TWI687277B - 刀具磨耗預測方法 - Google Patents

Abstract

一種刀具磨耗預測方法，包含一準備步驟、一建立模式步驟、一預測步驟以及一比對步驟，其中將該檢測模組所取得的刀具各軸相的電流負載訊號，傳送至該計算模組進行運算並建立一預測模式，藉以預測刀具的磨耗量，再藉由內建於該比對模組內的人工智慧多層神經網路，依據所取得的數值計算出一預測的刀具磨耗數值，將前述建立模式步驟所建立的預測刀具磨耗量，與預測步驟計算後所得的預測刀具磨耗數值進行比對，並依據比對結果進行刀具補償或異常排除，提供一可準確檢測及相對應補償，且穩定生產線產品之品質的刀具磨耗預測方法。

Description

刀具磨耗預測方法

本發明係關於一種磨耗預測方法，尤指一種刀具磨耗預測方法。

按，現有工具機於加工時，其所使用的刀具會隨著壓力、加工方式及時間，而於刀具的R角、半徑及長度上產生磨損或磨耗的情形，當使用磨耗的刀具進行加工時，會相對於加工的物件產生加工誤差，進而影響現有工具機的加工品質及效率；因此，目前會進一步搭配一刀具檢測裝置進行使用，藉以在現有工具機使用時提供一刀具磨耗的檢測機制。

其中，現有刀具檢測裝置主要設有一影像擷取模組，透過該影像擷取模組取得現有工具機刀庫內的刀具影像，再經由演算法建立一刀具磨耗預測模型，並且透過一震動感測器分析訊號，藉以預測刀具是否有磨耗、磨損或者變鈍之情形；進一步，當刀具進行不同工法進行加工時(如端銑、側銑或者鑽孔等)，會因為不同的工法對於刀具產生不同程度的磨耗，而現有刀具磨耗的檢測機制，僅能提供粗略的刀具磨耗預測及參數補償，無法有效地根據不同的工法提供相對應的刀具磨耗預測及參數補償，進而無法提供生產線穩定的加工品質，實有加以改良之處。

因此，本發明有鑑於現有刀具磨耗預測於實際操作時的缺失及不足，特經過不斷的試驗與研究，終於發展出一種能改進現有缺失之本發明，本發明刀具磨耗預測方法，不僅無須使用影像進行量測，且以設備電流負載虛擬 計算分析實際刀具磨耗數值；進一步，無須建立多個刀具模型，僅需單一刀具進行加工建模學習，且與工具機的控制器進行參數比對，而無須在刀具檢測設備上回饋建模磨耗數值，其中利用人工智慧多層神經網路進行分析，取得刀具磨耗的相關係數，藉以提供一可準確檢測及相對應補償，且穩定生產線產品之品質的刀具磨耗預測方法之目的。

基於上述目的，本發明所運用的技術手段在於提供一刀具磨耗預測方法，其係包含有以下的操作步驟：準備步驟：準備一檢測模組、一計算模組、一資料庫、一比對模組及一通知模組，該檢測模組設於至少一工具機上，藉以檢測該至少一工具機的刀具各軸相的電流負載情形，且各工具機設有一控制器，該計算模組與該檢測模組相連接，該資料庫與該計算模組相連接，該比對模組與該資料庫相連接，該通知模組與比對模組相連接，可將訊號傳送至該至少一工具機的控制器中；建立模式步驟：將該檢測模組所取得的刀具各軸相的電流負載訊號，傳送至該計算模組進行運算，並將計算後的資料儲存於該資料庫中並建立一預測模式，藉以預測刀具的磨耗量；預測步驟：將該至少一工具機的控制器所取得的參數以及前述建立模式步驟所取得的預測刀具磨耗量，傳送至該比對模組中進行比對，其中該比對組模內建有一人工智慧多層類神經網路，藉由內建於該比對模組內的人工智慧多層神經網路，可依據所取得的數值計算出一預測的刀具磨耗數值；以及比對步驟：將前述建立模式步驟所建立的預測刀具磨耗量，與預測步驟計算後所得的預測刀具磨耗數值進行比對，當預測刀具磨耗數值與該預測刀具磨耗量相符合時，透過該通知模組通知該至少一工具機的控制器，對於該刀具進行補償；而當預測刀具磨耗數值與該預測刀具磨耗量不相符合時，透過該通知 模組通知該至少一工具機的控制器停止備份資料、紀錄檔案並發出警報，通知操作人員進行異常排除。

