器擷取模組20之FFT(Fast Fourier Transform；快速傅立葉轉換)快速頻域振幅值，並依據頻域振幅加工行為異常模型設定模組90之頻域振幅加工行為異常模型進行資料收集與公式計算，例如研磨加工、螺桿加工、鑽孔切削...等各種加工動作及其相應之異常原因(如轉速過高、刀具磨損、機械鬆動...等)，以及各種異常原因之頻域異常模型(如主頻率f、諧波頻率2f、3f、4f...等，及各頻段之貢獻度)，其中，頻域振幅加工行為異常模型可以透過平台或工具設定。
在頻域加工模型分析單元423中，其頻域加工模型之分析公式可例如為：FM_Cutting(Return FM_C_Alarm)_i=F2(C_Process,C_Error,C_Value,FFT(f,n,kn),Status)。前述FM_Cutting(Return FM_C_Alarm)_i為第i種頻域加工模型分析，其中FM_C_Alarm=True/False。C_Process為加工動作。C_Error為異常原因。C_Value為異常頻域振幅大小。FFT(f,n,kn)為異常頻域振幅公式，其中f為機台主軸轉動頻率，n為諧波頻率數目，kn為各頻段之貢獻度。Status為機台運轉狀態。
加工分析模組43可依據頻域加工模型分析單元423之頻域加工模型之分析或計算結果，針對機台10之(切削)加工動作(C_Process)進行異常原因判斷。當頻域加工模型成立(如FM_C_Alarm=True)時，加工分析模組43立即通知系統有關動作加工(C_Process)之異常發生原因為C_Error，並將分析結果存入加工異常原因分析單元431。同時，加工分析模組43依據即時量測FFT(f,n,kn)大小進行加工異常程度分析，並將分析結果存入加工異常程度分析單元432中。
在頻域振幅分析模組44中，經加工程式分析模組41識別為主軸壽命與關鍵元件分析(如機台之暖開機、主軸跑合、刀具補償調校...等)之機台之特定行為時，可由頻域主軸壽命與關鍵元件模型分析單元441進行頻域主軸壽命與關鍵元件模型分析。
舉例而言，頻域振幅分析模組44之頻域主軸壽命與 關鍵元件模型分析單元441可讀取來自第1圖所示機台感測器擷取模組20之頻域振幅值(如FFT頻域振幅值)，並依據頻域振幅加工行為異常模型設定模組90之頻域振幅加工行為異常模型進行資料收集與公式計算，例如：機台之暖開機、主軸跑合、刀具補償調校...等各種機台之特定行為，相應之異常或故障元件(如滾動軸承outer race、ball、fund.Train、inner race)，以及各種異常或故障元件之頻域異常模型(如軸承保持器損壞頻率FTF=RPM×40~60%)，其中，頻域振幅加工行為異常模型可以透過平台或工具設定。
在頻域主軸壽命與關鍵元件模型分析單元441中，其頻域主軸壽命與關鍵元件模型之分析公式可例如為：FM_Machine(Return FM_M_Alarm)_i=F3(M_Process,M_Error,M_Value,FFT(f,n,kn),Status)。前述FM_Machine(Return FM_M_Alarm)_i為第i種頻域主軸壽命與關鍵元件模型分析，其中FM_M_Alarm=True/False。M_Process為機台之特定行為。M_Error為異常或故障元件。M_Value為異常頻域振幅大小。FFT(f,n,kn)為異常頻域振幅公式，其中f為機台主軸轉動頻率，n為諧波頻率數目，kn為各頻段之貢獻度。Status為機台運轉狀態。
主軸壽命分析模組45可依據頻域主軸壽命與關鍵元件模型分析單元441之分析或計算結果，針對機台10之特定行為(M_Process)進行主軸壽命分析。當頻域主軸壽命與關鍵元件模型成立(如FM_M_Alarm=True)時，主軸壽命分 析模組45可立即通知系統有關主軸壽命之異常原因或故障元件(如M_Error)，並將分析結果存入第一元件異常種類分析單元451中。同時，主軸壽命分析模組45亦可依據FFT(f,n,kn)之大小進行元件異常程度分析，並將分析結果存入第一元件異常程度分析單元452中。
關鍵元件分析模組46之分析方式與上述主軸壽命分析模組45之分析方式相似，可以針對機台10之其他關鍵元件12進行異常原因分析或損壞程度評估。亦即，關鍵元件分析模組46可依據頻域主軸壽命與關鍵元件模型分析單元441之分析或計算結果，針對機台10之特定行為(M_Process)進行關鍵元件12之分析。當頻域主軸壽命與關鍵元件模型成立(如FM_M_Alarm=True)時，關鍵元件分析模組46可立即通知系統有關關鍵元件之異常或故障元件(如M_Error)，並將分析結果存入第二元件異常種類分析單元461。同時，關鍵元件分析模組46可依據FFT(f,n,kn)之大小進行元件異常程度分析，並將分析結果存入第二元件異常程度分析單元462中。
加工行為歷史模組50可針對加工分析模組43、主軸壽命分析模組45與關鍵元件分析模組46分析或判斷為異常加工行為，自動收集來自加工異常原因分析單元431之加工異常原因、來自加工異常程度分析單元432之異常程度、來自第一元件異常種類分析單元451(第二元件異常種類分析單元461)之元件異常種類、來自第一元件異常程度分析單元452(第二元件異常程度分析單元462)之元件異常 程度，並過濾或儲存異常加工行為之發生時間之完整FFT頻域振幅值。
加工行為歷史模組50之異常加工行為特徵分析單元51可對異常加工行為特徵進行分析，而主軸壽命與關鍵元件異常加工行為特徵分析單元52可對主軸壽命與關鍵元件異常加工行為特徵進行分析，據此建立異常加工行為之特徵資料表。
申言之，異常加工行為特徵分析單元51可建立加工異常特徵(異常原因及異常程度)與異常過程FFT頻域振幅值之特徵資料表，此特徵資料表之資料格式可例如為：DB_Cutting_Table(C_Process,C_Error,C_Level,C_FFT(start,end))ij。前述DB_Cutting_Table為加工異常加工行為之特徵資料表。C_Process為加工動作。C_Error為異常原因。C_Level為異常程度。C_FFT(Tstart,Tend)為異常過程FFT頻域振幅值，其中Tstart為異常加工行為發生開始時間，Tend為異常加工行為結束時間。DB_Cutting_Table(C_Process,C_Error,C_Level,C_FFT(start,end))ij為第i種異常加工特徵(異常原因與異常程度)之第j次異常過程FFT頻域振幅值資料表。
