TWI813372B - 複材刀具切削監控系統及其監控方法 - Google Patents
複材刀具切削監控系統及其監控方法 Download PDFInfo
- Publication number
- TWI813372B TWI813372B TW111126086A TW111126086A TWI813372B TW I813372 B TWI813372 B TW I813372B TW 111126086 A TW111126086 A TW 111126086A TW 111126086 A TW111126086 A TW 111126086A TW I813372 B TWI813372 B TW I813372B
- Authority
- TW
- Taiwan
- Prior art keywords
- tool
- cutting
- wear
- tool wear
- data
- Prior art date
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 129
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 239000002131 composite material Substances 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims description 17
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 11
- 238000003754 machining Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013021 overheating Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003746 surface roughness Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0957—Detection of tool breakage
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
- B23Q15/007—Automatic control or regulation of feed movement, cutting velocity or position of tool or work while the tool acts upon the workpiece
- B23Q15/16—Compensation for wear of the tool
-
- 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
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37252—Life of tool, service life, decay, wear estimation
-
- 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
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37256—Wear, tool wear
-
- 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
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37258—Calculate wear from workpiece and tool material, machining operations
-
- 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
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37336—Cutting, machining time
-
- 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
- G05B2219/30—Nc systems
- G05B2219/50—Machine tool, machine tool null till machine tool work handling
- G05B2219/50185—Monitoring, detect failures, control of efficiency of machine, tool life
Abstract
一種複材刀具切削監控系統，用於一機台，該切削監控系統包括一資料擷取模組、一資料庫以及一切削控制模組。該資料擷取模組用以擷取該機台的馬達電流資料及一刀具磨耗資料，該馬達電流資料做為一刀具磨耗狀態預測模型之訓練資料，以進行深度學習及預測。資料庫用以建立一刀具磨耗資料庫，以供比對一刀具磨耗狀態。該刀具磨耗狀態預測模型輸出一刀具磨耗狀態預測資料至切削控制模組。該切削控制模組根據刀具磨耗狀態預測資料判斷刀具磨耗狀態是否正常。
