TWI835519B - 模具狀態監控系統及方法 - Google Patents

模具狀態監控系統及方法 Download PDF

Info

Publication number
TWI835519B
TWI835519B TW112101230A TW112101230A TWI835519B TW I835519 B TWI835519 B TW I835519B TW 112101230 A TW112101230 A TW 112101230A TW 112101230 A TW112101230 A TW 112101230A TW I835519 B TWI835519 B TW I835519B
Authority
TW
Taiwan
Prior art keywords
wear
mold
processing
signal
prediction
Prior art date
Application number
TW112101230A
Other languages
English (en)
Other versions
TW202426149A (zh
Inventor
白御宏
吳鴻材
廖禾溱
楊凱智
Original Assignee
財團法人工業技術研究院
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 財團法人工業技術研究院 filed Critical 財團法人工業技術研究院
Application granted granted Critical
Publication of TWI835519B publication Critical patent/TWI835519B/zh
Publication of TW202426149A publication Critical patent/TW202426149A/zh

Links

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
    • 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
    • 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
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45244—Injection molding

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Moulds For Moulding Plastics Or The Like (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

一種模具狀態監控系統，其監控方法為：將模具之多次加工訊號分成初始狀態資訊及磨耗狀態資訊，以藉由該初始狀態資訊獲取目標模型與磨耗閾值，且將該磨耗狀態資訊輸入該目標模型，以獲取該模具之磨耗指數；將最新之多筆加工訊號及其對應之磨耗指數輸入至一時間序列預測模型進行訓練，以獲取假想次數之磨耗預測值，再依據該磨耗預測值進行預判作業，以當該磨耗預測值大於該磨耗閾值時，即可推測為該模具之損壞時間點。俾藉由該時間序列預測模型之設計，以於生產線上隨時變動該目標資訊，而能線上即時監控該模具之狀態。