主軸壽命與關鍵元件異常加工行為特徵分析單元52可建立主軸壽命與關鍵元件異常特徵(異常問題與異常程度)及異常過程FFT頻域振幅值之特徵資料表，此特徵資料表之資料格式可例如為：DB_Machine_Table(M-Process,M_Error,M_Level,M_FFT(start,end))ij。前述 DB_Machine_Table為主軸壽命與關鍵元件異常加工行為之特徵資料表。M_Process為機台之特定行為。M_Error為元件異常問題。M_Level為元件異常程度。M_FFT(Tstart,Tend)為元件異常過程FFT頻域振幅值，其中Tstart為元件異常行為發生開始時間，Tend為元件異常行為結束時間。DB_Machine_Table(M_Process,M_Error,M_Level,M_FFT(start,end))ij為第i種主軸壽命與關鍵元件異常特徵(異常問題與異常程度)之第j次異常過程FFT頻域振幅。
預測保養分析模組60可透過加工行為歷史模組50收集預測保養分析所需之異常加工行為之特徵資料表，且異常加工行為之特徵資料表之數量可以透過平台或工具設定。
預測保養分析模組60之特徵模型學習單元61可分析與建立異常加工行為數學模型，且異常加工行為數學模型之學習方式可利用如迴歸分析法、類神經網路...等技術達成之。同時，數學模型更新模組70可將特徵模型學習單元61之學習結果迴授至頻域加工模型分析單元423及頻域主軸壽命與關鍵元件模型分析單元441，讓頻域加工模型分析單元423及頻域主軸壽命與關鍵元件模型分析單元441之異常分析診斷方式快速收斂。
預測保養分析模組60之專家保養診斷單元62可設有異常加工行為之機台保養方式，且機台保養方式可以透過平台或工具設定。當第1圖所示機台感測器擷取模組20 及機台控制器擷取模組30之整合資訊符合已學習建立之特徵數學模型時，預測結果單元63可提供異常加工行為或元件故障之保養方式與機台保養時機。
申言之，特徵模型學習單元61可分析主軸壽命與關鍵元件之異常加工行為之特徵資料表，並利用特徵模型學習法(如迴歸分析法、類神經網路...等)建立特徵數學模型，其中特徵模型學習法可以透過平台或工具選擇或設定。同時，特徵模型學習單元61可輸出相關係數指標以表示特徵數學模型之可信度，當相關係數指標大於設定目標時，特徵模型學習單元61可儲存特徵數學模型，並通知數學模型更新模組70進行學習結果之迴授與更新。
在特徵模型學習單元61中，其特徵模型學習之公式可例如為：Model_Learning(Return Finish,Index,FFT_Model(f,n,kn))_i=F4(DB_Table,Error,n,Method)。前述Model_Learning(Return Finish,Index,FFT_Model(f,n,kn))_i為第i種特徵模型學習公式，其中Finish=True(完成建模)/False(建模中)。Index為特徵模型之相關係數指標。FFT_Model(f,n,kn)為特徵數學模型，其中f為機台主軸轉動頻率，n為諧波頻率數目，kn為各頻段之貢獻度。DB_Table為DB_Cutting_Table或DB_Machine_Table，Error為異常原因(C_Error)或元件異常問題(M_Error)，n為資料表之數量，Method為特徵模型學習法。
又，在特徵模型學習單元61中，當相關係數指標大 於設定目標時，數學模型更新模組70可依據特徵模型學習單元61之特徵模型之相關係數指標，將FFT_Model(f,n,kn)之特徵數學模型迴授與更新。例如，當Error為異常原因(如C_Error)時，數學模型更新模組70可更新頻域加工模型分析單元423之頻域加工模型；而當Error為元件異常問題(如M_Error)時，數學模型更新模組70可更新頻域主軸壽命與關鍵元件模型分析單元441之頻域主軸壽命與關鍵元件模型。
專家保養診斷單元62可針對切削加工、主軸壽命與關鍵元件之異常原因提供專屬之機台保養方式，並依據異常程度分析建議適合的保養時機，且專家保養診斷資料表之資料格式可為：DB_Diagnosis_Table_i(Process,Error,Level,Maintain_Method,Maintain_Time)。前述DB_Diagnosis_Table_i為第i種專家保養診斷資料表，Process為C_Process或M_Process，Error為C_Error或M_Error，Level為C_Level或M_Level，Maintain_Method為機台保養方式，Maintain_Time為機台保養時機。
當第1圖所示機台感測器擷取模組20及機台控制器擷取模組30之整合資訊符合已學習建立之特徵數學模型FFT_Model(f,n,kn)時，預測結果單元63可比對或查詢專家保養診斷單元62以提供預測結果之說明，例如：異常加工行為(Process)、異常原因或元件異常問題(Error)、機台保養方式(Maintain_Method)與機台保養時機(Maintain_Time)。
第3圖為本發明之機台加工行為異常分析與預測保養方法之流程示意圖，其主要技術內容可如下列所述並參照第1圖至第2圖予以說明，其餘技術內容請參考第1圖至第2圖與第4A圖至第20D圖之詳細說明。
在第3圖之步驟S1中，由機台感測器擷取模組20擷取感測器13對機台10之主軸11或關鍵元件12之感測值以計算出主軸11或關鍵元件12之時域震動值與頻域震動值，並由機台控制器擷取模組30透過控制器14擷取機台10之主軸轉速、運轉狀態或加工程式之運作資訊。同時，透過時域振幅加工行為異常模型設定模組80設定機台10之時域振幅加工行為異常模型，並透過頻域振幅加工行為異常模型設定模組90設定機台10之頻域振幅加工行為異常模型。