Description
本發明是有關於一種複材刀具，且特別是有關於一種複材刀具切削監控系統及其監控方法。
以複合材料刀具進行切削時，由於複材刀具的溫度容易快速增加而造成切削過熱，所以針對刀具切削狀態之監控，以維持穩定刀具狀態，是達成高效率與自動化切削的必要手段。然而，高效率切削不只是一味增加轉速，而是要根據刀具狀態(如嚴重磨損或正常磨損)進行參數修正，以避免刀具壽命減少而影響到機台的運行。目前針對刀具壽命的研究多著墨在複材刀具的材料研發、刀具幾何形狀的改良、刀具切削力的改良等，並無針對複材刀具的加工優化與切削監控進行改良。
本發明係有關於一種複材刀具切削監控系統及其監控方法，可利用機器學習，對刀具狀態與馬達電流的關係進行預測，訓練後的預測模型可提供最佳化參數，以供切削控制模組對刀具磨耗狀態進行優化，以達成智慧切削監控之目的。
根據本發明之一方面，提出一種複材刀具切削監控系統，用於一機台，該切削監控系統包括一資料擷取模組、一資料庫以及一切削控制模組。該資料擷取模組用以擷取該機台的馬達電流資料及一刀具磨耗資料，該馬達電流資料做為一刀具磨耗狀態預測模型之訓練資料，以進行深度學習及預測。資料庫用以建立一刀具磨耗資料庫，以供比對一刀具磨耗狀態。該刀具磨耗狀態預測模型輸出一刀具磨耗狀態預測資料至切削控制模組。該切削控制模組根據刀具磨耗狀態預測資料判斷刀具磨耗狀態是否正常。
根據本發明之一方面，提出一種複材刀具切削監控方法，用於一機台。該切削監控方法包括下列步驟。擷取該機台的馬達電流資料及量測一刀具磨耗資料。以該馬達電流資料做為一刀具磨耗狀態預測模型之訓練資料，進行深度學習及預測。建立一刀具磨耗資料庫，以供比對一刀具磨耗狀態。輸出由該刀具磨耗狀態預測模型產生的一刀具磨耗狀態預測資料至一切削控制模組。該切削控制模組根據該刀具磨耗狀態預測資料判斷該刀具磨耗狀態是否正常。
為了對本發明之上述及其他方面有更佳的瞭解，下文特舉實施例，並配合所附圖式詳細說明如下：
100:智慧加工系統
102:機台
104:控制器
105:馬達電流資料
106:感測器
107:刀具磨耗資料
108:加工參數
109:刀具狀態資料
110:切削監控系統
112:資料擷取模組
114:資料庫
116:刀具磨耗狀態預測模型
118:切削控制模組
第1圖繪示應用本發明一實施例的複材刀具切削監控的智慧
加工系統的示意圖；第2圖為刀具狀態資料；第3A圖、第3B圖分別為刀具磨耗資料庫的實驗數據；第4圖為刀具磨耗狀態；第5圖為用於變異數分析的不同刀具狀態資料的實驗數據；第6圖為刀具磨耗與切削長度的關係圖；第7圖為加工參數優化管理平台；第8圖繪示依照本發明一實施例的複材刀具切削監控方法的流程圖；第9A及9B圖為預測模組訓練圖；第9C及9D圖為預測模組訓練圖；及第10圖為刀具磨耗之機器深度學習模型。
下面將結合本申請實施例中的附圖，對本申請實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本申請一部分實施例，而不是全部的實施例。以下是以相同/類似的符號表示相同/類似的元件做說明。
請參照第1圖，第1圖繪示應用本發明一實施例的複材刀具切削監控的智慧加工系統100的示意圖。
智慧加工系統100包括一機台102、一控制器104、複數個感測器106以及一切削監控系統110。機台102例如為車床、CNC工具機、機械手臂等工業自動化設備，其具有一主軸馬
達以及一複材刀具，主軸馬達用以帶動刀具旋轉、刀具進給或刀具切削等，主軸馬達的電流可由控制器104或外部電源提供，並且主軸馬達的電流、轉速、進給量等馬達加工參數可透過感測器106偵測而得知。此外，控制器104可透過電腦數值控制精確控制主軸馬達的轉速及進給量，再透過主軸馬軸精確控制刀具旋轉、刀具進給或刀具切削等，以達到精密控制的目的。另外，控制器104可設定主軸馬達/刀具的轉速、進給量等加工參數108，以做為後續加工參數108調整之參考。
在本實施例中，為了達到高效率與自動化切削的目的，可透過複材刀具切削監控系統110，對刀具切削狀態進行監控，以維持穩定刀具狀態。如第1圖所示，複材刀具切削監控系統110包括一資料擷取模組112、一資料庫114、一刀具磨耗狀態預測模型116以及一切削控制模組118。資料擷取模組112用以擷取該機台102的馬達電流資料105及量測一刀具磨耗資料107。例如，資料擷取模組112可透過OPC UA(OPC統一架構)通訊協定來交換機台102內或機器間的資料，以收集到例如馬達電流資料105、刀具磨耗資料107及刀具狀態資料109等資訊。OPC統一架構是一種開放平台通訊協定，可支援多線程，不限制作業系統或是程式語言，因此適合用在工業自動化設備中進行資訊整合。
在一實施例中，量測刀具磨耗資料107例如使用高倍率之光學顯微鏡觀察材料金相組織與刀具磨耗狀態，以計算刀具表面粗糙度。不同的刀具具有不同的加工條件及磨耗，例如：
刀具種類可分為直刀、螺旋刀等，刀具加工條件可包括刀具切速、刀具進給速度及刀具切深等參數，刀具磨耗狀態可分為初期磨耗、正常磨耗及急遽磨耗等。一般而言，刀具由開始切削(初期磨耗)達到預定切削時間稱為刀具壽命，刀具壽命一般採用刀具磨損量在正常磨耗範圍內進行量化，若超出正常磨耗範圍則屬於急遽磨耗，也可以把某一現象的出現作為判斷急遽磨耗的依據，如振動激化、加工表面粗糙度惡化，斷屑不良和崩刃等。當刀具達到刀具壽命後，刀具的刀頭部位變鈍而不斷地受到很大的作用力、高溫和激烈的摩擦作用而磨損，等磨損到某一程度時刀具無法再勝任原有的切削品質，就無法再使用。因此，刀具使用時應盡量避免進入急遽磨耗階段。
