TWI716880B - 刀具磨損程度分類模型、訓練方法與評估方法、以及電腦程式產品 - Google Patents
刀具磨損程度分類模型、訓練方法與評估方法、以及電腦程式產品 Download PDFInfo
- Publication number
- TWI716880B TWI716880B TW108117695A TW108117695A TWI716880B TW I716880 B TWI716880 B TW I716880B TW 108117695 A TW108117695 A TW 108117695A TW 108117695 A TW108117695 A TW 108117695A TW I716880 B TWI716880 B TW I716880B
- Authority
- TW
- Taiwan
- Prior art keywords
- classification model
- vibration
- characteristic value
- load current
- tool wear
- Prior art date
Links
Images
Abstract
本案提出一種加工機之刀具磨損程度分類模型以及基於此分類模型的刀具磨損程度的評估方法。特別是,本案採用了監督式學習的機器學習方法,例如亂數隨機森林演算法,其具有相較於神經網路無需大量的計算資源與時間之優點,且可隨著實際使用過程中累積更多樣本,自動提升分類模型的準確度,進而得到更可靠的評估結果。
Description
本發明大體而言,係關於加工機之刀具磨損程度分類模型以及基於此分類模型的刀具磨損程度的評估方法。特別地,係關於使用機器學習的刀具磨損程度分類模型以及刀具磨損程度的評估方法。
加工機(例如Computer Numerical Control(CNC)加工機)在加工過程中其刀具不可避免會有磨損。當磨損程度嚴重時可能會導致工件的毀損或是加工機的故障,因此會需要對刀具的磨損程度有即時的掌握。
過往只能憑經驗或根據刀具切削時間來粗略估計刀具的磨損程度與判斷更換刀具的時間點,可想而知這種作法並不精確。傳統上固然可透過物理檢測手段(例如直接測量刀具的長度),但缺點在於需要耗費額外的檢測時間,也就增加產線停擺時間而導致降低生產力。
因此需要有物理檢測手段以外的方法,或是透過間接的方式來評估刀具的磨損程度。對此,可參考現有技術例如CN102091972A、CN107877262A、CN108527005A等。
相較於先前技術,本案一特點在於不會干擾工具機的運作,也就是不介入刀具切削加工,也因此不會導致產線停擺時間。本案所提出的解決方案是對工具機的刀具在加工時的運作狀態(例如震動或是主軸的負載電流)進行測量,以作為評估模型的訓練及準確度的驗證資料,但這些測量可以透過工具機本身所具有的感測器或是外部另外安裝的感測器來進行,而不需要變更工具機本身的基本構造,因此不會對工具機的運作以及刀具的加工作業有影響。
本案的另一特點在於,本案採用了監督式學習的機器學習方法,特別是亂數隨機森林(Random Forest)演算法。亂數隨機森林可用於迴歸和分類,而在本案中即使用亂數隨機森林對刀具的磨損程度進行分類。
亂數隨機森林是一種利用多個分類樹(決策樹)對資料進行判別與分類的方法,它在對資料進行分類的同時,還可以給出各個變數(基因)的重要性評分,評估各個變數在分類中所起的作用。
一方面,透過亂數隨機森林演算法所訓練出來的模型可以更細緻地評估出刀具磨損程度,而不是僅僅判斷刀具的狀態為正常或異常。另一方面,亂數隨機森林演算法具有相較於神經網路無需大量的計算資源與時間之優點,因此甚至可以透過小型的嵌入式系統(embedded system)來實施。相對地,神經網路往往需大型電腦或工作站等級的電腦才能運作,而大型電腦或工作站等級的電腦既耗能又需要乾淨的環境,因此大幅限制了可應用在一般工廠的機會。
此外,更重要的是,透過亂數隨機森林演算法,本案所提出的分類模型可隨著實際使用過程中累積更多樣本,自動學習而提升分類模型的準確度,進而得到更可靠的評估結果。因此對於初始分類模型所需的準確度的要求並不嚴格,也大幅減少了初始分類模型所需的訓練時間。這相較於神經網路相當具有優勢。