在第3圖之步驟S2中，由加工行為異常分析模組40依據機台感測器擷取模組20所計算之主軸11或關鍵元件12之時域震動值與頻域震動值、及機台控制器擷取模組30所擷取之機台10之主軸轉速、運轉狀態或加工程式之運作資訊，對主軸11或關鍵元件12之異常時域震動值或異常頻域震動值提供告警，並分析出機台10之異常加工行為或故障元件原因。
申言之，可由加工行為異常分析模組40之加工程式分析模組41讀取來自機台控制器擷取模組30之機台加工程式碼，以從機台加工程式碼中解讀出機台加工行為。同時，可由加工行為異常分析模組40之時域振幅分析模組 42分析機台10之時域加工模型、加工異常或頻域加工模型。再者，可由加工行為異常分析模組40之加工分析模組43依據頻域加工模型之分析結果，針對機台10之加工動作進行異常原因判斷。
另外，可由加工行為異常分析模組40之頻域振幅分析模組44讀取來自機台感測器擷取模組20之頻域振幅值，並依據機台10之頻域振幅加工行為異常模型進行資料收集。同時，可由加工行為異常分析模組40之主軸壽命分析模組45分析機台10之主軸壽命之異常原因或故障元件，而由加工行為異常分析模組40之關鍵元件分析模組46分析機台10之關鍵元件之異常原因或損壞程度。
在第3圖之步驟S3中，由加工行為歷史模組50針對機台10之異常加工行為收集來自加工行為異常分析模組40之異常分析結果，以依據異常分析結果建立異常加工行為之特徵資料表。
在第3圖之步驟S4中，由預測保養分析模組60整合來自機台感測器擷取模組20之資訊(如主軸11或關鍵元件12之時域震動值與頻域震動值)與來自機台控制器擷取模組30之資訊(如機台10之主軸轉速、運轉狀態或加工程式之運作資訊)以產生整合資訊，俾於整合資訊符合已建立之特徵數學模型時，由預測保養分析模組60在機台10之異常加工行為發生或元件故障前，提供機台10之保養方式及保養時機。另外，亦可由預測保養分析模組60學習機台專屬之預測保養數學模型與特徵參數，並依據來自加工行為 歷史模組50之異常加工行為之特徵資料表建立機台10之切削加工、主軸壽命與關鍵元件之異常特徵數學模型。
在第3圖之步驟S5中，由數學模型更新模組70將預測保養分析模組60對機台10之異常特徵之學習結果迴授至加工行為異常分析模組40，使加工行為異常分析模組40之異常分析診斷方式收斂。
第4A圖至第20D圖為本發明之機台加工行為異常分析與預測保養系統及方法之實施例示意圖，其作業程序可如下列所述並參照第1圖至第2圖予以說明。要說明的是，第4A圖至第20D圖僅以實施例示意圖的方式說明，但本發明不以此為限。
程序(1)：如第4A圖至第4B圖所示，工廠設有第1圖之機台10，如工具機或加工機(如多軸車床綜合加工機)。每日開工前，先對機台10執行暖開機之運轉模式，並在機台10之暖開機完成時，由機台10開始依工單需求進行螺桿加工、鑽孔切削、切斷...等加工。同時，機台10之時域振幅加工行為模型(見第4A圖)與頻域振幅加工行為模型(見第4B圖)可透過感測器13與機台感測器擷取模組20量測取得，或是由機台原廠商提供數據。
程序(2)：如第5A圖至第5B圖所示，在加工分析上(如螺桿加工、鑽孔切削、切斷...等加工)，可透過時域振幅加工行為異常模型設定模組80設定第5A圖之時域振幅加工行為異常模型(如振幅波形、異常持續時間、異常發生次數...等)，以利判斷加工異常及提供加工異常告警，並透過 頻域振幅加工行為異常模型設定模組90設定第5B圖之頻域振幅加工行為異常模型(如主頻率f、諧波頻率2f、3f、4f...等，及各頻段之貢獻度)，以利自動判斷加工異常原因。
在時域加工模型分析單元421中，其時域加工模型之分析公式可例如為：TM_Cutting(Return TM_C_Alarm)_i=F1(C_Process,Vmg(t)ref,Vmg(t),Tcontinued,Count,Status)，i=1~3。前述C_Process為加工動作(包含螺桿加工、鑽孔切削、切斷)，Vmg(t)ref為正常加工動作時域振幅波形(由程序(1)獲得)，Vmg(t)為即時量測時域振幅波形，Tcontinued為異常持續時間(3秒)，Count為異常發生次數(1次)，Status為機台運轉狀態(加工狀態)。
在頻域加工模型分析單元423中，其頻域加工模型之分析公式可例如為：FM_Cutting(Return FM_C_Alarm)_i=F2(C_Process,C_Error,C_Value,FFT(f,n,kn),Status)，i=1~3。前述C_Process為加工動作(包含螺桿加工、鑽孔切削、切斷)，C_Error為異常原因(包含轉速過高、刀具磨損、機械鬆動)，C_Value為異常頻域振幅大小(由程序(1)獲得，FFT(f,n,kn)為異常頻域振幅公式(由程序(1)獲得)，Status為機台運轉狀態(加工狀態)。
程序(3)：如第6圖所示，在主軸壽命與關鍵元件分析上(如暖開機)，頻域振幅加工行為異常模型設定模組90可設定頻域振幅加工行為異常模型以自動判斷故障元件，本實施案例謹以滾珠軸承異常模型作分析說明。
在頻域主軸壽命與關鍵元件模型分析單元441中，其頻域主軸壽命與關鍵元件模型之分析公式可例如為：FM_Machine(Return FM_M_Alarm)_i=F3(M_Process,M_Error,M_Value,FFT(f,n,kn),Status),i=1~4。前述M_Process為機台之特定行為(機台之暖開機)，M_Error為異常或故障元件(如滾動軸承outer race、ball、fund.Train、inner race)，M_Value為異常頻域振幅大小(由程序(1)獲得)，FFT(f,n,kn)為異常頻域振幅公式(由程序(1)獲得)，Status為機台運轉狀態(加工狀態)。
程序(4)：在完成上述程序(2)至程序(3)之設定後，在每日機台10開工前，機台10會先進行暖開機之運轉模式。同時，加工程式分析模組41會讀取機台控制器擷取模組30之機台加工程式碼，並在自動分析或判斷加工動作為機台之暖開機後，由頻域振幅分析模組44分析每一異常或故障元件(如M_Error)之異常頻域振幅大小。舉例而言，如第7圖所示，頻域振幅分析模組44之分析程序為：[a]分析機台10之運轉狀態(見第7圖上方)，[b]分析機台感測器擷取模組20之頻域振幅值及機台10之主軸轉動頻率(見第7圖間)，[c]依據頻域振幅加工行為異常模型設定模組90之頻域振幅加工行為異常模型進行資料收集與公式計算(見第7圖下方)。
