TWM603589U - 刀具壽命預測模型快速自適應修模系統 - Google Patents

Abstract

本創作提供一種刀具壽命預測模型快速自適應修模系統，有資料庫儲存初始刀具壽命模型，並儲存關鍵因子以及修正前權重係數，透過關鍵因子分析模組依關鍵因子經演算而生成待修刀具壽命模型，且透過權重估算模組依修正前權重係數經演算而獲得修正後權重係數，並透過模型修正模組生成已修正刀具壽命模型，再透過壽命預測模組以已修正刀具壽命模型預測刀具壽命，且以自適應模組更新初始刀具壽命模型及修正前權重係數，每隔加工刀數即生成一次已修正刀具壽命模型以預測刀具壽命，依此循環以達到刀具壽命預測模型之快速自適應修模。

Description

刀具壽命預測模型快速自適應修模系統

本創作係關於一種刀具壽命預測技術，尤指一種刀具壽命預測模型快速自適應修模系統。

習知刀具壽命之預測，是將一把刀具從全新進行加工而磨損至需要汰換，過程中建立刀具壽命模型，以判斷刀具壽命之可用時數，藉此預警同一把刀具壽命何時將至，以提醒使用者屆時換新刀具。

此習知刀具壽命模型建立時，需要收集一把刀具由全新狀態持續加工至必須汰換過程的完整訊號，而這樣的刀具壽命的預測或警示通常只能在相同的加工條件下進行，若中途進行加工條件的變更，例如不同規格刀具的更換、更換不同機型的加工機台，或改變加工狀況(例如改變加工速度或工件材質)等加工條件，就必須重新建立新的刀具壽命模型，在導入實務應用時，因耗費時間與成本有其不便之處。

為解決上述課題，本創作提供一種刀具壽命預測模型快速自適應修模系統，可在加工條件變更下，不須重新建立新的刀具壽命模型，而可透過自適應修模技術使刀具壽命依既存之刀具壽命模型延續預測。

本創作之一項實施例提供一種刀具壽命預測模型快速自適應修模系統，其包含一資料庫、一關鍵因子分析模組、一權重估算模組、一模型修正模組、一壽命預測模組以及一自適應模組。資料庫儲存一刀具已預先建立之一初始刀具壽命模型，且儲存一關鍵因子以及一修正前權重係數，關鍵因子係選自刀具因加工磨耗至一加工總刀數所擷取之至少一訊號特徵；關鍵因子分析模組電性連接資料庫，關鍵因子分析模組依關鍵因子經演算而生成一待修刀具壽命模型；權重估算模組電性連接資料庫，權重估算模組依修正前權重係數經演算而獲得一修正後權重係數；模型修正模組電性連接關鍵因子分析模組和權重估算模組，模型修正模組以修正後權重係數與待修刀具壽命模型之乘積，以生成一已修正刀具壽命模型；壽命預測模組電性連接模型修正模組，壽命預測模組以已修正刀具壽命模型預測刀具在一預定刀數後之刀具壽命；自適應模組電性連接資料庫、關鍵因子分析模組、權重估算模組、模型修正模組以及壽命預測模組，自適應模組在所述刀具壽命預測後，更新初始刀具壽命模型及其對應之所述關鍵因子，並更新修正前權重係數；在每隔一加工刀數時，經關鍵因子分析模組、權重估算模組、模型修正模組如前述生成所述已修正刀具壽命模型，且經壽命預測模組預測所述刀具壽命，依此循環以快速自適應修正刀具壽命預測模型。

藉此，當初始刀具壽命模型經建立而儲存在資料庫中，即使在刀具使用中途進行加工條件的變更，例如不同規格刀具的更換、更換不同機型的加工機台，或改變加工狀況等加工條件時，本創作在每隔預設之加工刀數即生成一次已修正刀具壽命模型用以預測刀具壽命，依此循環以達到刀具壽命預測模型之快速自適應修模，而可避免因重新建模而耗費時間與成本之不便，而有利於導入實務應用。