有鑑於此,本發明在一實施例中係提出一種加工機之刀具磨損程度分類模型的訓練方法,其中該方法包含:●設定刀具磨損的程度的數目N,其中該數目N大於1;●取樣一加工機加工一工件時該加工機一主軸之震動隨時間之變化,並將震動取樣結果歸一化而得到一震動特徵值;●取樣該加工機加工該工件時該主軸之負載電流隨時間之變化,並將負載電流取樣結果歸一化而得到一負載電流特徵值;●根據該加工機加工該工件後刀具磨損的狀況,指定該N個程度中其中之一,並將所指定的程度與該震動特徵值以及該負載電流特徵值予以關連;●以其他工件重複上述取樣與指定磨損程度之步驟複數次以得到刀具磨損之一樣本資料組,該樣本資料組中每一筆資料係由進行一次上述取樣與指定磨損程度之步驟而得;以及●根據該樣本資料組,利用亂數隨機森林(Random forest)分類演算法而一刀具磨損程度的分類模型進行訓練。
根據本發明另一實施例,提出一種加工機之刀具磨損程度的評估方法,其中該方法包含:●取樣一加工機加工一新工件時該加工機一主軸之震動隨時間之變化,並將震動取樣結果歸一化而得到一震動特徵;●取樣該加工機加工該新工件時該主軸之負載電流隨時間之變化,並將負載電流取樣結果歸一化而得到一負載電流特徵值;以及●採用前述方法所訓練得到之一分類模型,將該震動特徵值與該負載電流特徵值輸入該分類模型而輸出該N個程度其中之一作為評估結果。
此外,本發明還提出一種電腦程式產品,包含一電腦可讀程式,供於一資訊裝置上執行時,以執行如上述所述之方法。
本說明書中所提及的特色、優點、或類似表達方式並不表示,可以本發明實現的所有特色及優點應在本發明之任何單一的具體實施例內。而是應明白,有關特色及優點的表達方式是指結合具體實施例所述的特定特色、優點、或特性係包含在本發明的至少一具體實施例內。因此,本說明書中對於特色及優點、及類似表達方式的論述與相同具體實施例有關,但亦非必要。
參考以下說明及隨附申請專利範圍或利用如下文所提之本發明的實施方式,即可更加明瞭本發明的這些特色及優點。
100:加工機
102:主軸
104:刀具
200:工件
300:震動感測器
302:負載電流感測器
400:資訊裝置
250:步驟
252:步驟
254:步驟
256:步驟
258:步驟
350:步驟
352:步驟
354:步驟
356:步驟
358:步驟
為了立即瞭解本發明的優點,請參考如附圖所示的特定具體實施例,詳細說明上文簡短敘述的本發明。在瞭解這些圖示僅描繪本發明的典型具體實施例並因此不將其視為限制本發明範疇的情況下,參考附圖以額外的明確性及細節來說明本發明,圖式中:圖1係依據本發明具體實施例的系統架構。
圖2係依據本發明一實施例的方法流程圖。
圖3係依據本發明另一實施例的方法流程圖。
本說明書中「一具體實施例」或類似表達方式的引用是指結合該具體實施例所述的特定特色、結構、或特性係包括在本發明的至少一具體實施例中。因此,在本說明書中,「在一具體實施例中」及類似表達方式之用語的出現未必指相同的具體實施例。
熟此技藝者當知,本發明可實施為電腦系統/裝置、方法或作為電腦程式產品之電腦可讀媒體。因此,本發明可以實施為各種形式,例如完全的硬體實施例、完全的軟體實施例(包含韌體、常駐軟體、微程
式碼等),或者亦可實施為軟體與硬體的實施形式,在以下會被稱為「電路」、「模組」或「系統」。此外,本發明亦可以任何有形的媒體形式實施為電腦程式產品,其具有電腦可使用程式碼儲存於其上。
一個或更多個電腦可使用或可讀取媒體的組合都可以利用。舉例來說,電腦可使用或可讀取媒體可以是(但並不限於)電子的、磁的、光學的、電磁的、紅外線的或半導體的系統、裝置、設備或傳播媒體。更具體的電腦可讀取媒體實施例可以包括下列所示(非限定的例示):由一個或多個連接線所組成的電氣連接、可攜式的電腦磁片、硬碟機、隨機存取記憶體(RAM)、唯讀記憶體(ROM)、可抹除程式化唯讀記憶體(EPROM或快閃記憶體)、光纖、可攜式光碟片(CD-ROM)、光學儲存裝置、傳輸媒體(例如網際網路(Internet)或內部網路(intranet)之基礎連接)、或磁儲存裝置。需注意的是,電腦可使用或可讀取媒體更可以為紙張或任何可用於將程式列印於其上而使得該程式可以再度被電子化之適當媒體,例如藉由光學掃描該紙張或其他媒體,然後再編譯、解譯或其他合適的必要處理方式,然後可再度被儲存於電腦記憶體中。在本文中,電腦可使用或可讀取媒體可以是任何用於保持、儲存、傳送、傳播或傳輸程式碼的媒體,以供與其相連接的指令執行系統、裝置或設備來處理。電腦可使用媒體可包括其中儲存有電腦可使用程式碼的傳播資料訊號,不論是以基頻(baseband)或是部分載波的型態。電腦可使用程式碼之傳輸可以使用任何適體的媒體,包括(但並不限於)無線、有線、光纖纜線、射頻(RF)等。