程序(5)：將上述程序(4)之分析或計算結果透過主軸壽命分析模組45進行分析，並將發生異常之分析結果分別存入第一元件異常種類分析單元451及第一元件異常程度分 析單元452中。舉例而言，如第8圖所示，主軸壽命分析模組45之分析程序為：[a]針對暖開機之行為進行主軸壽命分析(見第8圖上方)，[b]Ball M_Value(40)>28(見第8圖下方)，[c]頻域主軸壽命模型異常成立，FM_M_Alarm=True(見第8圖下方)。
程序(6)：在完成機台10之暖開機後，機台10開始依工單需求進行螺桿加工、鑽孔切削、切斷...等加工。加工程式分析模組41會讀取機台控制器擷取模組30之機台加工程式碼，以自動分析或判斷加工動作為螺桿加工、鑽孔切削、切斷...等加工，並由時域振幅分析模組42進行加工異常告警分析。舉例而言，如第9圖所示，時域振幅分析模組42之分析程序為：[a]分析機台10之運轉狀態(見第9圖上方)，[b]分析機台感測器擷取模組20之時域振幅值(見第9圖中間)，[c]依據頻域振幅加工行為異常模型設定模組90之頻域振幅加工行為異常模型進行資料收集與公式計算(見第9圖下方)。
程序(7)：當機台10之加工(如鑽孔切削)異常發生時，時域振幅分析模組42可分析每一異常原因(如C_Error)之異常頻域振幅大小。舉例而言，如第10圖所示，時域振幅分析模組42之分析程序為：[a]分析機台感測器擷取模組20之FFT頻域振幅值(見第10圖上方)，[b]分析機台10之主軸轉動頻率振幅(見第10圖中間)，[c]依據頻域振幅加工行為異常模型設定模組90之頻域振幅加工行為異常模型進行資料收集與公式計算(見第10圖下方)。
程序(8)：將上述程序(7)之分析或計算結果透過加工分析模組43進行分析，並由加工分析模組43將發生異常之分析結果分別存入加工異常原因分析單元431及加工異常程度分析單元432中。舉例而言，如第11圖所示，加工分析模組43之分析程序為：[a]針對鑽孔切削行為進行切削加工分析(見第11圖上方)，[b]刀具磨損C_Value(33)>18(見第11圖上方)，[c]頻域加工模型之異常成立，FM_C_Alarm=True(見第11圖下方)，[d]通知系統有關加工分析之鑽孔切削之異常原因為刀具磨損並儲存分析結果(見第11圖下方)。
程序(9)：加工行為歷史模組50自動收集上述程序(5)與程序(8)之分析結果，並過濾及儲存異常加工行為之發生時間之完整FFT頻域振幅值，再透過異常加工行為特徵分析單元51及主軸壽命與關鍵元件異常加工行為特徵分析單元52完成異常加工行為之特徵資料表之建立。舉例而言，如第12A圖所示，異常加工行為特徵分析單元51所建立之特徵資料表之資料格式或特徵資料包括資料表(j)、C_Error、C_Level、C_FFT(start,end)。如第12B圖所示，主軸壽命與關鍵元件異常加工行為特徵分析單元52所建立之特徵資料表之資料格式或特徵資料包括資料表(j)、M_Error、M_Level、M_FFT(start,end)。
程序(10)：如第13A圖至第13B圖所示，在完成異常加工行為之特徵資料表之建立後，由預測保養分析模組60針對C_Process(鑽孔切削)與C_Error(刀具磨損)、以及 M_Process(暖開機)與M_Error(Ball)設定預測保養分析所需之資料表之數量為3，以據此自動篩選異常程度(C_Level或M_Level)較高的資料表(j)之內容。
程序(11)：如第14A圖至第14B圖所示，利用特徵模型學習單元61進行異常加工行為數學模型之分析與建立，其中資料表之數量(n)為3，且特徵模型學習法(Method)選用迴歸分析法。
程序(12)：如第15A圖至第15B圖所示，利用迴歸分析法獲得關鍵頻譜參數(相關係數(R2)>0.8)，並透過關鍵頻譜參數之迴歸公式完成特徵數學模型FFT_Model(f,n,kn)，其中，第15A圖採用C_Process(鑽孔切削)、C_Error(刀具磨損)、FFT_Model(f,n,kn)，第15B圖採用M_Process(暖開機)、M_Error(Ball)、FFT_Model(f,n,kn)。
程序(13)：如第16A圖至第16B圖所示，在完成特徵數學模型FFT_Model(f,n,kn)後，透過數學模型更新模組70判斷FFT_Model(f,n,kn)是否符合更新條件，若符合更新條件，則數學模型更新模組70更新頻域加工模型分析單元423之頻域加工模型及頻域主軸壽命與關鍵元件模型分析單元441之頻域主軸壽命與關鍵元件模型。
在本實施例中，相關係數之目標值設定為0.8，因FFT_Model(f,n,kn)之相關係數(0.9919與0.9911)大於0.8，符合更新條件，故數學模型更新模組70會修正與更新頻域加工模型分析單元423之相關公式、及頻域主軸壽命與關鍵元件模型分析單元441之相關公式，以克服機台差異與 元件老化造成模型誤差，讓頻域加工模型分析單元423及頻域主軸壽命與關鍵元件模型分析單元441之異常分析診斷方式快速收斂。
程序(14)：預測保養分析模組60會儲存上述程序(12)之特徵數學模型，例如FFT_Model(f,n,kn)。當前端之機台感測器擷取模組20及機台控制器擷取模組30之整合資訊符合FFT_Model(f,n,kn)且Index>0.8時，將由預測結果單元63提供異常加工行為或元件故障之保養方式與機台保養時機。專家保養診斷單元62之保養方式可以透過平台或工具設定，茲說明如下：
[a]如第17A圖至第17D圖所示，在M_Process為暖開機下，讀取4次機台感測器擷取模組20及機台控制器擷取模組30之整合資訊，其中第17C圖至第17D圖符合M_Process為暖開機、M_Error為Ball、FFT_Model(f,n,kn)、Index>0.8。