藉由上述的技術手段，本發明刀具磨耗預測方法，不須使用影像進行量測，且以設備電流負載虛擬計算分析實際刀具磨耗數值；進一步，本發明無須建立多個刀具模型，僅需單一刀具進行加工建模學習，且與工具機的控制器進行參數比對，而無須在刀具檢測設備上回饋建模磨耗數值，其中利用人工智慧多層神經網路進行分析，取得刀具磨耗的相關係數，進而進行精確的數值比對與判斷，藉以提供一可準確檢測及相對應補償，且穩定生產線產品之品質的刀具磨耗預測方法之目的。

10:檢測模組

20:計算模組

30:資料庫

40:比對模組

50:通知模組

60:工具機

圖1是本發明刀具磨耗預測方法的操作步驟方塊圖。

圖2是本發明刀具磨耗預測方法的設備配置示意圖。

圖3是本發明刀具磨耗預測方法的操作流程方塊示意圖。

圖4是本發明刀具磨耗預測方法的刀具各軸相的電流負載訊號示意圖。

圖5是本發明刀具磨耗預測方法的刀具單一軸相的電流負載訊號示意圖。

圖6是本發明刀具磨耗預測方法的神經元模型示意圖。

圖7是本發明刀具磨耗預測方法的神經元模型計算公式示意圖。

圖8是本發明刀具磨耗預測方法的人工智慧多層神經網路計算公式示意圖。

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，玆進一步以如圖式所示(如圖1至圖3所示)的較佳實施例，詳細說明如後。

本發明刀具磨耗預測方法，係包含以下的操作步驟： 準備步驟：準備一檢測模組10、一計算模組20、一資料庫30、一比對模組40及一通知模組50，該檢測模組10設於至少一工具機60(CNC Machine)上，藉以檢測該至少一工具機60的刀具各軸相的電流負載情形，且各工具機60設有一控制器，該計算模組20與該檢測模組10相連接，該資料庫30與該計算模組20相連接，且該資料庫30可為一實體儲存裝置或一雲端儲存裝置，該比對模組40與該資料庫30相連接，該通知模組50與比對模組40相連接，可將訊號傳送到該至少一工具機60的控制器中。

建立模式步驟：其中如圖4所示，將該檢測模組10所取得的刀具各軸相的電流負載訊號，傳送至該計算模組20進行運算，例如利用傅立葉變換(Fourier transform)進行邊緣運算，其中如圖5所示可讀取及放大刀具單一軸相的狀態變化情形，並將計算後的資料儲存於該資料庫30中，經由該計算後的資料建立一預測模式，藉以預測刀具的磨耗量；進一步，於該建立模式步驟亦可建立一建模模式，其係利用人工智慧(Artificial Intelligence；AI)方式，在設備運轉過程收集各軸相與主軸負載，將資料庫數筆資料建構模型，透過控制器中自動撈取刀具磨耗程度參數(R角、半徑磨耗、刀常磨耗)進行演算，並取得加工程式碼各種運轉特徵變因數(切深、負載、轉速、進給率、冷卻水酸鹼值、次數、時間及加工負載)，利用人工智慧多層神經網路分析取得，關於現況刀具磨耗相關係數。