用於執行本發明操作的電腦程式碼可以使用一種或多種程式語言的組合來撰寫,包括物件導向程式語言(例如Python、Java、Smalltalk、C++或其他類似者)以及傳統程序程式語言(例如C程式語言或其他類似的程式語言)。
於以下本發明的相關敘述會參照依據本發明具體實施例之系統、裝置、方法及電腦程式產品之流程圖及/或方塊圖來進行說明。當
可理解每一個流程圖及/或方塊圖中的每一個方塊,以及流程圖及/或方塊圖中方塊的任何組合,可以使用電腦程式指令來實施。這些電腦程式指令可供通用型電腦或特殊電腦的處理器或其他可程式化資料處理裝置所組成的機器來執行,而指令經由電腦或其他可程式化資料處理裝置處理以便實施流程圖及/或方塊圖中所說明之功能或操作。
這些電腦程式指令亦可被儲存在電腦可讀取媒體上,以便指示電腦或其他可程式化資料處理裝置來進行特定的功能,而這些儲存在電腦可讀取媒體上的指令構成一製成品,其內包括之指令可實施流程圖及/或方塊圖中所說明之功能或操作。
電腦程式指令亦可被載入到電腦上或其他可程式化資料處理裝置,以便於電腦或其他可程式化裝置上進行一系統操作步驟,而於該電腦或其他可程式化裝置上執行該指令時產生電腦實施程序以達成流程圖及/或方塊圖中所說明之功能或操作。
其次,請參照圖1至圖3,在圖式中顯示依據本發明各種實施例的裝置、方法及電腦程式產品可實施的架構、功能及操作之流程圖及方塊圖。因此,流程圖或方塊圖中的每個方塊可表示一模組、區段、或部分的程式碼,其包含一個或多個可執行指令,以實施指定的邏輯功能。另當注意者,某些其他的實施例中,方塊所述的功能可以不依圖中所示之順序進行。舉例來說,兩個圖示相連接的方塊事實上亦可以皆執行,或依所牽涉到的功能在某些情況下亦可以依圖示相反的順序執行。此外亦需注意者,每個方塊圖及/或流程圖的方塊,以及方塊圖及/或流程圖中方塊之組合,可藉由基於特殊目的硬體的系統來實施,或者藉由特殊目的硬體與電腦指令的組合,來執行特定的功能或操作。
<系統架構>
請先參照圖1,其顯示了本案相關的系統架構。如圖1所示,加工機100可例如是CNC加工機,其具有主軸102,而主軸102上設置有
刀具104,用以切削工件200。
主軸102可另外設置有震動感測器300以及負載電流感測器302。震動感測器300(例如三軸加速規)可以偵測刀具104在切削工件200時主軸102的震動狀況。較佳地,震動感測器300可以偵測主軸102在前後、左右、上下方向,即三個彼此垂直方向(X、Y、Z)上的震動狀況,但應知本發明並不欲局限於此。負載電流感測器302則是用來測量刀具104在切削工件200時主軸102的負載電流狀況。
震動感測器300與負載電流感測器302分別與資訊裝置400連結,而震動感測器300與負載電流感測器302所得到感測資料即可作為資訊裝置400的輸入。值得一提的是,震動感測器300與負載電流感測器302本身可即是數位感測器,或是可另外耦接類比/數位轉換器(未圖示)。
資訊裝置400可實施為一般的桌上型電腦或是筆記型電腦,也可以與震動感測器300與負載電流感測器302加以整合以嵌入式系統的方式實施,對此本發明並不欲加以限制。
資訊裝置400從震動感測器300與負載電流感測器302取得感測資料後即可作為輸入資料,以執行後續圖2與圖3所述的方法流程,更多的細節將描述於後。
<初始模型階段>
以下配合圖1之系統架構以及圖2的流程,對本案中初始分類模型的訓練加以說明。值得一提的是,圖2的流程時是為了訓練初始分類模型,因此圖1之系統架構的運作主要是為收集訓練與測試資料。換言之,圖2的流程可在資訊裝置400的開發廠商處進行,而不一定需要在加工機100實際的生產作業環境中執行。