一般而言，以複合材料刀具進行切削時，由於複材刀具的溫度容易快速增加而造成切削過熱，所以針對刀具切削狀態之監控需加強，以維持刀具狀態在正常磨耗範圍內，若刀具進入急遽磨耗階段時，需透過改變刀具加工條件(可包括刀具切速、刀具進給速度及刀具切深等參數)來減少刀具磨耗，以延長刀具壽命。
此外，刀具切速增加，可使工件加工時間縮短，且加工面精度較佳，但刀具的磨耗速率卻會增加，亦即刀具壽命會縮短，刀具切速與刀具壽命的關係大致上為定值。也就是說，刀具切速越快，刀具壽命越短；反之，刀具切速越慢，刀具壽命越長。因此，本系統110的切削控制模組118可藉由降低刀具切速來增加刀具壽命，但亦可藉由改變刀具進給速度或刀具切深等參
數來增加刀具壽命。
雖然提高刀具切速可優化複材刀具的表面粗糙度，並使得工件加工品質提升，然而一味增加刀具切速，反而造成刀具壽命縮短。再者，不良刀具狀態易造成切削過熱，同時刀具狀態不佳時(如進入急驟磨耗)卻未能即時進行加工參數108修正，反而造成刀具壽命減少。因此，在本實施例中，本切削監控系統110可透過對刀具磨耗狀態與馬達電流的關係進行機械學習及預測，且訓練後的預測模型116可提供最佳化參數，以供切削控制模組118對刀具磨耗狀態進行優化，進而提升刀具壽命。
請參照第2圖至第4圖，其中第2圖為刀具狀態資料109，第3A圖、第3B圖為刀具磨耗資料107庫的實驗數據，第4圖為刀具磨耗狀態。有關參數優化的流程如下。首先，步驟1為取得刀具狀態資料109(如第2圖所示包括刀具種類、刀具加工條件等資料)。接著，步驟2為進行刀具磨耗資料107庫(可由第3A圖及第3B圖的實驗數據建立)比對，找出優化後的參數。之後，步驟3為切削控制模組118與機台102連線，並將優化後的參數傳輸至機台102的控制器104，以進行加工參數108修正。
在步驟2中，參數優化例如是透過變異數分析(Analysis of variance)從資料庫114中找出一適合修正刀具磨耗的加工參數108(例如刀具切速、刀具進給速度及刀具切深等參數)。變異數分析例如以貢獻度指標代表該控制因子的變異佔總變異的比例，貢獻度指標可以作為一個控制因子的變異所帶來的
影響力。例如，刀具切速對刀具磨耗的影響大於其他控制因子對刀具磨耗的影響時，則刀具切速的貢獻度指標大於其他控制因子的貢獻度指標。
貢獻度指標例如是依靠F-分布為機率分布的依據，利用實驗數據的平方和(Sum of square)與自由度(Degree of freedom)所計算的組間與組內均方(Mean of square)估計出F值，F值的分母代表直接由原實驗數據所估計的變異數，而分子代表經由「樣本平均值」所估計的原實驗數據的變異數。F值的分母與分子分別是兩種不同的方法來評估同一個樣本空間的變異數。當F值很大時，表示此控制因子是有影響力的參數。因此，可將F值做為參數優化的貢獻度指標。
請參照第5及6圖，其中第5圖為用於變異數分析的不同刀具狀態資料109的實驗數據，第6圖為刀具磨耗與切削長度的關係圖。由第6圖可知，當刀具切速由120m/min降至93.75m/min，在相同的進給率(例如0.4或0.52mm/rev)的條件下，切削長度增加或刀具磨耗減少，在此加工條件下，刀具切速的變異對刀具磨耗的影響大於其他控制因子的變異對刀具磨耗的影響，即刀具切速對刀具磨耗的的貢獻度大。另外，在測試1及測試2中，當刀具切速保持固定(例如120m/min)，刀具進給率由0.4mm/rev增加至0.52mm/rev，在此加工條件下，刀具磨耗會隨著切削長度增加而增加；或者，在測試3及測試4中，當刀具切速保持固定(例如93.75m/min)，刀具進給率由
0.4mm/rev增加至0.52mm/rev，在此加工條件下，刀具磨耗會隨著切削長度增加而增加，但相對於測試1及測試2，刀具進給率的變異對刀具磨耗的影響有限(不明顯)，即刀具進給率對刀具磨耗的的貢獻度小。
請參照第7圖的加工參數108優化管理平台，其中切削控制模組118與機台102連線，並將優化後的刀具切削參數傳輸至控制器104，以進行加工參數108修正。控制器104得到優化後的刀具切削參數後可對目前機台102的加工參數108進行調整，包括主軸轉速、進給速度、刀具種類、刀具加工條件等，其詳細內容請參照第7圖，在此不一一贅述。加工參數108優化管理平台可進行遠端操控，優化後的加工參數108可在此管理平台上進行輸入作業。
請參照第8圖，第8圖繪示依照本發明一實施例的複材刀具切削監控方法的流程圖。在本實施例中，以第1圖的複材刀具切削監控系統110進行下列的切削監控方法，其步驟如下。在步驟S110中，擷取機台102的馬達電流資料105及量測一刀具磨耗資料107。在步驟S120中，以馬達電流資料105及刀具磨耗資料107做為一刀具磨耗狀態預測模型116之訓練資料，進行深度學習及預測。訓練好的預測模型116可儲存在應用軟體中，以供機台102使用。在步驟S130中，輸出由刀具磨耗狀態預測模型116產生的一刀具磨耗狀態預測資料至一切削控制模組118，刀具磨耗狀態可分為初期磨耗、正常磨耗及急遽磨耗等。在步驟