預測步驟：將該至少一工具機60的控制器所取得的參數以及前述建立模式步驟所取得的預測刀具磨耗量，傳送至該比對模組40中進行比對，其中該比對組模40內建有一人工智慧多層類神經網路(英語：Artificial Intelligence Neural Multi Layer Network，AMNN)，其中人工智慧多層神經網路，簡稱神經網路(Neural Network，NN)或類神經網路，在機器學習和認知科學領域，是一種模仿生物神經網路(動物的中樞神經系統，特別是大腦)的結構和功能的數 學模型或計算模型，用於對函式進行估計或近似；神經網路由大量的人工神經元聯結進行計算；大多數情況下人工神經網路能在外界資訊的基礎上改變內部結構，是一種自適應系統且具備學習功能，現代神經網路是一種非線性統計性資料建模工具，其中要讓機器(電腦)像人類一樣具有學習與判斷的能力，就要把人類大腦學習與判斷的流程轉移到機器(電腦)，基本就就是運用數據進行「訓練」與「預測」，包括下列四個步驟：獲取數據：人類的大腦經由眼耳鼻舌皮膚收集大量的數據，才能進行分析與處理，機器學習也必須先收集大量的數據進行訓練。

分析數據：人類的大腦分析收集到的數據找出可能的規則，例如：下雨之後某個溫度與濕度下會出現彩虹，彩虹出現在與太陽相反的方向等。

建立模型：人類的大腦找出可能的規則後，會利用這個規則來建立「模型」(Model)，例如：下雨之後某個溫度與濕度、與太陽相反的方向等，就是大腦經由學習而來的經驗，機器學習裡的「模型」有點類似我們所謂的「經驗」(Experience)。

預測未來：等學習完成了，再將新的數據輸入模型就可以預測未來，例如：以後只要下雨，溫度與濕度達到標準，就可以預測與太陽相反的方向就可能會看到彩虹。

進一步，機器學習的種類可分為監督式學習、非監督式學習以及半監督式學習，其中：監督式學習(Supervised learning)：所有資料都有標準答案，可以提供機器學習在輸出時判斷誤差使用，預測時比較精準，就好像模擬考有提供答案，學生考後可以比對誤差，這樣聯考時成績會比較好。例如：我們任意選出100張照片並且「標註」(Label)哪些是貓哪些是狗，輸入電腦後讓電腦 學習認識貓與狗的外觀，因為照片已經標註了，因此電腦只要把照片內的「特徵」(Feature)取出來，將來在做預測時只要尋找這個特徵(四肢腳、尖耳朵、長鬍子)就可以辨識貓了，這種方法等於是人工「分類」，對電腦而言最簡單，但是對人類來說最辛苦。

非監督式學習(Un-supervised learning)：所有資料都沒有標準答案，無法提供機器學習輸出判斷誤差使用，機器必須自己尋找答案，預測時比較不準，就好像模擬考沒有提供答案，學生考後無法比對誤差，這樣聯考時成績會比較差。例如：我們任意選出100張照片但是沒有標註，輸入電腦後讓電腦學習認識貓與狗的外觀，因為照片沒有標註，因此電腦必須自己嘗試把照片內的「特徵」取出來，同時自己進行「分類」，將來在做預測時只要尋找這個特徵(四隻腳、尖耳朵、長鬍子)就可以辨識是「哪類動物」了！這種方法不必人工分類，對人類來說最簡單，但是對電腦來說最辛苦，而且判斷誤差比較大。

半監督式學習(Semi-supervised learning)：少部分資料有標準答案，可提供機器學習輸出判斷誤差使用；大部分資料沒有標準答案，機器必須自己尋找答案，等於是結合監督式與非監督式學習的優點。例如：我們任意選出100張照片，其中10張標註哪些是貓哪些是狗，輸入電腦後讓電腦學習認識貓與狗的外觀，電腦只要把照片內的特徵取出來，再自己嘗試把另外90張照片內的特徵取出來，同時自己進行分類。這種方法只需要少量的人工分類，又可以讓預測時比較精準，是目前最常使用的一種方式。

人工智慧多層神經網路的神經元模型是一個包含輸入、輸出與計算功能的模型，其中輸入可以類比為人類神經元的樹突，而輸出可以類比為人 類神經元的軸突，而計算則可以類比為細胞核，請配合參看如圖6所示，該神經元模型包含有3個輸入、1個輸出以及2個計算功能，中間的箭頭線稱為“連線”。每個連線上有一個“權值”；進一步，若將神經元圖中的所有變數用符號表示，並且寫出輸出的計算公式，可得到看如圖7所示之方程式：z=g(a₁*w₁+a₂*w₂+a₃*w₃)，因此，能透過如圖8所示之人工智慧多層神經網路，對於所取得的資料進行運算及比對，其中在已知輸入a⁽¹⁾，引數W⁽¹⁾，W⁽²⁾，W⁽³⁾的情況下，輸出z的推導公式如下：g(W⁽¹⁾ * a⁽¹⁾)=a⁽²⁾；g(W⁽²⁾ * a⁽²⁾)=a⁽³⁾；g(W⁽³⁾ * a⁽³⁾)=z。

藉由內建於該比對模組40內的人工智慧多層神經網路，可依據所取得的數值計算出一預測的刀具磨耗數值。

比對步驟：將前述建立模式步驟所建立的預測刀具磨耗量，與預測步驟計算後所得的預測刀具磨耗數值進行比對，其中當預測刀具磨耗數值與該預測刀具磨耗量相符合時，透過該通知模組50通知該至少一工具機60的控制器，對於該刀具進行補償；而當預測刀具磨耗數值與該預測刀具磨耗量不相符合時，透過該通知模組50通知該至少一工具機60的控制器停止備份資料、紀錄檔案並發出警報，通知操作人員進行異常排除。

藉由上述的技術手段，本發明刀具磨耗預測方法，不須使用影像進行量測，且以設備電流負載虛擬計算分析實際刀具磨耗數值；進一步，本發明無須建立多個刀具模型，僅需單一刀具進行加工建模學習，且與工具機60的控制器進行參數比對，而無須在刀具檢測設備上回饋建模磨耗數值，其中利用人工智慧多層神經網路進行分析，取得刀具磨耗的相關係數，進而進行精確的數值比對與判斷，藉以提供一可準確檢測及相對應補償，且穩定生產線產品之品質的刀具磨耗預測方法之目的。

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。

Claims (3)

1. 一種刀具磨耗預測方法，其係包含有以下的操作步驟： 準備步驟：準備一檢測模組、一計算模組、一資料庫、一比對模組及一通知模組，該檢測模組設於至少一工具機上，藉以檢測該至少一工具機的刀具各軸相的電流負載情形，且各工具機設有一控制器，該計算模組與該檢測模組相連接，該資料庫與該計算模組相連接，該比對模組與該資料庫相連接，該通知模組與比對模組相連接，可將訊號傳送至該至少一工具機的控制器中； 建立模式步驟：將該檢測模組所取得的刀具各軸相的電流負載訊號，傳送至該計算模組進行運算，並將計算後的資料儲存於該資料庫中並建立一預測模式，藉以預測刀具的磨耗量； 預測步驟：將該至少一工具機的控制器所取得的參數以及前述建立模式步驟所取得的預測刀具磨耗量，傳送至該比對模組中進行比對，其中該比對組模內建有一人工智慧多層類神經網路，藉由內建於該比對模組內的人工智慧多層神經網路，可依據所取得的數值計算出一預測的刀具磨耗數值；以及 比對步驟：將前述建立模式步驟所建立的預測刀具磨耗量，與預測步驟計算後所得的預測刀具磨耗數值進行比對，當預測刀具磨耗數值與該預測刀具磨耗量相符合時，透過該通知模組通知該至少一工具機的控制器，對於該刀具進行補償；而當預測刀具磨耗數值與該預測刀具磨耗量不相符合時，透過該通知模組通知該至少一工具機的控制器停止備份資料、紀錄檔案並發出警報，通知操作人員進行異常排除。
2. 一種如請求項1所述之刀具磨耗預測方法，其中在該準備步驟中，且該資料庫可為一實體儲存裝置或一雲端儲存裝置。
3. 一種如請求項1或2所述之刀具磨耗預測方法，其中在建立模式步驟中，可進一步建立一建模模式。

Images