Description

模具狀態監控系統及方法
本發明有關一種狀態預測之系統與方法，尤指一種金屬成型之模具狀態監控系統及方法。
隨著工具機自動化的快速發展，利用輸入相關參數以進行相關加工之作業已成為現今的主流，故目前工具機已廣泛採用電腦數值控制（Computer Numerical Control，簡稱CNC）的方式進行加工作業。
再者，隨著先進製造技術的發展，對金屬成型加工的穩定性、可靠性提出更高的要求。在實際加工中，模具損毀常影響金屬成型之效率、精度、品質、穩定性與可靠性等，故於金屬成型之加工過程中選取適當的參數對於提高加工精度及品質極為重要。
惟，於生產線上，同一模具對於相同金屬產品進行大量沖壓後，該模具會產生損耗或該工具機會發生機械異狀，致使在實際加工作業時，該模具無法有效進行加工作業，因而會造成金屬製品之品質不良。
另一方面，若採用人為抽檢，不僅效率不佳而造成後續不良品發現過晚，且會延誤生產效能，甚至影響產品精度。
因此，如何採用一個能預測模具壽命的方法，實已成為目前業界亟待克服之難題。
鑑於上述習知技術之種種缺失，本發明提供一種模具狀態監控方法，係應用於配置有控制器及模具之工具機，該模具狀態監控方法包括：提供該模具之複數加工次數所產生之複數加工訊號；進行特徵擷取作業，以令該複數加工訊號分成初始狀態資訊及磨耗狀態資訊；藉由該初始狀態資訊，以獲取目標模型與磨耗閾值；將該磨耗狀態資訊輸入該目標模型，以獲取該模具之磨耗指數；將至少部分該複數加工訊號及其對應之磨耗指數輸入至一時間序列預測模型進行訓練，以獲取假想次數之磨耗預測值，供作為目標資訊，其中，該假想次數之順序係位於該複數加工次數之最後者之後；以及依據該目標資訊進行預判作業，以預測該模具之損壞時間點，其中，當該磨耗預測值大於該磨耗閾值時，係代表該模具異常，且該目標資訊係包含依據加工次數增加而持續更新的動態資料，以令該預判作業隨時預測該模具之損壞時間點。
本發明亦提供一種模具狀態監控系統，係應用於連接配置有控制器及模具之工具機，該模具狀態監控系統包括：擷取部，其用於提供複數加工訊號；運算部，係通訊連接該擷取部，以接收該複數加工訊號並進行特徵擷取作業，令該複數加工訊號分成初始狀態資訊及磨耗狀態資訊，使該初始狀態資訊用於訓練出一目標模型，並產生一磨耗閾值，且使該磨耗狀態資訊輸入該目標模型而獲取該模具之磨耗指數；以及預測部，其通訊連接該運算部以接收該磨耗指數，且依據該磨耗閾值進行預判作業，以預測該模具之損壞時間點，其中，該預測部係包含一時間序列預測模型，以將部分該加工訊號及其對應之磨耗指數輸入至該時間序列預測模型進行訓練而獲取假想次數之磨耗預測值；其中，該假想次數之順序係位於該複數加工次數之最後者之後；當該磨耗預測值大於該磨耗閾值時，係代表該模具異常；及，該目標資訊係包含依據加工次數增加而持續更新的動態資料，以令該預判作業隨時預測該模具之損壞時間點。
由上可知，本發明之模具狀態監控系統及方法中，主要藉由該時間序列預測模型之設計，以於生產線上隨時變動該目標資訊，而能隨時預測該模具之壽命狀態，不需進行人為抽檢，故相較於習知技術，於生產線上，本發明所運作之模具能維持有效進行加工作業，以維持加工品質，且可進一步隨時提醒使用者模具發生異常或提醒使用者進行換模作業，以避免不良品發現過晚而使產品出現瑕疵而需報廢之問題，更可避免延誤生產效能，甚至影響產品精度等問題。
以下藉由特定的具體實施例說明本發明之實施方式，熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本發明之其他優點及功效。
須知，本說明書所附圖式所繪示之結構、比例、大小等，均僅用以配合說明書所揭示之內容，以供熟悉此技藝之人士之瞭解與閱讀，並非用以限定本發明可實施之限定條件，故不具技術上之實質意義，任何結構之修飾、比例關係之改變或大小之調整，在不影響本發明所能產生之功效及所能達成之目的下，均應仍落在本發明所揭示之技術內容得能涵蓋之範圍內。同時，本說明書中所引用之如「上」、「第一」、「第二」、「第三」、「第四」及「一」等之用語，亦僅為便於敘述之明瞭，而非用以限定本發明可實施之範圍，其相對關係之改變或調整，在無實質變更技術內容下，當亦視為本發明可實施之範疇。
圖1為本發明之模具狀態監控系統1之架構配置示意圖。如圖1所示，所述之模具狀態監控系統1舉例包括：一用於提供（收集）複數加工訊號之擷取部10、一運算部11以及一預測部12。
於本實施例中，該模具狀態監控系統1應用於電腦數值控制(CNC)的工具機，且該工具機配置有控制器、加速規（或其它可感測振動與聲音訊號之感測器，例如麥克風、位移計、速度計等）、可程式控制器（Programmable Logic Controller，簡稱PLC）及用以沖壓金屬成型之模具，並可外接一資料擷取系統（data acquisition systems，簡稱DAQ或DAS），而該模具狀態監控系統1例如為該工具機的標準配備或獨立電腦（如遠端電腦、個人電腦、平板或手機等），具有運算與顯示偵測結果之功能。