S140中，切削控制模組118判斷刀具磨耗狀態是否正常(例如判斷是否需優化加工參數108)。當刀具磨耗狀態在正常磨耗範圍內，則進入步驟S150，切削控制模組118控制機台102，以目前的刀具切削參數進行加工(不需優化)。當刀具磨耗狀態在急遽磨耗範圍內，則進入步驟S160，切削控制模組118優化目前機台102的刀具切削參數，並傳輸優化後的刀具切削參數至機台102的控制器104。
刀具磨耗狀態預測模型116例如是長短時記憶網絡(Long Short Term Memory Network,LSTM)預測模型，在本系統110中利用所擷取的馬達電流資料105，進行機器學習與刀具磨耗狀態之預測，由於馬達電流資料105具有時序性與連續性，而遞歸神經網路(Recurrent Neural Network,RNN)是專門解決時間序列問題的演算法且具有時間記憶功能，因此本系統110可利用LSTM預測模型做為遞歸神經網路，為每個輸入資料和輸出資料間的關聯(connection)進行架構。輸入資料例如是馬達電流資料105及刀具磨耗資料107，輸出資料例如是刀具磨耗狀態。本系統例如以馬達電流資料105的均方根平均值(RMS)作為訓練資料輸入至LSTM預測模型116中，以提高預測準確度。
另外，請參照第9A及9B圖之預測模組訓練圖，其中第9A圖及第9B圖為所擷取的馬達電流資料105進行資料標準化時，可大幅提升LSTM模型的訓練與預測效果，以提高預測精準度，反之，當所擷取的馬達電流資料105未進行資料標準化時，
LSTM模型的訓練與預測效果不佳，因而無法提高預測精準度。在圖中，LSTM train線用以訓練準確度，LSTM valid線為驗證準確度訓練完成後使用驗證用的資料進行準確度驗證。驗證準確度需接近訓練準確度才代表是良好的訓練過程。
此外，為了解決LSTM模型中過擬合的問題，本系統在遞歸神經網路中加入dropout參數。dropout的意思是：每次訓練時隨機忽略一部分神經元，即神經元在正向傳播時對下游的啟動影響被忽略，反向傳播時也不會更新權重，每個神經元的鄰居會依賴鄰居的行為組成的特徵，如果過度依賴，就會造成過擬合。如果每次隨機拿走一部分神經元，那麼剩下的神經元就需要補上消失神經元的功能，整個網路變成很多獨立網路(對同一問題的不同解決方法)的合集。Dropout的效果是，網路對某個神經元的權重變化更不敏感，增加泛化能力，減少過擬合。
請參照第9C及9D圖之預測模組訓練圖，其中第9C圖及第9D圖為LSTM模型加入Dropout參數後防止過擬合，可提升LSTM模型的訓練與預測效果，以提高預測精準度。在圖中，LSTM_Dropout train線用以訓練準確度，LSTM_Dropout valid線為驗證準確度訓練完成後使用驗證用的資料進行準確度驗證。驗證準確度需接近訓練準確度才代表是良好的訓練過程。
在進行預測模組訓練時，可將馬達不同時間點的電流資料輸入到預測模型116中，每一組馬達電流資料105為一組時間序列資料，例如共有24組或更多組馬達電流資料105做為訓
練資料，經過機器深度學習之後，可得到對應的刀具磨耗狀態(等級)，刀具磨耗狀態例如初期磨耗(等級0)、正常磨耗(等級1)及急遽磨耗(等級2)等。請參照第10圖之機器深度學習模型，其中輸入資料為馬達電流資料105，第一層訓練模型的例如是LSTM，第二層訓練模型例如是dropout模型，第三層訓練模型例如是LSTM，最後輸出的層級例如為刀具磨耗狀態(等級)。
根據上述實施例所述的複材刀具切削監控系統及其監控方法，本系統可利用機器學習，對刀具狀態與馬達電流的關係進行預測，訓練後的預測模型可提供最佳化參數，以供切削控制模組對刀具磨耗狀態進行優化，以達成智慧切削監控之目的。
綜上所述，雖然本發明已以實施例揭露如上，然其並非用以限定本發明。本發明所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾。因此，本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100:智慧加工系統
102:機台
104:控制器
105:馬達電流資料
106:感測器
107:刀具磨耗資料
108:加工參數
109:刀具狀態資料
110:切削監控系統
112:資料擷取模組
114:資料庫
116:刀具磨耗狀態預測模型
118:切削控制模組
Claims (6)
- 一種複材刀具切削監控系統，用於一機台，該切削監控系統包括：一資料擷取模組，用以擷取該機台的一馬達電流資料及一刀具磨耗資料，其中該馬達電流資料做為一刀具磨耗狀態預測模型之訓練資料，以進行深度學習及預測；一資料庫，用以建立一刀具磨耗資料庫，以供比對一刀具磨耗狀態；以及一切削控制模組，其中該刀具磨耗狀態預測模型輸出一刀具磨耗狀態預測資料至該切削控制模組，該切削控制模組根據該刀具磨耗狀態預測資料判斷該刀具磨耗狀態是否正常，其中，該刀具磨耗狀態在一急遽磨耗範圍內時，該切削控制模組優化目前的刀具切削參數，並傳輸優化後的該刀具切削參數至該機台，其中，參數優化包括：(1)取得刀具狀態資料、進行該刀具磨耗資料庫比對以找出一優化後的參數，以及將優化後的該參數傳輸至該機台以進行加工參數修正；(2)透過變異數分析從該刀具磨耗資料庫中找出一適合修正該刀具磨耗狀態的加工參數；及(3)以貢獻度指標代表一控制因子的變異佔總變異的比例，找出貢獻度最大的該控制因子來做為修正該刀具磨耗狀態的加工參數。
- 如請求項1所述之切削監控系統，其中該刀具磨耗狀態包括初期磨耗、正常磨耗及急遽磨耗。
- 如請求項1所述之切削監控系統，其中該刀具磨耗狀態在一正常磨耗範圍內時，該切削控制模組控制該機台，以目前的刀具切削參數進行加工。