步驟250:本案中的分類模型係針對刀具磨損程度進行分類,藉此讓使用者對刀具磨損的狀況有更細緻的掌握。首先設定刀具磨損程度的分類數目N,也就是級數。在一實施例中,可將刀具磨損程度設定L1至
L5共5級。但應知本發明並不欲局限於此。此部份可透過使用者根據實際需求進行設定。舉例來說,針對不同材質或不同造型的刀具可設定不同的刀具磨損程度的級數,例如3級或7級。
在設定分類數目N(例如5級)之後,後續步驟252至254則是啟動加工機100對多個工件200依次進行加工並同時收集訓練模型所需的資料,進一步詳述如下。
步驟252:當加工機100對單一個工件200進行加工時,資訊裝置400控制震動感測器300以取樣主軸102之在三個彼此垂直方向(X、Y、Z)上之震動(即偏離基準位置的距離)隨時間之變化。同時,資訊裝置400並控制負載電流感測器302取樣主軸102之負載電流隨時間之變化。在此實施例中,以取樣頻率為1kHz;換言之,加工工件200需時要60秒為例,三個方向(X、Y、Z)的震動加上負載電流共四個變數的取樣會產生超過10萬筆以上的取樣資料。為了避免資料量太大造成計算的負擔,資訊裝置400會將上述每一變數的取樣資料分別進行歸一化(normalization/feature scaling)處理以得到一個特徵值。換言之,在此步驟中,針對加工一個工件200,資訊裝置400會產生單一個X方向的震動特徵值、單一個Y方向的震動特徵值、單一個Z方向的震動特徵值、以及單一個負載電流的特徵值。
步驟254:當一個工件200加工結束後,根據刀具104磨損的狀況,來指定對應的磨損程度,例如L1至L5其中之一,並與步驟252所得四個變數的特徵值加以關連以成為一筆訓練樣本資料。
在另一實施例中,若是對刀具104的使用歷史有完整的資料,可直接用刀具104切削工件的次數定義為其磨損的狀況。舉例來說,切削1-60次,定義為L1階級;切削61-120次,定義為L2階級;切削121-180次,定義為L3階級;切削181-240次;切削241次以上,定義為L5階級。在另一實施例中,若是為了要更精準,亦可透過物理檢測的方式進行,例如使用高倍率攝影裝置來觀察每一次加工完刀具的狀態,且若圖2的流程
是在資訊裝置400的開發廠商處進行而不是在實際產線上時,此步驟254中對刀具104的檢測可盡量仔細以充分掌握實際磨損的狀況,而無需考慮會對產線的影響。
以其他工件200(例如50個),重複步驟252至254以得到含有50筆資料的樣本資料組,如下表1之一實施例所示。值得一提的是,當每次重複步驟252至254時所使用的工件200彼此可為相同型態或不同型態,但可理解的是,若重複步驟252至254時皆使用相同型態的工件200,所訓練出來的模型在後續評估刀具104加工相同型態的同款工件200時或有較高的準確率,但若後續用來評估刀具104加工其他不同型態或是有顯著差異的工件200時模型準確率可能會下降,而可透過後續步驟258的驗證確保有可接受的準確度。
步驟256:接著根據前述步驟所得到樣本資料組,利用亂數隨機森林(Random forest)分類演算法而對刀具磨損程度的分類模型進行訓練。在一實施例中,scikit-learn是機器學習中一個常用程式語言Python第三方模組,封裝了一些常用的機器學習方法。支持包括分類、回歸、降維和聚類四大機器學習算法。包含了特徵提取、數據處理和模型評估三大模塊。當使用scikit-learn中的randomforestclassifier()函式來進行在使用亂數隨機森林(Random forest)分類演算法時,一簡單的範例顯示如下:
scikit-learn的randomforestclassifier()函式有許多參數可供使用者根據實際所需進行設定,例如n_estimators,其代表樹的數量,它是一個可自由設定的參數。通常使用幾十到幾百棵樹,這取決於訓練樣本集的大小和性質。當這些樹訓練到一定程度之後,訓練集(Train Data)和測試集(Test Data)的誤差開始趨於平穩。然而過度設定太多棵樹時,則會陷入過擬和(overfitting)問題,過擬和將會使模型的誤差變得更大,導致分類準確度下降。