所述之擷取部10係可透過將加速規安裝至模具上以監測振動訊號，並配合編碼器設定曲軸角度區間，以精確擷取沖壓瞬間之振動訊號。
於本實施例中，該擷取部10可用以收集並過濾外部資訊（包含複數加工參數訊號）以提供複數加工訊號。例如，來自該控制器之加工資訊、來自該工具機之PLC狀態及來自擷取設備（如加速規、編碼器或DAQ）之感測數據。進一步，該擷取部10之收集方式可為內部直接傳輸（例如，該工具機具有該模具監控系統之配置）、應用程式介面（例如，用以取得該工具機之數值控制器的內部資訊）、用於控制器內外訊號傳遞及暫存的可程式控制器（PLC）、外部裝置直接傳輸（例如，編碼器傳輸座標訊號、光學尺傳輸座標訊號、資料擷取卡傳輸座標、控制指令）等。
再者，該擷取部10可進行訊號判斷作業，以獲取所需之加工訊號。例如，該擷取部10可連接控制器，以同步擷取加工參數訊號，進而判斷振動資料，因而能自動過濾工具機空轉狀態之訊號或其它加工製程之狀態訊號。
又，該擷取部10之擷取作業係如圖2A所示。
於步驟S10中，取得初始資訊，其包含利用加速規（其可監測沖壓模具振動訊號）取得與振動相關之加工初始訊號之數值、由控制器取得之複數加工參數訊號之數值、或其它裝置與加工作業相關訊號之數值。例如，該擷取部10可直接從控制器取得沖壓速度、成型壓力、曲軸角度等加工參數訊號。
於步驟S11中，篩選複數加工初始訊號，以選取部分加工初始訊號進行後續分析作業。例如，基於沖壓速度、成型壓力、曲軸角度等由控制器取得之加工參數訊號分別所建置之門檻區間（如上限值與下限值之間），判斷各加工初始訊號對應之加工參數訊號之數值是否位於門檻區間中，以選取加工參數訊號之數值大於下限值及小於上限值所對應之與振動相關的加工初始訊號，若該加工初始訊號之加工參數訊號之數值小於下限值或大於上限值者，其對應之與振動相關的加工初始訊號則不會被選為後續分析對象。
於本實施例中，透過編碼器擷取沖壓作動之曲軸角度進行訊號端點檢測，以判斷沖頭與模具從兩者接觸到離開之瞬間訊號，再過濾空轉與其它雜訊。因此，該編碼器可設定出沖床作動之曲軸角度之上限值與下限值，若超過此門檻區間之加工訊號，則該擷取部10不擷取。
於步驟S12中，進行資料端點檢測，以選取控制器加工參數訊號之數值位於門檻區間中所對應之加工初始訊號作為分析所需之加工訊號，且於進行資料端點檢測後，可將持續收集一段時間之振動相關的加工訊號分割成如五筆加工訊號F1,F2,F3,F4,F5的資料區間，如圖2B所示。例如，於一實施例中，可透過該擷取部10執行步驟S12的篩選而自動判斷刀具實際加工之時間起始點與結束點，以擷取位於該資料區間之該加工訊號F1,F2,F3,F4,F5進行後續分析作業。
因此，該擷取部10可包含用以安裝至模具上之加速規、編碼器或其它可感測振動訊號之感測器，並過濾空轉狀態之資訊以及其處理製程，以精確擷取加工作業中之振動訊號。
所述之運算部11係通訊連接該擷取部10，以接收複數加工訊號並進行特徵擷取作業，令該複數加工訊號分成初始（或新模具）狀態資訊及磨耗狀態資訊，使該初始狀態資訊用於訓練出一目標模型，並產生一磨耗閾值，且使該磨耗狀態資訊輸入該目標模型而獲取該模具之磨耗指數，故該擷取部10所提供之加工訊號係為模具磨耗之特徵訊號。
於本實施例中，該複數加工訊號係定義有第一時段加工訊號與第二時段加工訊號，將該第一時段加工訊號進行特徵化作業以形成該初始狀態資訊，且將第二時段加工資料使用相同特徵化作業產生該磨耗狀態資訊，以輸入該目標模型而計算出損失函數，供作為該模具之磨耗指數。
所述之特徵化作業，其所採用之方法係針對每一單位加工訊號利用頻帶分解法（如小波包分解、經驗模態分解或其它等方式），將原始時域訊號分解成不同頻帶之時域訊號，並監測每一頻帶之統計參數（如方均根值、裕度、峭度波形因子、峰度因子、脈衝因子、最大值、最小值和方差或其它適當參數）。
例如，該第一時段加工訊號經由該頻帶分解法分解與分析後，辨識出與該模具磨耗相關之特徵並定義其為第一磨耗特徵，以整合成該初始狀態資訊，且該第二時段加工訊號經由該頻帶分解法分解並擷取出對應上述與模具磨耗相關之第二磨耗特徵，以整合成該磨耗狀態資訊，其中，該第二磨耗特徵之屬性與該第一磨耗特徵之屬性相同。
於一實施例中，以小波包分解作為該加工訊號之頻帶分解法，該小波包分解之公式係基於正交小波函數，其已知 是 空間的一組正交基(Orthogonal basis)，而需要建構一組函數 ，使其張成空間 是 在 中的正交補空間，其建立過程如下： ，其中， ，而小波方程式： ，其中， 。
接著，小波包分解則對𝑊 𝑗空間進行分解，將子空間𝑉 𝑗和小波子空間𝑊 𝑗用一個 統一來表示，可以得到下列空間分解： 其中，{𝜇 𝑛 , 𝑗(𝑥−𝑘)} 𝑘𝜖𝑍是空間 的標準正交基，故小波包分解算法為：
所述之初始狀態資訊之獲取流程係如圖2C所示。於步驟S20中，該運算部11接收前K筆加工訊號。於步驟S21中，將每一加工訊號依不同頻帶分割為N個第一資料集。於步驟S22中，計算該N個第一資料集的統計特徵（如小波係數、方均根值、裕度、峭度等，共P個）以產生N×P個第一磨耗特徵。於步驟S23中，將K筆加工訊號的N×P個第一磨耗特徵整合成該初始狀態資訊。