[b]如第18A圖至第18D圖所示，在C_Process為鑽孔切削下，讀取4次機台感測器擷取模組20及機台控制器擷取模組30之整合資訊，其中第18C圖至第18D圖符合C_Process為鑽孔切削、C_Error為刀具磨損、FFT_Model(f,n,kn)、Index>0.8。
[c]如第19圖所示，依據機台10之原廠商保養手冊，透過平台或工具設定專家保養診斷單元62之保養方式。
[d]如第20A圖至第20D圖所示，針對上述程序(14)中[a]與[b]之分析結果，由預測結果單元63提供異常加工 行為或元件故障之保養方式與機台保養時機，以達到機台之預測保養目的。
綜上所述，本發明機台加工行為異常分析與預測保養系統及方法可具有例如下列之特色、優點或技術功效：
(1)本發明可透過感測器與機台感測器擷取模組結合控制器與機台控制器擷取模組，針對機台之主軸或關鍵元件之異常時域震動值或異常頻域震動值提出告警，並自動分析或判斷出機台之異常加工行為(如研磨加工、螺桿加工、鑽孔切削...等)或故障元件(如滾動軸承outer race、ball、fund.Train、inner race)原因。
(2)本發明之加工行為異常分析模組(加工分析模組)可透過加工程式針對特定加工行為(如研磨加工、螺桿加工、鑽孔切削...等)進行加工特徵分析，並依據時域振幅加工行為模型(如振幅大小、持續時間、發生次數...等)自動提出加工異常告警，且依據頻域振幅加工行為模型(如主頻率f、諧波頻率2f、3f、4f...等及各頻段之貢獻度)自動判斷出異常加工原因(如轉速過高、刀具磨損、機械鬆動...等)或異常程度指標(如機械鬆動之FFT(mm/s2)大小等級)。
(3)本發明之頻率主軸壽命與關鍵元件模型分析單元可利用加工程式針對機台之特定行為(如機台之暖開機、主軸跑合、刀具補償調校...等)進行主軸壽命與關鍵元件特徵分析，並透過頻域異常模型(如軸承保持器損壞頻率FTF=RPM×40~60%)自動判斷故障元件(如滾動軸承outer race、ball、fund.Train、inner race)及異常程度指標(如FTF 頻率之FFT(mm/s2)大小等級)。
(4)本發明之加工行為歷史模組可針對機台之異常加工行為自動收集來自加工行為異常分析模組(加工分析模組、主軸壽命分析模組與關鍵元件模型分析模組)之異常分析結果以建立異常加工行為之特徵資料表，例如切削加工特徵(異常原因與異常程度)和異常過程FFT頻域振幅值，以及主軸壽命與關鍵元件特徵(異常問題與異常程度)和異常過程FFT頻域振幅值等兩種關聯表。據此，本發明可以解決一般業界之SCADA(監視控制與資料擷取)系統必須儲存完整原始資料(raw data)，容易造成系統之資料龐大與查詢效率不佳問題。
(5)本發明之加工行為歷史模組可自動收集異常加工行為與故障元件之運作資訊，而預測保養分析模組可學習各機台專屬之預測保養數學模型與特徵參數，並在異常加工行為發生或元件故障前提供機台保養方式與保養時機，進而達到減少故障停機及提高工廠生產產能之目的。
(6)本發明之預測保養分析模組可整合來自機台感測器擷取模組之資訊與來自機台控制器擷取模組之資訊，當整合資訊符合已建立之特徵數學模型時，預測保養分析模組可在機台之異常加工行為發生或元件故障前，提供機台保養方式與機台保養時機。
(7)本發明之預測保養分析模組可透過加工行為歷史模組收集之異常加工行為之特徵資料表，利用特徵模型學習單元進一步建立每一機台之切削加工、主軸壽命與關鍵 元件之異常特徵數學模型，且學習方式可以利用迴歸分析法或類神經網路等達成，並在專家保養診斷單元中提供專屬之機台保養方式與保養時機之設定方式。
(8)本發明之數學模型更新模組可提供數學模型迴授機制，並將異常特徵之學習結果迴授至加工行為異常分析模組(頻域加工模型分析單元及主軸壽命與關鍵元件模型分析單元)，讓加工行為異常分析模組之異常分析診斷方式快速收斂，以克服機台差異與元件老化造成的模型誤差問題。
上述實施形態僅例示性說明本發明之原理、特點及其功效，並非用以限制本發明之可實施範疇，任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下，對上述實施形態進行修飾與改變。任何運用本發明所揭示內容而完成之等效改變及修飾，均仍應為申請專利範圍所涵蓋。因此，本發明之權利保護範圍應如申請專利範圍所列。
1‧‧‧機台加工行為異常分析與預測保養系統
10‧‧‧機台
11‧‧‧主軸
12‧‧‧關鍵元件
13‧‧‧感測器
14‧‧‧控制器
20‧‧‧機台感測器擷取模組
30‧‧‧機台控制器擷取模組
40‧‧‧加工行為異常分析模組
50‧‧‧加工行為歷史模組
60‧‧‧預測保養分析模組
70‧‧‧數學模型更新模組
80‧‧‧時域振幅加工行為異常模型設定模組
90‧‧‧頻域振幅加工行為異常模型設定模組

Claims (18)

  1. 一種機台加工行為異常分析與預測保養系統，包括：機台感測器擷取模組，係擷取感測器對機台之主軸或關鍵元件之感測值，以計算出該主軸或關鍵元件之時域震動值與頻域震動值；機台控制器擷取模組，係透過控制器擷取該機台之主軸轉速、運轉狀態或加工程式之運作資訊；加工行為異常分析模組，係依據該機台感測器擷取模組所計算之該主軸或關鍵元件之時域震動值與頻域震動值、及該機台控制器擷取模組所擷取之該機台之主軸轉速、運轉狀態或加工程式之運作資訊，對該主軸或關鍵元件之異常時域震動值或異常頻域震動值提供告警，並分析出該機台之異常加工行為或故障元件原因，其中，該加工行為異常分析模組係具有頻域振幅分析模組，用以讀取來自該機台感測器擷取模組之頻域振幅值，並依據該機台之頻域振幅加工行為異常模型進行資料收集；以及預測保養分析模組，係整合來自該機台感測器擷取模組之該主軸或關鍵元件之時域震動值與頻域震動值以及來自該機台控制器擷取模組之該機台之主軸轉速、運轉狀態或加工程式之運作資訊以產生整合資訊，俾於該整合資訊符合已建立之特徵數學模型時，由該預測保養分析模組在該機台之異常加工行為發生或元件故障前，提供該機台之保養方式或保養時機。
  2. 如申請專利範圍第1項所述之系統，其中，該加工行為異常分析模組係具有加工程式分析模組，用以讀取來自該機台控制器擷取模組之機台加工程式碼，以從該機台加工程式碼中解讀出機台加工行為。