在本發明一實施例中,可將n_estimators設定為40。randomforestclassifier()函式其他參數可參考https://scikit-learn.org網站上關於randomforestclassifier()函式的介紹,在此不予贅述。
另外值得一提的是,固然可以將如表1所示的樣本資料組中全部50筆樣本資料都用來作為初始分類模型的訓練,但在一較佳實施例中,僅使用其中過半數或70%或75%的多筆資料用來作為初始分類模型的訓練,例如37筆,且此37筆樣本資料乃是經由隨機選取的方式決定,如下表2所示。其餘的13筆資料則可用來測試初始分類模型的準確度,如下表3所示。
步驟258:如上所述,表3所示的資料組用來測試初始分類模型(由表2所示的資料組所訓練而得)的準確度,得到準確度(Accuracy)例如為0.769。一般來說,準確度大於0.75,即表示此初始分類模型可以被接受作為實際使用。使用scikit-learn的程式碼範例如下所示,其中X_train代表表3中的[震動(x),震動(y),震動(z),電流(A)],y_train代表表3中的磨損程度,並保存基礎模型檔案forest_4in_CP_Data。
<評估階段與自我學習>
以下配合圖1之系統架構以及圖3的流程,對本案中刀具磨損程度的評估方法加以說明。而在圖3的實施例中,相較於圖2,乃是針對已經進入產線作業的加工機100其刀具104的磨損程度進行評估,以及針對資訊裝置400在離開開發廠商環境後的自我學習。
步驟350:當加工機100在實際產線上對一工件200進行加工時,資訊裝置400控制震動感測器300以取樣主軸102之在三個彼此垂直方向(X、Y、Z)上之震動(即偏離基準位置的距離)隨時間之變化。同時,
資訊裝置400並控制負載電流感測器302取樣主軸102之負載電流隨時間之變化。資訊裝置400會將每一變數的取樣資料分別進行歸一化處理以得到一個特徵值。換言之,資訊裝置400會產生單一個X方向的震動特徵值、單一個Y方向的震動特徵值、單一個Z方向的震動特徵值、以及單一個負載電流的特徵值。此部份可參考上述步驟252。但可注意的是,在步驟252與步驟350中的工件可為相同型態或不同型態,特別是若圖2中重複步驟252至254時所使用的工件200彼此為不同型態且仍有保有可接受的準確度時,則在步驟350中的工件一般也可使用不同型態的工件。
步驟352:將步驟350中資訊裝置400所產生單一個X方向的震動特徵值(xreal)、單一個Y方向的震動特徵值(yreal)、單一個Z方向的震動特徵值(zreal)、以及單一個負載電流的特徵值(ireal)作為輸入,並以圖2所訓練的初始分類模型進行分類(L1至L5其中之一),而作為刀具磨損程度的評估結果。此部份相關的程式碼如下所示。
值得一提的是,資訊裝置400的開發廠商可以圖2所述的方式搭配不同類型的刀具104或是不同類型的工件200來訓練出多個初始分類模型,因此使用者可進一步指定此步驟352所要選用的初始分類模型。
步驟354:將步驟352的評估結果與步驟350的震動特徵值以及負載電流特徵值予以關連,作為一筆新資料加入先前如表1所示的樣本資料組,以產生一更新樣本資料組。而如表4所示,即為當加工機100在實際產線上對100個工件200進行加工而進行100次步驟350與352所得100筆新資料(編號50至149),並加入先前如表1所示的樣本資料組(編
號0至49)的結果。換言之,表4所示之更新樣本資料組含有150筆樣本資料。另外可注意的是,在步驟350至352與前述圖2中步驟252至254中的工件為相同型態或不同型態,而每次重複步驟350至352時所使用的工件200彼此亦為相同型態或不同型態。當使用不同型態的工件200時,可透過後續步驟358的驗證確保有可接受的準確度。
且同樣地,固然可以將如表4所示的樣本資料組中全部150筆樣本資料都用來作為步驟356中分類模型的重新訓練,但在一較佳實施例中,僅使用其中過半數或70%或75%的多筆資料用來作為分類模型的重新訓練,例如112筆,且此112筆樣本資料乃是經由隨機選取的方式決定,如下表5所示。其餘的38筆資料則可用來測試經過重新訓練的分類模型(即更新分類模型)的準確度,如下表6所示。