所述之磨耗狀態資訊之獲取流程係如圖2D所示。於步驟S24中，接收第K+1至K+L筆加工訊號。於步驟S25中，將第K+1至K+L筆加工訊號均依不同頻帶分割為N個第二資料集。於步驟S26中，計算該N個第二資料集的統計特徵（如小波係數、方均根值、裕度、峭度等，共P個）以產生N×P個第二磨耗特徵。於步驟S27中，將K+1至K+L筆加工訊號中的第二磨耗特徵整合成該磨耗狀態資訊。
另外，該運算部11可利用該初始狀態資訊訓練一自編碼器(Auto-encoder)神經網路，以產生該目標模型。例如，該目標模型為自監督式學習（Self-supervised Learning）模型，其使用Python TensorFlow套件中的內建模組進行演算，以演算出模具之磨耗狀態。
所述之自編碼器之架構係分成兩大部份：編碼器(Encoder)與解碼器(Decoder)。首先，先將「輸入資料」放入該編碼器中，由該編碼器架構內的類神經網路將其壓縮成「低維度」的編碼(Code)，再將該編碼傳入該解碼器，以解碼出最終的「輸出資料」。因此，自編碼器會透過控制損失函數(Loss function)，如MSE、MAE或其它等，迭代學習如何使輸入與輸出接近，使「輸入資料」與「輸出資料」越接近越好。
所述之自監督式學習模型係先令該自編碼器學習某一種標準狀態數值，期望於後續輸入該標準狀態數值時，該自編碼器所產生的對照狀態數值越接近該標準狀態數值越好。換言之，若將與該標準狀態數值差異很大的對照狀態數值輸入已訓練好的目標模型中，則該目標模型所演算出之誤差將會異常增加。
因此，該運算部11之運作流程可如圖2E所示。於步驟S30至步驟S32中，將訓練用之第一時段加工訊號（如第1至5000筆加工訊號）所形成之初始狀態資訊（如後所述之特徵矩陣）輸入至一目標模型中，再產生一第一輸出資料（如對應該特徵矩陣之另一特徵矩陣），以完成該目標模型之訓練。
於步驟S33至步驟S34中，計算輸入資料（初始狀態資訊）與第一輸出資料之間的均方誤差（Mean Square Error，簡稱MSE），供作為指數單位，且藉由該輸入資料與輸出資料之間的基準誤差以產生一初始磨耗指數，故可獲得如5000個之初始磨耗指數。
所述之MSE係先取得「輸入資料」與「輸出資料」之間的誤差的平方，再平均，如下公式： ，其中，y為「輸入資料」，y p為「輸出資料」，n為正整數。
再者，所述之磨耗閾值E6 σ係採用n個初始磨耗指數分布進行換算以取平均值μ（如圖2F所示），再加六倍標準差σ，供判斷沖壓狀態。應可理解地，通常是取平均值正負三個標準差之間，但因此分布並無負數，故最多可取六個標準差，作為品管門檻。因此，該磨耗閾值E6 σ可視判斷鬆緊程度而調整標準差之倍數。於本實施例中，可採用5000個初始磨耗指數分布進行換算以取平均值μ，但並不以5000個為限。
於步驟S35至步驟S36中，將該磨耗狀態資訊輸入該目標模型，再產生一第二輸出資料。
於步驟S37中，計算輸入資料（磨耗狀態資訊）與第二輸出資料之間的MSE，以獲取該模具之磨耗指數，如圖3所示。
因此，該自編碼器神經網路於訓練階段時係能學習該模具之初始狀態，以完成該目標模型，且於後續監測階段中，該目標模型會將該磨耗狀態資訊盡量還原成該初始狀態資訊，故當該模具之磨耗指數越來越大時，即代表該模具之損耗越趨嚴重。
所述之預測部12係通訊連接該運算部11以接收該磨耗指數（如圖2E所示之步驟S38），且依據該磨耗閾值進行預判作業（如圖2E所示之步驟S39a），以預測該模具之損壞時間點，其中，該預測部12係包含一時間序列預測模型（Long-Short Term Memory ，簡稱LSTM），以將部分該複數加工訊號及其對應之磨耗指數輸入至該時間序列預測模型進行訓練而獲取假想次數之磨耗預測值（如圖2E所示之步驟S38），供作為目標資訊。
於本實施例中，該假想次數（第7001次）之順序係位於該複數加工次數之最後者（第7000次）之後。例如，該預測部12之時間序列預測模型(LSTM)係使用Python TensorFlow套件中的內建模組進行演算，以針對最新的磨耗狀態資訊（如第5001至7000次加工訊號之磨耗指數）進行預判作業，俾產生磨耗預測值。例如，該目標資訊係包含依據加工次數增加而持續更新的動態資料，即新增加工次數（如新增100筆加工訊號），則進行預測未來加工之磨耗預測值（如未來200次之假想次數）。
再者，該預測部12之LSTM之內部主要定義有三個階段，即忘記階段、選擇記憶階段及輸出階段。
所述之忘記階段係對於上一個節點傳進來的輸入進行選擇性忘記。簡單來說，就是會「忘記不重要的而記住重要的」。具體來說，藉由計算而得到 𝑍 𝑓（f表示forget）供作忘記門控，以控制上一個狀態的𝐶 ( 𝑡 − 1)需要保留與忘記之事件。
所述之選擇記憶階段係將此階段的輸入選擇性記憶。主要是會對輸入 𝑋 𝑡進行選擇記憶，即重要處係重點記錄，而不重要處，則少記。當前的輸入內容由前面計算得到的Z表示，而選擇的門控信號則是由 𝑍 𝑖（i代表information）進行控制，故將上面兩步驟所得到的結果相加，即可得到傳輸至下一狀態的𝐶 𝑡。