  3. 如申請專利範圍第1項所述之系統，其中，該加工行為異常分析模組係具有時域振幅分析模組，用以分析該機台之時域加工模型、加工異常或頻域加工模型。
  4. 如申請專利範圍第3項所述之系統，其中，該加工行為異常分析模組更具有加工分析模組，係依據該頻域加工模型之分析結果，針對該機台之加工動作進行異常原因判斷。
  5. 如申請專利範圍第1項所述之系統，其中，該加工行為異常分析模組係具有主軸壽命分析模組與關鍵元件分析模組，該主軸壽命分析模組分析該機台之主軸壽命之異常原因或故障元件，而該關鍵元件分析模組分析該機台之關鍵元件之異常原因或損壞程度。
  6. 如申請專利範圍第1項所述之系統，更包括加工行為歷史模組，係針對該機台之異常加工行為收集來自該加工行為異常分析模組之異常分析結果，以依據該異常分析結果建立該異常加工行為之特徵資料表。
  7. 如申請專利範圍第6項所述之系統，其中，該預測保養分析模組更學習該機台專屬之預測保養數學模型與特徵參數，並依據來自該加工行為歷史模組之異常加工行為之特徵資料表建立該機台之切削加工、主軸壽命與關 鍵元件之異常特徵數學模型。
  8. 一種機台加工行為異常分析與預測保養系統，包括：機台感測器擷取模組，係擷取感測器對機台之主軸或關鍵元件之感測值，以計算出該主軸或關鍵元件之時域震動值與頻域震動值；機台控制器擷取模組，係透過控制器擷取該機台之主軸轉速、運轉狀態或加工程式之運作資訊；加工行為異常分析模組，係依據該機台感測器擷取模組所計算之該主軸或關鍵元件之時域震動值與頻域震動值、及該機台控制器擷取模組所擷取之該機台之主軸轉速、運轉狀態或加工程式之運作資訊，對該主軸或關鍵元件之異常時域震動值或異常頻域震動值提供告警，並分析出該機台之異常加工行為或故障元件原因；預測保養分析模組，係整合來自該機台感測器擷取模組之該主軸或關鍵元件之時域震動值與頻域震動值以及來自該機台控制器擷取模組之該機台之主軸轉速、運轉狀態或加工程式之運作資訊以產生整合資訊，俾於該整合資訊符合已建立之特徵數學模型時，由該預測保養分析模組在該機台之異常加工行為發生或元件故障前，提供該機台之保養方式或保養時機；以及數學模型更新模組，係將該預測保養分析模組對該機台之異常特徵之學習結果迴授至該加工行為異常分析模組，以使該加工行為異常分析模組之異常分析診斷方式收斂。
  9. 一種機台加工行為異常分析與預測保養系統，包括：機台感測器擷取模組，係擷取感測器對機台之主軸或關鍵元件之感測值，以計算出該主軸或關鍵元件之時域震動值與頻域震動值；機台控制器擷取模組，係透過控制器擷取該機台之主軸轉速、運轉狀態或加工程式之運作資訊；時域振幅加工行為異常模型設定模組與頻域振幅加工行為異常模型設定模組，該時域振幅加工行為異常模型設定模組用以設定該機台之時域振幅加工行為異常模型，而該頻域振幅加工行為異常模型設定模組用以設定該機台之頻域振幅加工行為異常模型；加工行為異常分析模組，係依據該機台感測器擷取模組所計算之該主軸或關鍵元件之時域震動值與頻域震動值、及該機台控制器擷取模組所擷取之該機台之主軸轉速、運轉狀態或加工程式之運作資訊，對該主軸或關鍵元件之異常時域震動值或異常頻域震動值提供告警，並分析出該機台之異常加工行為或故障元件原因；以及預測保養分析模組，係整合來自該機台感測器擷取模組之該主軸或關鍵元件之時域震動值與頻域震動值以及來自該機台控制器擷取模組之該機台之主軸轉速、運轉狀態或加工程式之運作資訊以產生整合資訊，俾於該整合資訊符合已建立之特徵數學模型時，由該預測保養分析模組在該機台之異常加工行為發生或元件 故障前，提供該機台之保養方式或保養時機。
  10. 一種機台加工行為異常分析與預測保養方法，包括：由機台感測器擷取模組擷取感測器對機台之主軸或關鍵元件之感測值以計算出該主軸或關鍵元件之時域震動值與頻域震動值，並由機台控制器擷取模組透過控制器擷取該機台之主軸轉速、運轉狀態或加工程式之運作資訊；由加工行為異常分析模組依據該機台感測器擷取模組所計算之該主軸或關鍵元件之時域震動值與頻域震動值、及該機台控制器擷取模組所擷取之該機台之主軸轉速、運轉狀態或加工程式之運作資訊，對該主軸或關鍵元件之異常時域震動值或異常頻域震動值提供告警，並分析出該機台之異常加工行為或故障元件原因；由頻域振幅分析模組讀取來自該機台感測器擷取模組之頻域振幅值，並依據該機台之頻域振幅加工行為異常模型進行資料收集；以及由預測保養分析模組整合來自該機台感測器擷取模組之該主軸或關鍵元件之時域震動值與頻域震動值以及來自該機台控制器擷取模組之該機台之主軸轉速、運轉狀態或加工程式之運作資訊以產生整合資訊，俾於該整合資訊符合已建立之特徵數學模型時，由該預測保養分析模組在該機台之異常加工行為發生或元件故障前，提供該機台之保養方式及保養時機。
  11. 如申請專利範圍第10項所述之方法，更包括由加工程 式分析模組讀取來自該機台控制器擷取模組之機台加工程式碼，以從該機台加工程式碼中解讀出機台加工行為。
  12. 如申請專利範圍第10項所述之方法，更包括由時域振幅分析模組分析該機台之時域加工模型、加工異常或頻域加工模型。
  13. 如申請專利範圍第12項所述之方法，更包括由加工分析模組依據該頻域加工模型之分析結果，針對該機台之加工動作進行異常原因判斷。
  14. 如申請專利範圍第10項所述之方法，更包括由主軸壽命分析模組分析該機台之主軸壽命之異常原因或故障元件，而由關鍵元件分析模組分析該機台之關鍵元件之異常原因或損壞程度。
  15. 如申請專利範圍第10項所述之方法，更包括由加工行為歷史模組針對該機台之異常加工行為收集來自該加工行為異常分析模組之異常分析結果，以依據該異常分析結果建立該異常加工行為之特徵資料表。
  16. 如申請專利範圍第15項所述之方法，更包括由該預測保養分析模組學習該機台專屬之預測保養數學模型與特徵參數，並依據來自該加工行為歷史模組之異常加工行為之特徵資料表建立該機台之切削加工、主軸壽命與關鍵元件之異常特徵數學模型。