步驟358:如上所述,表6所示的資料組用來測試步驟356中更新分類模型(由表6所示的資料組所訓練而得)的準確度,得到準確度(Accuracy)例如為0.789,優於圖2中步驟258所述初始分類模型的準確度0.769。使用scikit-learn的程式碼範例如下所示。
由上可知,當下一次再對另一工件200加工而進行圖3的流程,即可在步驟352使用更新的分類模型來評估刀具磨損程度,但使用者仍然可以選擇使用初始的分類模型,或挑選使用不同的訓練資料所訓練的分類模型。此外,隨著加工機100在實際產線上對各式各樣的工件200進行加工,使用者可根據需求來挑選相關或特定的樣本資料(例如只挑選工件200的材質是不鏽鋼的樣本或是只挑選刀具104是平銑刀)來重新訓練出更多特定的分類模型,並儲存供後續挑選使用。
在不脫離本發明精神或必要特性的情況下,可以其他特定形式來體現本發明。應將所述具體實施例各方面僅視為解說性而非限制性。因此,本發明的範疇如隨附申請專利範圍所示而非如前述說明所示。所有落在申請專利範圍之等效意義及範圍內的變更應視為落在申請專利範圍的範疇內。
350:步驟
352:步驟
354:步驟
356:步驟
358:步驟
Claims (9)
- 一種加工機之刀具磨損程度分類模型的訓練方法,其中該方法包含:(a)設定刀具磨損的程度的數目N,其中該數目N大於1;(b)取樣一加工機加工一工件時該加工機一主軸之震動隨時間之變化,並將震動取樣結果歸一化而得到一震動特徵值;(c)取樣該加工機加工該工件時該主軸之負載電流隨時間之變化,並將負載電流取樣結果歸一化而得到一負載電流特徵值;(d)根據該加工機加工該工件後刀具磨損的狀況,指定該N個程度中其中之一,並將所指定的程度與該震動特徵值以及該負載電流特徵值予以關連;(e)以其他工件重複步驟b)至d)複數次以得到刀具磨損之一樣本資料組,該樣本資料組中每一筆資料係由進行一次步驟b)至)d)而得;以及(f)根據該樣本資料組,利用亂數隨機森林(Random forest)分類演算法而對一刀具磨損程度的分類模型進行訓練。
- 如請求項1所述的方法,其中步驟(b)更包含:取樣三個互相垂直方向上該震動隨時間之變化,並將該三個互相垂直方向上的震動取樣結果分別歸一化而得到三個震動特徵值;其中步驟(d)包含:將所指定的程度與該三個震動特徵值以及該負載電流特徵值予以關連。
- 如請求項1所述的方法,其中步驟(f)更包含:隨機選取該樣本資料組超過半數的P筆資料; 僅根據該P筆資料利用亂數隨機森林(Random forest)分類演算法而對該分類模型進行訓練。
- 如請求項3所述的方法,其中步驟(f)更包含:以該樣本資料組中該P筆資料以外的Q筆資料計算該分類模型的準確度,以驗證該分類模型的可使用性。
- 一種加工機之刀具磨損程度的評估方法,其中該方法包含:(s)取樣一加工機加工一新工件時該加工機一主軸之震動隨時間之變化,並將震動取樣結果歸一化而得到一震動特徵值;(t)取樣該加工機加工該新工件時該主軸之負載電流隨時間之變化,並將負載電流取樣結果歸一化而得到一負載電流特徵值;以及(u)採用以請求項1之方法所訓練得到之一分類模型,將該震動特徵值與該負載電流特徵值輸入該分類模型而輸出該N個程度其中之一作為評估結果。
- 如請求項5所述的方法,更包含:(v)將該評估結果與該震動特徵值以及該負載電流特徵值予以關連,作為一筆新資料加入該樣本資料組,以產生一更新樣本資料組;(w)根據該更新的樣本資料組,利用亂數隨機森林(Random forest)分類演算法而對一更新分類模型進行訓練。
- 如請求項6所述的方法,更包含:以其他新工件與該更新分類模型重複步驟(s)至(u)。
- 如請求項6所述的方法,更包含: 根據使用者的選擇,從該分類模型與該更新分類模型之中選擇其一;以其他新工件與使用者所選的該分類模型與該更新分類模型其中之一重複步驟(s)至(u)。