所述之輸出階段係將用以決定何者可作為當前狀態的輸出。藉由𝑍 𝑜進行控制，且還對上一階段所得之𝐶 𝑜進行放縮（通過一個tan(激活函數h)進行變化）。
因此，LSTM與一般循環神經網路（Recurrent Neural Network，簡稱RNN）類似，輸出𝑦 𝑡往往最終是透過ℎ 𝑡變化而得。
又，該目標資訊係包含由該磨耗指數與該磨耗預測值所形成之曲線圖，以令該預判作業藉由判斷該磨耗預測值於該曲線圖中之走勢，預測該模具之損壞時間點。該預測部12之預判作業係先將該磨耗指數所產生之曲線進行平滑化處理(Smoothing) ，如圖3所示，再利用LSTM預測模具之磨耗之未來走勢，若代表未來沖壓動作之磨耗預測值會超過該磨耗閾值，即發出換模警示訊號，其中，於圖3中，該磨耗指數所形成之初始曲線L0經由平滑化處理後可得到一參考曲線L1，且該磨耗閾值係以水平直線L2表示。
另外，當該磨耗預測值大於該磨耗閾值時，係代表該模具異常，故該預判作業之結果可啟動預警機制（如圖2E所示之步驟39b），以在模具出現異常前或更換模具前發出警示（例如閃爍燈號、響起警鈴、發送電子訊息或其它適當方式等）。例如，當該預測部12之磨耗預測值所形成之預測趨勢曲線超過該磨耗閾值之水平直線L2時，則該模具狀態監控系統1會發出換模警告，以表示現有模具之壽命接近極限之時間點。
圖4為本發明之模具狀態監控方法之流程示意圖。於本實施例中，採用該模具狀態監控系統1進行該模具狀態監控方法。
如圖4所示，首先，於步驟S40中，該工具機之沖壓加工產生複數筆如振動訊號之加工訊號，以令該擷取部10之加速規收集該些加工訊號。於本實施例中，該工具機係於單一次加工作業中提供上百筆或上萬筆加工訊號。
接著，於步驟S41中，該擷取部10透過編碼器擷取曲軸角度，再透過控制器接收加工參數，以進行加工訊號的資料端點檢測作業，判斷出實際加工之加工訊號符合曲軸角度區間，以過濾空轉狀態或其它製程訊號。
接著，於步驟S42中，若通過資料端點檢測作業，該擷取部10依據時間順序將該上百筆或上萬筆加工訊號進行編號，如1至5000號。
接著，於步驟S43中，該擷取部10判斷該些加工訊號之數量（其對應加工作業量）是否達到門檻值，如門檻值為5000筆。
接著，於步驟S44中，若該些加工訊號之數量小於或等於該門檻值，則該運算部11藉由該些加工訊號產生初始狀態資訊，即第1至5000筆可視為第一時段加工訊號。
例如，於步驟S440中，先組合一預設矩陣，供後續訓練出目標模型。假設於步驟S43中之門檻值為5000筆，每一筆加工訊號係包含N×P個數值之第一資料集，故於S440步驟中會先設定一個5000*(N×P)的空矩陣。接著，於步驟S441中，判斷該些加工訊號之數量（如5000筆）是否等於門檻值，即偵測該空矩陣是否裝滿5000筆資料。應可理解地，該門檻值並無特別限制，只需可用於後續該目標模型之訓練即可。
接著，於步驟S442中，該5000筆加工訊號之其中1筆如圖5A所示，其取樣頻率為10240赫茲(Hz)，且有效頻寬為5120赫茲(Hz)，以利用如小波包分解之頻帶分解法將圖5A所示之加工訊號F1依據不同頻帶切分成N個（如圖5B-1~圖5B-4所示之四個）資料集，其分別為第一頻帶0~1280赫茲的時域訊號（如圖5B-1所示）、第二頻帶1281~2560赫茲的時域訊號（如圖5B-2所示）、第三頻帶2561~3840赫茲的時域訊號（如圖5B-3所示）、第四頻帶3841~5120赫茲的時域訊號（如圖5B-4所示），並分別計算該N個（如四個）資料集之統計參數（如小波係數、方均根值、裕度、峭度波形因子、峰度因子、脈衝因子或其它特徵等，共P個特徵）。
舉例而言，計算萃取出第一至第四頻帶之第一資料集的小波係數(WC)、方均根(RMS)、峭度(Kurtosis)和裕度(Allowance)，以產生如下表所示之4個特徵之統計參數：
第一頻帶 第二頻帶 第三頻帶 第四頻帶
方均根 R1 R2 R3 R4
峭度 K1 K2 K3 K4
裕度 A1 A2 A3 A4
小波係數 W1 W2 W3 W4
，其中，該些統計參數係為波形圖，而上表之R1~R4、K1~K4、A1~A4及W1~W4僅作為代號，以利於後續說明。因此，本實施例之第一資料集係具有4×4個（16個）數值。
再者，當該工具機進行多次（如2萬次）加工作業時，可重複步驟S40~步驟S442，以獲取多組（如2萬組）第一至第四頻帶之資料集之統計參數。
接著，於步驟S443中，將5000次沖壓之訊號經由步驟S40~步驟S442後，產生一5000*16的矩陣，供作為初始狀態資訊，如圖5C所示，其中，縱向為加工次數，橫向為訊號特徵，每一列皆為單一次沖壓的加工訊號所產生之訊號特徵，即四個頻帶均有小波係數(WC)、方均根(RMS)、峭度(Kurtosis)和裕度(Allowance)等四個統計參數。
之後，於步驟S444中，藉由該初始狀態資訊訓練自編碼器神經網路，以得到一如自監督式學習模型之目標模型與磨耗閾值。
另一方面，於步驟S45中（其類似步驟S44），若該加工訊號之數量（其對應加工作業量）大於該門檻值，則該運算部11將超過門檻值之加工訊號進行特徵化以產生磨耗狀態資訊。
於本實施例中，將第M+Y筆之單次加工訊號進行特徵化作業以形成一磨耗狀態資訊，其中，M為門檻值，Y係為≧1之正整數，即第5001筆沖壓開始之單次加工訊號。
例如，於步驟S450中，先擷取編號第M+Y筆（如編號第5001筆）之加工訊號；接著，於步驟S451中，利用如小波包分解之頻帶分解法將該加工訊號依據不同頻帶切分成N個（如四個）第二資料集，並計算N個（如四個）第二資料集之統計參數（即屬性同為小波係數、方均根、峭度和裕度等四個特徵）；之後，於步驟S452中，依該次（如第5001次）加工作業的所有磨耗特徵計算出一個1*16的矩陣，如圖5D所示，供作為磨耗狀態資訊。
接著，於步驟S46中，進行模具狀態分析作業，令該運算部11將該磨耗狀態資訊輸入該目標模型而計算出損失函數，供作為該模具之磨耗指數。
於本實施例中，隨著不斷進行加工作業，第M+Y筆之每一次加工訊號所產生之磨耗指數將會逐筆顯示於一如電腦螢幕之監控頁面上，如圖5E所示之初始曲線L0。
接著，於步驟S47中，該預測部12於一預定時間點開始進行預測。
於本實施例中，將編號第7000筆加工訊號之產生時間點作為該預定時間點，故該預測部12係於編號第7000筆加工訊號產生時將啟動預測作業，以將最近2000筆（即編號第5001至7000號）加工訊號輸入至LSTM進行訓練，供預測未來200筆（即假想第7001至7200號）加工訊號所產生之預測值（或如圖6A所示之預測趨勢曲線L3走勢），且每新增100筆加工訊號（如產生編號第7100號），該預測部12將重新訓練LSTM與更新預測，反覆進行（如圖6A至圖6D所示之第7000至13800號），以判斷模具之損壞時間點B，即預估換模時機，其中，圖6A至圖6D所示之參考曲線L4係為實際情況，以驗證該預測趨勢曲線L3之準確度。因此，該預測部12之動態預測方式可如下表：
啟動時間點 （新增100筆） LSTM訓練 （輸入2000筆） 磨耗預測值 （預測未來200筆）
編號第7000號加工訊號 編號第5001至7000號 假想第7001至7200號
編號第7100號加工訊號 編號第5101至7100號 假想第7101至7300號
編號第7200號加工訊號 編號第5201至7200號 假想第7201至7400號
編號第7300號加工訊號 編號第5301至7300號 假想第7301至7500號
. . . . . . . . . . . .
編號第7000+100Y號加工訊號 編號第5001+100Y至7000+100Y號 假想第7001+100Y至7200+100Y號
之後，於步驟S48中，當步驟S47中判斷模具快要損壞時，即該預測值於該損壞時間點B（如圖6D所示之假想次數之第13801至14000次）將大於磨耗閾值（水平直線L2為0.45），代表該模具之壽命接近極限，故該預測部12會發出警示，啟動如燈號警示之預警機制，以提醒作業員當加工次數為第13801至14000次時需進行換模作業，其中，圖6D所示之參考曲線L4亦大致於第13801至14000次損壞。
綜上所述，本發明之模具狀態監控系統1及其狀態監控方法，藉由該LSTM之設計，以於生產線上隨時變動該目標資訊，藉以評估該模具之壽命狀態，故於生產線上，該模具狀態監控系統1所運作之模具能維持有效進行加工作業，以維持加工品質。
上述實施例用以例示性說明本發明之原理及其功效，而非用於限制本發明。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，對上述實施例進行修改。因此本發明之權利保護範圍，應如後述之申請專利範圍所列。
1:模具狀態監控系統
10:擷取部
11:運算部
12:預測部
B:損壞時間點
F1~F5:加工訊號
L0:初始曲線
L1,L4:參考曲線
L2:水平直線
L3:預測趨勢曲線
S10~S12:步驟
S20~S23:步驟
S24~S27:步驟
S30~S39b:步驟
S40~S48:步驟
圖1為本發明之模具狀態監控系統之架構配置圖。
圖2A為圖1之擷取部進行擷取作業之流程方塊圖。
圖2B為圖2A之初始資訊中之其中一檔案之加工訊號之波形示意圖。
圖2C為圖1之運算部之其中一運作方式之流程示意圖。
圖2D為圖1之運算部之另一運作方式之流程示意圖。
圖2E為圖1之運算部配合目標模型之運作方式與後續應用之流程示意圖。
圖2F為圖1之運算部之磨耗閾值之演算過程之直方圖。
圖3為圖1之預測部使用LSTM(時間序列預測模型，Long-Short Term Memory)之前置作業之示意圖。
圖4為本發明之模具狀態監控方法之流程方塊圖。
圖5A為圖2A之初始資訊中之其中一檔案之加工訊號之波形示意圖。
圖5B-1至圖5B-4為圖5A之檔案中所切分出之多個資料集之加工訊號之波形示意圖。
圖5C為圖4之初始狀態資訊之矩陣示意圖。
圖5D為圖4之磨耗狀態資訊之矩陣示意圖。
圖5E為圖4之流程所取得之目標資訊之曲線示意圖。
圖6A至圖6D為本發明之預判作業之過程之曲線示意圖。
S40~S48:步驟

Claims (16)

  1. 一種模具狀態監控方法，係應用於配置有控制器及模具之工具機，該模具狀態監控方法包括：提供該模具之複數加工次數所產生之複數加工訊號，其中，該複數加工訊號係經由接收並篩選複數加工初始訊號進行訊號判斷作業而獲取；進行特徵擷取作業，以令該複數加工訊號分成初始狀態資訊及磨耗狀態資訊；藉由該初始狀態資訊，以獲取目標模型與磨耗閾值；將該磨耗狀態資訊輸入該目標模型，以獲取該模具之磨耗指數；將至少部分該複數加工訊號及其對應之磨耗指數輸入至一時間序列預測模型進行訓練，以獲取假想次數之磨耗預測值，供作為目標資訊，其中，該假想次數之順序係位於該複數加工次數之最後者之後；以及依據該目標資訊進行預判作業，以預測該模具之損壞時間點，其中，當該磨耗預測值大於該磨耗閾值時，係代表該模具異常，且該目標資訊係包含依據加工次數增加而持續更新的動態資料，以令該預判作業隨時預測該模具之損壞時間點。
  2. 如請求項1所述之模具狀態監控方法，其中，該加工訊號係為模具磨耗之特徵訊號。
  3. 如請求項1所述之模具狀態監控方法，其中，該特徵擷取作業係針對該加工訊號利用頻帶分解法，將原始時域訊號分解成不同頻帶之時域訊號。
  4. 如請求項3所述之模具狀態監控方法，其中，該複數加工訊號係定義有第一時段加工訊號與第二時段加工訊號，使該第一時段加工訊號經由該頻帶分解法分解與分析後，辨識出與模具磨耗相關之特徵並定義為第一磨耗特徵，以整合成該初始狀態資訊，且該第二時段加工訊號經由該頻帶分解法分解並擷取出對應與該模具磨耗相關之特徵之第二磨耗特徵，以整合成該磨耗狀態資訊。
  5. 如請求項4所述之模具狀態監控方法，其中，該第二磨耗特徵之屬性與該第一磨耗特徵之屬性相同。
  6. 如請求項1所述之模具狀態監控方法，其中，該目標模型係為自監督式學習模型。
  7. 如請求項1所述之模具狀態監控方法，其中，該目標資訊係包含依據加工次數增加而持續更新的動態資料。
  8. 如請求項1所述之模具狀態監控方法，其中，該目標資訊係包含由該磨耗指數與該磨耗預測值所形成之曲線圖，以令該預判作業藉由判斷該磨耗預測值於該曲線圖中之走勢預測該模具之損壞時間點。
  9. 一種模具狀態監控系統，係應用於連接配置有控制器及模具之工具機，該模具狀態監控系統包括：擷取部，其用於提供複數加工訊號，其中，該複數加工訊號係經由該擷取部接收並篩選複數加工初始訊號進行訊號判斷作業而獲取；運算部，係通訊連接該擷取部，以接收該複數加工訊號並進行特徵擷取作業，令該複數加工訊號分成初始狀態資訊及磨耗狀態資訊，使該初始狀態資訊用 於訓練出一目標模型，並產生一磨耗閾值，且使該磨耗狀態資訊輸入該目標模型而獲取該模具之磨耗指數；以及預測部，其通訊連接該運算部以接收該磨耗指數，且依據該磨耗閾值進行預判作業，以預測該模具之損壞時間點，其中，該預測部係包含一時間序列預測模型，以將部分該加工訊號及其對應之磨耗指數輸入至該時間序列預測模型進行訓練而獲取假想次數之磨耗預測值，供作為目標資訊；其中，該假想次數之順序係位於該複數加工次數之最後者之後；當該磨耗預測值大於該磨耗閾值時，係代表該模具異常；及該目標資訊係包含依據加工次數增加而持續更新的動態資料，以令該預判作業隨時預測該模具之損壞時間點。
  10. 如請求項9所述之模具狀態監控系統，其中，該加工訊號係為模具磨耗之特徵訊號。
  11. 如請求項9所述之模具狀態監控系統，其中，該特徵擷取作業係針對該加工訊號利用頻帶分解法，將原始時域訊號分解成不同頻帶之時域訊號。
  12. 如請求項11所述之模具狀態監控系統，其中，該複數加工訊號係定義有第一時段加工訊號與第二時段加工訊號，使該第一時段加工訊號經由該頻帶分解法分解與分析後，辨識出與模具磨耗相關之特徵並定義為第一磨耗特徵，以整合成該初始狀態資訊，且該第二時段加工訊號經由該頻帶分解法分解並擷取出對應與該模具磨耗相關之特徵之第二磨耗特徵，以整合成該磨耗狀態資訊。
  13. 如請求項12所述之模具狀態監控系統，其中，該第二磨耗特徵之屬性與該第一磨耗特徵之屬性相同。
  14. 如請求項9所述之模具狀態監控系統，其中，該目標模型係為自監督式學習模型。
  15. 如請求項9所述之模具狀態監控系統，其中，該目標資訊係包含依據加工次數增加而持續更新的動態資料。
  16. 如請求項9所述之模具狀態監控系統，其中，該目標資訊係包含由該磨耗指數與該磨耗預測值所形成之曲線圖，以令該預判作業藉由判斷該磨耗預測值於該曲線圖中之走勢預測該模具之損壞時間點。
TW112101230A 2022-12-21 2023-01-11 模具狀態監控系統及方法 TWI835519B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US18/069,952 US20240210911A1 (en) 2022-12-21 2022-12-21 Mold state monitoring system and method thereof
US18/069,952 2022-12-21

Publications (2)

Publication Number Publication Date
TWI835519B true TWI835519B (zh) 2024-03-11
TW202426149A TW202426149A (zh) 2024-07-01

Family

ID=91269538

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112101230A TWI835519B (zh) 2022-12-21 2023-01-11 模具狀態監控系統及方法

Country Status (2)

Country Link
US (1) US20240210911A1 (zh)
TW (1) TWI835519B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5571539A (en) * 1994-12-30 1996-11-05 D & L Incorporated Mold with an on-board counter or monitor
JP2014223653A (ja) * 2013-05-16 2014-12-04 大同特殊鋼株式会社 冷間鍛造金型の損傷評価方法
CN204894446U (zh) * 2015-08-06 2015-12-23 四川省宜宾普什模具有限公司 注塑模具监控装置及其智能管理系统
TWI763234B (zh) * 2020-11-27 2022-05-01 財團法人工業技術研究院 刀具狀態評估系統及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5571539A (en) * 1994-12-30 1996-11-05 D & L Incorporated Mold with an on-board counter or monitor
JP2014223653A (ja) * 2013-05-16 2014-12-04 大同特殊鋼株式会社 冷間鍛造金型の損傷評価方法
CN204894446U (zh) * 2015-08-06 2015-12-23 四川省宜宾普什模具有限公司 注塑模具监控装置及其智能管理系统
TWI763234B (zh) * 2020-11-27 2022-05-01 財團法人工業技術研究院 刀具狀態評估系統及方法

Also Published As

Publication number Publication date
TW202426149A (zh) 2024-07-01
US20240210911A1 (en) 2024-06-27

Similar Documents

Publication Publication Date Title
US11921014B2 (en) System and method for monitoring manufacturing
CN108197011B (zh) 一种基于人工智能大数据平台的单指标预测和预警方法
JP4289602B2 (ja) プロセス監視方法
TWI618018B (zh) 應用電力用量特徵之製造管理方法及其系統
CN103412542A (zh) 一种数据驱动的集成电路工艺设备异常预警技术方法
CN113253037B (zh) 基于电流波纹的边云协同设备状态监测方法及系统、介质
TWI676873B (zh) 刀具監控系統及刀具監控方法
CN116050678A (zh) 一种基于云计算的压铸产品加工测试系统及方法
CN115907446A (zh) 一种基建工程施工进度的智能管控评估系统
CN112987682A (zh) 控制方法、控制装置和机械设备
CN112673326B (zh) 控制装置及存储介质
TWI835519B (zh) 模具狀態監控系統及方法
CN110488775A (zh) 设备状态判定及产量节拍统计系统及方法
CN116931497B (zh) 一种基于人工智能的裁剪机控制系统
JP7368189B2 (ja) 分析装置
TWI763234B (zh) 刀具狀態評估系統及方法
CN116520758A (zh) 一种机加工设备远程控制方法及系统
CN115688493A (zh) 冲压异常监测方法、装置、电子设备和存储介质
EP4323844A1 (en) Automated outlier removal for multivariate modeling
CN212633982U (zh) 数字化金属冲压装置
TW202216353A (zh) 刀具狀態偵測系統及方法
CN112486096A (zh) 一种机床运行状态的监控方法
CN112529238A (zh) 电脑可读取记录介质、数据处理方法及数据处理系统
CN117076260B (zh) 一种参数及设备异常检测方法及装置
CN110704676A (zh) 一种动态异常信息视频处理系统及方法