- 一種複材刀具切削監控方法，用於一機台，該切削監控方法包括：擷取該機台的一馬達電流資料及量測一刀具磨耗資料；以該馬達電流資料做為一刀具磨耗狀態預測模型之訓練資料，進行深度學習及預測；建立一刀具磨耗資料庫，以供比對一刀具磨耗狀態；輸出由該刀具磨耗狀態預測模型產生的一刀具磨耗狀態預測資料至一切削控制模組；以及該切削控制模組根據該刀具磨耗狀態預測資料判斷該刀具磨耗狀態是否正常，其中，該刀具磨耗狀態在一急遽磨耗範圍內時，該切削控制模組優化目前的刀具切削參數，並傳輸優化後的該刀具切削參數至該機台，其中，參數優化包括：(1)取得刀具狀態資料、進行該刀具磨耗資料庫比對以找出一優化後的參數，以及將優化後的該參數傳輸至該機台以進行加工參數修正； (2)透過變異數分析從該刀具磨耗資料庫中找出一適合修正該刀具磨耗狀態的加工參數；及(3)以貢獻度指標代表一控制因子的變異佔總變異的比例，找出貢獻度最大的該控制因子來做為修正該刀具磨耗狀態的加工參數。
- 如請求項4所述之切削監控方法，其中該刀具磨耗狀態包括初期磨耗、正常磨耗及急遽磨耗。
- 如請求項4所述之切削監控方法，其中該刀具磨耗狀態在一正常磨耗範圍內時，該切削控制模組控制該機台，以目前的刀具切削參數進行加工。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111126086A TWI813372B (zh) | 2022-07-12 | 2022-07-12 | 複材刀具切削監控系統及其監控方法 |
| US17/975,418 US20240019838A1 (en) | 2022-07-12 | 2022-10-27 | Composite tool cutting monitoring system and monitoring method thereof |
| CN202310003373.3A CN117381533A (zh) | 2022-07-12 | 2023-01-03 | 复材刀具切削监控系统及其监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111126086A TWI813372B (zh) | 2022-07-12 | 2022-07-12 | 複材刀具切削監控系統及其監控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI813372B true TWI813372B (zh) | 2023-08-21 |
| TW202402449A TW202402449A (zh) | 2024-01-16 |
Family
ID=88585864
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111126086A TWI813372B (zh) | 2022-07-12 | 2022-07-12 | 複材刀具切削監控系統及其監控方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20240019838A1 (zh) |
| CN (1) | CN117381533A (zh) |
| TW (1) | TWI813372B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689677B (zh) * | 2024-02-01 | 2024-04-16 | 山东大学日照研究院 | 一种砂轮磨损状态识别方法、系统、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103465107A (zh) * | 2013-09-24 | 2013-12-25 | 沈阳利笙电子科技有限公司 | 一种刀具磨损监测方法 |
| WO2015016223A1 (ja) * | 2013-07-30 | 2015-02-05 | 本田技研工業株式会社 | 円形穴加工方法及び円形穴加工装置 |
| TW201923495A (zh) * | 2017-11-16 | 2019-06-16 | 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 |
| CN113894617A (zh) * | 2021-09-22 | 2022-01-07 | 沈阳机床(集团)有限责任公司 | 一种基于机床振动信号的刀具状态监测系统及方法 |
-
2022
- 2022-07-12 TW TW111126086A patent/TWI813372B/zh active
- 2022-10-27 US US17/975,418 patent/US20240019838A1/en active Pending
-
2023
- 2023-01-03 CN CN202310003373.3A patent/CN117381533A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015016223A1 (ja) * | 2013-07-30 | 2015-02-05 | 本田技研工業株式会社 | 円形穴加工方法及び円形穴加工装置 |