- 一種儲存在一電腦可用媒體上之電腦程式產品,包含一電腦可讀程式,供於一資訊裝置上執行時,以執行如請求項5至8中任一項所述之方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108117695A TWI716880B (zh) | 2019-05-22 | 2019-05-22 | 刀具磨損程度分類模型、訓練方法與評估方法、以及電腦程式產品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108117695A TWI716880B (zh) | 2019-05-22 | 2019-05-22 | 刀具磨損程度分類模型、訓練方法與評估方法、以及電腦程式產品 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202042959A TW202042959A (zh) | 2020-12-01 |
TWI716880B true TWI716880B (zh) | 2021-01-21 |
Family
ID=74668427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108117695A TWI716880B (zh) | 2019-05-22 | 2019-05-22 | 刀具磨損程度分類模型、訓練方法與評估方法、以及電腦程式產品 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI716880B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1347787A (zh) * | 2001-11-08 | 2002-05-08 | 财团法人工业技术研究院 | 旋转主轴刀具轴向偏摆的内部主动补偿方法及装置 |
TWI422460B (zh) * | 2010-12-28 | 2014-01-11 | Nat Univ Chung Hsing | Tool nose detection method for cutting machine tool |
CN103781576A (zh) * | 2011-11-10 | 2014-05-07 | 西铁城精机宫野股份有限公司 | 工作机械 |
TW201713456A (zh) * | 2015-10-01 | 2017-04-16 | 顏均泰 | 製造效率最佳化平台及刀具狀態監測及預測方法 |
CN107707601A (zh) * | 2017-06-02 | 2018-02-16 | 语祯物联科技(上海)有限公司 | 一种实时监控连接设备的方法及装置 |
TWI640390B (zh) * | 2017-03-24 | 2018-11-11 | 國立成功大學 | 刀具磨耗監測與預測方法 |
TWI650625B (zh) * | 2017-11-16 | 2019-02-11 | 財團法人工業技術研究院 | 刀具磨耗檢測裝置、其檢測方法及刀具磨耗補償方法 |
-
2019
- 2019-05-22 TW TW108117695A patent/TWI716880B/zh not_active IP Right Cessation
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1347787A (zh) * | 2001-11-08 | 2002-05-08 | 财团法人工业技术研究院 | 旋转主轴刀具轴向偏摆的内部主动补偿方法及装置 |
TWI422460B (zh) * | 2010-12-28 | 2014-01-11 | Nat Univ Chung Hsing | Tool nose detection method for cutting machine tool |
CN103781576A (zh) * | 2011-11-10 | 2014-05-07 | 西铁城精机宫野股份有限公司 | 工作机械 |
TW201713456A (zh) * | 2015-10-01 | 2017-04-16 | 顏均泰 | 製造效率最佳化平台及刀具狀態監測及預測方法 |
TWI640390B (zh) * | 2017-03-24 | 2018-11-11 | 國立成功大學 | 刀具磨耗監測與預測方法 |
CN107707601A (zh) * | 2017-06-02 | 2018-02-16 | 语祯物联科技(上海)有限公司 | 一种实时监控连接设备的方法及装置 |