  17. 一種機台加工行為異常分析與預測保養方法，包括：由機台感測器擷取模組擷取感測器對機台之主軸 或關鍵元件之感測值以計算出該主軸或關鍵元件之時域震動值與頻域震動值，並由機台控制器擷取模組透過控制器擷取該機台之主軸轉速、運轉狀態或加工程式之運作資訊；由加工行為異常分析模組依據該機台感測器擷取模組所計算之該主軸或關鍵元件之時域震動值與頻域震動值、及該機台控制器擷取模組所擷取之該機台之主軸轉速、運轉狀態或加工程式之運作資訊，對該主軸或關鍵元件之異常時域震動值或異常頻域震動值提供告警，並分析出該機台之異常加工行為或故障元件原因；由預測保養分析模組整合來自該機台感測器擷取模組之該主軸或關鍵元件之時域震動值與頻域震動值以及來自該機台控制器擷取模組之該機台之主軸轉速、運轉狀態或加工程式之運作資訊以產生整合資訊，俾於該整合資訊符合已建立之特徵數學模型時，由該預測保養分析模組在該機台之異常加工行為發生或元件故障前，提供該機台之保養方式及保養時機；以及由數學模型更新模組將該預測保養分析模組對該機台之異常特徵之學習結果迴授至該加工行為異常分析模組，以使該加工行為異常分析模組之異常分析診斷方式收斂。
  18. 一種機台加工行為異常分析與預測保養方法，包括：由機台感測器擷取模組擷取感測器對機台之主軸或關鍵元件之感測值以計算出該主軸或關鍵元件之時 域震動值與頻域震動值，並由機台控制器擷取模組透過控制器擷取該機台之主軸轉速、運轉狀態或加工程式之運作資訊；透過時域振幅加工行為異常模型設定模組設定該機台之時域振幅加工行為異常模型，並透過頻域振幅加工行為異常模型設定模組設定該機台之頻域振幅加工行為異常模型；由加工行為異常分析模組依據該機台感測器擷取模組所計算之該主軸或關鍵元件之時域震動值與頻域震動值、及該機台控制器擷取模組所擷取之該機台之主軸轉速、運轉狀態或加工程式之運作資訊，對該主軸或關鍵元件之異常時域震動值或異常頻域震動值提供告警，並分析出該機台之異常加工行為或故障元件原因；以及由預測保養分析模組整合來自該機台感測器擷取模組之該主軸或關鍵元件之時域震動值與頻域震動值以及來自該機台控制器擷取模組之該機台之主軸轉速、運轉狀態或加工程式之運作資訊以產生整合資訊，俾於該整合資訊符合已建立之特徵數學模型時，由該預測保養分析模組在該機台之異常加工行為發生或元件故障前，提供該機台之保養方式及保養時機。
TW107120182A 2018-06-12 2018-06-12 機台加工行為異常分析與預測保養系統及其方法 TWI682333B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW107120182A TWI682333B (zh) 2018-06-12 2018-06-12 機台加工行為異常分析與預測保養系統及其方法
CN201810920944.9A CN110597221B (zh) 2018-06-12 2018-08-14 机台加工行为异常分析与预测保养系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW107120182A TWI682333B (zh) 2018-06-12 2018-06-12 機台加工行為異常分析與預測保養系統及其方法

Publications (2)

Publication Number Publication Date
TW202001703A TW202001703A (zh) 2020-01-01
TWI682333B true TWI682333B (zh) 2020-01-11

Family

ID=68849215

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107120182A TWI682333B (zh) 2018-06-12 2018-06-12 機台加工行為異常分析與預測保養系統及其方法

Country Status (2)

Country Link
CN (1) CN110597221B (zh)
TW (1) TWI682333B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI764687B (zh) * 2021-04-23 2022-05-11 財團法人石材暨資源產業研究發展中心 智能化機台管理系統
TWI805041B (zh) * 2021-10-22 2023-06-11 智影顧問股份有限公司 機台異常標註與異常預測系統
US11754472B2 (en) 2021-11-30 2023-09-12 Industrial Technology Research Institute Process diagnosis system and operation method thereof

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
TWI786473B (zh) * 2020-11-24 2022-12-11 迅得機械股份有限公司 運動載體即時監控系統
TWI800108B (zh) * 2021-11-23 2023-04-21 台達電子工業股份有限公司 加工機及其加工異常判斷方法
CN116149256A (zh) 2021-11-23 2023-05-23 台达电子工业股份有限公司 加工机及其加工异常判断方法
CN115600930B (zh) * 2022-11-29 2023-03-28 天津佰利金电力有限公司 用于电力金具生产数据的智能管理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5900553A (en) * 1995-04-28 1999-05-04 Toray Engineering, Co., Ltd. Yarn-winding method and a yarn winder therefor
CN103098044A (zh) * 2010-05-14 2013-05-08 哈尼施费格尔技术公司 用于远程机器监视的周期分解分析
CN103323157A (zh) * 2013-06-07 2013-09-25 武汉理工大学 铁路道岔转辙机锁闭杆应力增敏的光纤光栅动态监测方法及装置