| CN103465107A (zh) * | 2013-09-24 | 2013-12-25 | 沈阳利笙电子科技有限公司 | 一种刀具磨损监测方法 |
| TW201923495A (zh) * | 2017-11-16 | 2019-06-16 | 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 |
| CN113894617A (zh) * | 2021-09-22 | 2022-01-07 | 沈阳机床(集团)有限责任公司 | 一种基于机床振动信号的刀具状态监测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202402449A (zh) | 2024-01-16 |
| US20240019838A1 (en) | 2024-01-18 |
| CN117381533A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11481630B2 (en) | Machining condition adjustment device and machining condition adjustment system | |
| Teti et al. | Advanced monitoring of machining operations | |
| CN102929210B (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
| US6650960B2 (en) | Machining control system | |
| CN111085898A (zh) | 一种工况自适应的高速铣削加工过程刀具监测方法及系统 | |
| TWI813372B (zh) | 複材刀具切削監控系統及其監控方法 | |
| CN111113150B (zh) | 一种机床刀具状态的监控方法 | |
| KR102302798B1 (ko) | 공작기계 이상상태 모니터링 시스템 및 방법 | |
| CN113798920A (zh) | 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法 | |
| US20230004152A1 (en) | Method for monitoring and/or predecting machining processes and/or machnining outcomes | |
| Oberle et al. | A use case to implement machine learning for life time prediction of manufacturing tools | |
| CN111788042A (zh) | 机器人的预见性分析 | |
| CN113941901B (zh) | 机床刀具监控方法、监控装置及电子设备 | |
| Jarosz et al. | Machine learning approaches towards digital twin development for machining systems | |
| Zuperl et al. | Intelligent cutting tool condition monitoring in milling | |
| CN117111589A (zh) | 一种基于Petri网的数控机床控制系统故障诊断方法 | |
| Chen et al. | Exploring equipment electrocardiogram mechanism for performance degradation monitoring in smart manufacturing | |
| WO2022102036A1 (ja) | 加工診断装置、学習装置、推論装置、加工診断方法及びプログラム | |
| CN117161821B (zh) | 一种数控钻床主轴自适应进给控制方法及系统 | |
| TWI724871B (zh) | 智慧製造與先進排程決策輔助資訊管理系統 | |
| KR102558133B1 (ko) | 인공지능을 통한 가공 설비 최적 운전 조건 추적 방법 | |
| Yang et al. | Change-point estimation for repairable systems combining bootstrap control charts and clustering analysis: Performance analysis and a case study | |
| Župerl et al. | MERGED NEURAL DECISION SYSTEM AND ANFIS WEAR PREDICTOR FOR SUPPORTING TOOL CONDITION MONITORING. | |
| US20240085890A1 (en) | Method and System for Measuring Components and Program | |
| JP7263185B2 (ja) | 学習済みモデルの製造方法、生産システム、異常判定装置、及び異常判定方法 |