為便於說明本創作於上述新型內容一欄中所表示的中心思想，茲以具體實施例表達。實施例中各種不同物件係按適於說明之比例、尺寸、變形量或位移量而描繪，而非按實際元件的比例予以繪製，合先敘明。

請參閱圖1至圖5所示，本創作提供一種刀具壽命預測模型快速自適應修模系統100及方法200。所述系統100，包含一資料庫10、一關鍵因子分析模組20、一權重估算模組30、一模型修正模組40、一壽命預測模組50，以及一自適應模組60，且於本實施例中包括一模型建立模組70，其中，資料庫10儲存一初始刀具壽命模型11，且資料庫10並儲存一關鍵因子12以及一修正前權重係數13；關鍵因子分析模組20、權重估算模組30以及模型建立模組70分別電性連接資料庫10；模型修正模組40電性連接關鍵因子分析模組20和權重估算模組30；壽命預測模組50電性連接模型修正模組40；自適應模組60電性連接資料庫10、關鍵因子分析模組20、權重估算模組30、模型修正模組40，以及壽命預測模組50。

本實施例之刀具壽命預測模型快速自適應修模方法200，包括一模型建立步驟201、一儲存模型資料步驟202、一修模及刀具壽命預測步驟203，以及一自適應循環修模步驟204，其中：

在模型建立步驟201中，係在一刀具加工至一加工總刀數的過程中，模型建立模組70透過擷取至少一訊號特徵71，並應用降維演算法以找出若干關鍵因子12，並透過羅吉斯回歸演算法以建立一初始刀具壽命模型11。所述刀具於本實施例係以銑刀為例，而所應用之加工機台則為中心加工機。

如圖3所示，為針對直徑分別為ψ6和ψ10之銑刀所擷取之訊號特徵71，其中橫座標係依特徵屬性分項，縱座標則為各特徵對應之分數，再應用所述降維演算法以找出若干關鍵因子12。而所建立之初始刀具壽命模型11，可如圖4所示進行刀具壽命狀態之可視化呈現，如所示之刀具在加工至第982之刀數後，刀具壽命開始明顯下降，而在加工達到第1182之刀數時，刀具壽命降低至0，表示刀具已磨損至需要汰換之程度，而1182刀即此刀具之加工總刀數。

接著，在儲存模型資料步驟202中，儲存所述初始刀具壽命模型11於資料庫10，並儲存所述若干關鍵因子12以及修正前權重係數13於資料庫10，所述若干關鍵因子12係選自所述刀具因加工磨耗至所述加工總刀數時所擷取之至少一訊號特徵71。較佳地，所述訊號特徵71為所述刀具加工時以加速規測得之振動訊號，包括一時域特徵及/或一頻域特徵，所述時域特徵包括均方根(RMS)、平均值(Mean)、標準差(STD)、峰度(Kurtosis)、偏度(Skewness)；所述頻域特徵包括轉速頻、1倍刃頻、2倍刃頻及/或3倍刃頻。

接著，在修模及刀具壽命預測步驟203中，以關鍵因子分析模組20依所述若干關鍵因子12經演算而生成一待修刀具壽命模型21。於本實施例中，在模型建立步驟201是以前述ψ6之刀具建立所述初始刀具壽命模型11，並將對應ψ10之刀具所選取之關鍵因子12以及修正前權重係數13儲存於資料庫10。假設因加工需要而必須更換為ψ6之刀具進行工件之銑切加工，當加工到第40刀時，將加速規所擷取之振動訊號區分為前20刀之訊號特徵71和後20刀之訊號特徵71，而在修模及刀具壽命預測步驟203中以所述前20刀和後20刀之訊號特徵71經關鍵因子分析模組20分析出對應之關鍵因子12，而以此述關鍵因子12經羅吉斯回歸演算法而生成所述待修刀具壽命模型21。

承上，在修模及刀具壽命預測步驟203中，所述待修刀具壽命模型21生成後，由權重估算模組30依所述修正前權重係數13經演算而獲得一修正後權重係數31。於本實施例中，透過權重估算模組30應用一基因演算法產生多個權重係數值，再利用選擇、複製、交配，以及突變等步驟，以配對出需要之所述權重係數值而獲得所述修正後權重係數31。在修模及刀具壽命預測步驟203中，以修正後權重係數31與待修刀具壽命模型21之乘積，以生成一已修正刀具壽命模型41，藉此已修正刀具壽命模型41預測該刀具在一預定刀數後之刀具壽命，此述之預定刀數於本實施例中設定為20刀。

接著，在自適應循環修模步驟204中，係於修模及刀具壽命預測步驟203後，更新初始刀具壽命模型11及其對應之所述關鍵因子12，並更新修正前權重係數13。在每隔一加工刀數(於本實施例中預設為每20刀)時，如前述生成已修正刀具壽命模型41並預測所述刀具壽命，依此循環以快速自適應修正刀具壽命預測模型。本實施例之中係以完成第0刀至第40刀所擷取之訊號特徵71，而如前述修模及刀具壽命預測步驟203生成第1次已修正刀具壽命模型41，以預測第40刀至第60刀之刀具壽命，並進行自適應循環修模步驟204，而當第40刀至第60之加工刀數完成時，以所擷取之訊號特徵71生成第2次已修正刀具壽命模型41，以預測第60刀至第80刀之刀具壽命，並以第40刀至第60刀之加工刀數完成所擷取之訊號特徵71比對第一次已修正刀具壽命模型41，以得知刀具壽命預測之準確率，依此類推循環。

於本實施例中，刀具壽命預測之準確率係以強化學習演算法逐步修正，而如圖5所示，當所述刀具之加工刀數達到第140刀時，已生成第6次已修正刀具壽命模型41，而在達到第160刀之加工刀數時，藉由第6次已修正刀具壽命模型41與第140刀至第160刀之加工刀數完成所擷取之訊號特徵71比對，而可驗證預測之準確率達到88%；同理，第8次已修正刀具壽命模型41與第180刀至第200刀之加工刀數完成所擷取之訊號特徵71比對，可驗證預測之準確率達到89.16%；第10次已修正刀具壽命模型41與第220刀至第240刀之加工刀數完成所擷取之訊號特徵71比對，而可驗證預測之準確率達到97. 69%，故當修正刀具壽命模型之次數愈高，則預測之準確率愈為精確。

由上述之說明不難發現本創作之特點在於，當初始刀具壽命模型11經建立而儲存在資料庫10中，即使在刀具使用中途進行加工條件的變更，本創作在每隔預設之加工刀數即生成一次已修正刀具壽命模型41用以預測刀具壽命，依此循環以達到刀具壽命預測模型之快速自適應修模，藉由關鍵因子12的選用，可避免過度擬合而造成因細微條件變化之影響，導致刀具壽命預測模型失真的情況，以避免因重新建模而耗費時間與成本之不便，而有利於導入實務應用以因應加工業多樣化的加工需求。

再者，上述於本實施例中透過羅吉斯回歸演算法而生成所述待修刀具壽命模型21，且透過基因演算法獲得所述修正後權重係數31，以生成一已修正刀具壽命模型41，可應付不同加工條件，例如不同規格刀具的更換、更換不同機型的加工機台，或改變加工狀況等加工條件時，仍可獲得準確之刀具壽命預測結果，相較於其他演算法，例如透過泰勒壽命公式、羅吉斯回歸演算法結合動態類神經網路演算法進行刀具壽命預測，經分析僅能應用在相同加工條件，而在加工條件改變時必須重新建立新的刀具壽命模型，無法如本實施例可延用既存之刀具壽命預測模型而應付不同加工條件。

以上所舉實施例僅用以說明本創作而已，非用以限制本創作之範圍。舉凡不違本創作精神所從事的種種修改或變化，俱屬本創作意欲保護之範疇。

100:系統 10:資料庫 11:初始刀具壽命模型 12:關鍵因子 13:修正前權重係數 20:關鍵因子分析模組 21:待修刀具壽命模型 30:權重估算模組 31:修正後權重係數 40:模型修正模組 41:已修正刀具壽命模型 50:壽命預測模組 60:自適應模組 70:模型建立模組 71:訊號特徵 200:方法 201:模型建立步驟 202:儲存模型資料步驟 203:修模及刀具壽命預測步驟 204:自適應循環修模步驟

圖1係本創作實施例之刀具壽命預測模型快速自適應修模系統之方塊圖。 圖2係本創作實施例之刀具壽命預測模型快速自適應修模方法之流程圖。 圖3係本創作實施例之關鍵因子分析示意圖。 圖4係本創作實施例之刀具壽命模型示意圖。 圖5係本創作實施例之刀具壽命模型修正及預測之示意圖。

100:系統

10:資料庫

11:初始刀具壽命模型

12:關鍵因子

13:修正前權重係數

20:關鍵因子分析模組

21:待修刀具壽命模型

30:權重估算模組

31:修正後權重係數

40:模型修正模組

41:已修正刀具壽命模型

50:壽命預測模組

60:自適應模組

70:模型建立模組

71:訊號特徵

Claims (7)

1. 一種刀具壽命預測模型快速自適應修模系統，其包含： 一資料庫，其儲存一刀具已預先建立之一初始刀具壽命模型，且儲存一關鍵因子以及一修正前權重係數，該關鍵因子係選自該刀具因加工磨耗至一加工總刀數所擷取之至少一訊號特徵； 一關鍵因子分析模組，其電性連接該資料庫，該關鍵因子分析模組依該關鍵因子經演算而生成一待修刀具壽命模型； 一權重估算模組，其電性連接該資料庫，該權重估算模組依該修正前權重係數經演算而獲得一修正後權重係數； 一模型修正模組，其電性連接該關鍵因子分析模組和該權重估算模組，該模型修正模組以該修正後權重係數與該待修刀具壽命模型之乘積，以生成一已修正刀具壽命模型； 一壽命預測模組，其電性連接該模型修正模組，該壽命預測模組以該已修正刀具壽命模型預測該刀具在一預定刀數後之刀具壽命；以及 一自適應模組，其電性連接該資料庫、該關鍵因子分析模組、該權重估算模組、該模型修正模組，以及該壽命預測模組，該自適應模組在所述刀具壽命預測後，更新該初始刀具壽命模型及其對應之所述關鍵因子，並更新該修正前權重係數；在每隔一加工刀數時，經該關鍵因子分析模組、該權重估算模組、該模型修正模組如前述生成所述已修正刀具壽命模型，且經該壽命預測模組預測所述刀具壽命，依此循環以快速自適應修正刀具壽命預測模型。
2. 如請求項1所述之刀具壽命預測模型快速自適應修模系統，其中，進一步包括一模型建立模組，該模型建立模組在該刀具加工至該加工總刀數的過程中，透過擷取該至少一訊號特徵並應用降維演算法以找出該關鍵因子，且透過羅吉斯回歸演算法以建立所述初始刀具壽命模型。
3. 如請求項2所述之刀具壽命預測模型快速自適應修模系統，其中，該關鍵因子分析模組應用一羅吉斯回歸演算法，而依該關鍵因子演算生成該待修刀具壽命模型。
4. 如請求項3所述之刀具壽命預測模型快速自適應修模系統，其中，該權重估算模組應用一基因演算法，而依該修正前權重係數經演算而獲得該修正後權重係數。
5. 如請求項1所述之刀具壽命預測模型快速自適應修模系統，其中，所述訊號特徵為該刀具加工時以加速規測得之振動訊號，包括一時域特徵及/或一頻域特徵。
6. 如請求項5所述之刀具壽命預測模型快速自適應修模系統，其中，所述時域特徵包括均方根、平均值、標準差、峰度及/或偏度；所述頻域特徵包括轉速頻、1倍刃頻、2倍刃頻及/或3倍刃頻。
7. 如請求項1所述之刀具壽命預測模型快速自適應修模系統，其中，所述加工刀數為20刀；所述預定刀數為20刀。

Images