TW201604333A (zh) * 2014-04-18 2016-02-01 蘭姆研究公司 使用無硫鎳陽極電鍍鎳的方法及設備
CN105452835A (zh) * 2013-08-01 2016-03-30 Ntn株式会社 轴承装置振动分析方法、轴承装置振动分析器以及滚动轴承状态监视系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103033362B (zh) * 2012-12-31 2015-03-25 湖南大学 一种基于改进多变量预测模型的齿轮故障诊断方法
US20160292578A1 (en) * 2015-04-03 2016-10-06 BigML, Inc. Predictive modeling of data clusters
CN104791187B (zh) * 2015-04-08 2017-07-25 武汉四创自动控制技术有限责任公司 能实现健康状态预测的水轮机调节系统及方法
CN106991502A (zh) * 2017-04-27 2017-07-28 深圳大数点科技有限公司 一种设备故障预测系统和方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5900553A (en) * 1995-04-28 1999-05-04 Toray Engineering, Co., Ltd. Yarn-winding method and a yarn winder therefor
CN103098044A (zh) * 2010-05-14 2013-05-08 哈尼施费格尔技术公司 用于远程机器监视的周期分解分析
CN103323157A (zh) * 2013-06-07 2013-09-25 武汉理工大学 铁路道岔转辙机锁闭杆应力增敏的光纤光栅动态监测方法及装置
CN105452835A (zh) * 2013-08-01 2016-03-30 Ntn株式会社 轴承装置振动分析方法、轴承装置振动分析器以及滚动轴承状态监视系统
TW201604333A (zh) * 2014-04-18 2016-02-01 蘭姆研究公司 使用無硫鎳陽極電鍍鎳的方法及設備

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI764687B (zh) * 2021-04-23 2022-05-11 財團法人石材暨資源產業研究發展中心 智能化機台管理系統
TWI805041B (zh) * 2021-10-22 2023-06-11 智影顧問股份有限公司 機台異常標註與異常預測系統
US11754472B2 (en) 2021-11-30 2023-09-12 Industrial Technology Research Institute Process diagnosis system and operation method thereof

Also Published As

Publication number Publication date
CN110597221B (zh) 2023-10-10
TW202001703A (zh) 2020-01-01
CN110597221A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
TWI682333B (zh) 機台加工行為異常分析與預測保養系統及其方法
CN106392772B (zh) 机械学习装置、主轴更换判定装置、控制装置、机床
US10042922B2 (en) Database for chatter predictions
CN110088699A (zh) 信息处理方法、信息处理系统以及信息处理装置
CN107345857A (zh) 一种电主轴状态监测与故障诊断系统及其监测诊断方法
CN108181105B (zh) 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统
US8720275B2 (en) Detecting rotor anomalies
US20190160619A1 (en) Tool State Detection Method of Machine Tool and System Thereof
CN107614214A (zh) 故障诊断装置及故障诊断方法
CN109352416A (zh) 一种机床主轴夹屑和/或刀具缠屑的报警方法及装置
CN110119333A (zh) 一种异常检测边缘计算系统
TWM575368U (zh) 智能化工具機雲端運算系統
CN113418730A (zh) 一种卷烟机运行状态的在线监测方法
CN111766511A (zh) 工业电动机的故障诊断及预测性维护方法
CN105807716B (zh) 再制造机床健康监测系统
EP2778817A1 (de) Überwachung einer ersten Ausrüstung einer ersten technischen Anlage mittels Benchmark
CN111159487A (zh) 一种汽车发动机主轴预测性维护智能系统
CN108363822A (zh) 刀具刚性预测用于抑制切削颤振的装置及方法
CN105521997B (zh) 一种基于振动信号诊断轧机辊系故障的方法
CN109947064A (zh) 智能通水温度控制专家系统及硬件检测和数据监测方法
JP2020067776A (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
CN113418731A (zh) 一种卷烟机组的在线故障诊断方法
CN103210358A (zh) 监视过程参量和/或设备参量时的智能可视化
KR102360004B1 (ko) 진동 신호 기반의 기계 상태 관리 시스템
TWM542534U (zh) 刀具剛性預測用於抑制切削顫振之裝置