TWI650625B (zh) * | 2017-11-16 | 2019-02-11 | 財團法人工業技術研究院 | 刀具磨耗檢測裝置、其檢測方法及刀具磨耗補償方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202042959A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10121107B2 (en) | Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device | |
US11267059B2 (en) | Control device of wire electric discharge machine and machine learning device | |
JP6453805B2 (ja) | 製品の異常に関連する変数の判定値を設定する生産システム | |
US10664754B2 (en) | Information processing apparatus | |
JP2018156151A (ja) | 異常検知装置及び機械学習装置 | |
US20200116522A1 (en) | Anomaly detection apparatus and anomaly detection method | |
JP2017030067A (ja) | 加工時間測定機能とオンマシン測定機能を有する制御装置付き加工装置 | |
JP6659652B2 (ja) | 加工条件調整装置及び機械学習装置 | |
Xu et al. | CNC internal data based incremental cost-sensitive support vector machine method for tool breakage monitoring in end milling | |
Guh | Robustness of the neural network based control chart pattern recognition system to non‐normality | |
CN108242266A (zh) | 辅助诊断装置和方法 | |
CN113420061B (zh) | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 | |
US20210406727A1 (en) | Managing defects in a model training pipeline using synthetic data sets associated with defect types | |
CN110561191A (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
US20200394092A1 (en) | Diagnostic apparatus | |
CN113544604A (zh) | 流水线的装配误差校正 | |
TW201717057A (zh) | 製程異因分析方法與製程異因分析系統 | |
CN116089870A (zh) | 基于元学习的小样本条件下工业设备故障预测方法及装置 | |
CN111814728A (zh) | 数控机床刀具磨损状态识别方法和存储介质 | |
JP6855826B2 (ja) | 判定装置、判定方法および判定プログラム | |
TWI716880B (zh) | 刀具磨損程度分類模型、訓練方法與評估方法、以及電腦程式產品 | |
TWI708128B (zh) | 製程參數的調控方法與電子裝置 | |
JP7251955B2 (ja) | 検出装置及び機械学習方法 | |
TW202013104A (zh) | 資料處理、資料處理裝置以及電腦可讀取記錄媒體 | |
CN113618267B (zh) | 机器人自动焊接控制方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |