本发明是有关于一种刀具磨耗监测与预测方法，且特别是有关于一种可预测刀具磨耗与刀具剩余寿命的方法。
背景技术：
工具机的刀具磨耗为加工过程中影响工件精度的重要因子。在已知的加工厂中，刀具磨耗的量测是依靠数字显微镜所监看到的刀具影像，再经由人为判断此刀具影像的情形来决定是否进行刀具更换，不仅耗费人力成本，且常有误判的情形发生。若更换刀具的时机过早，易造成刀具成本提升与刀具的校正时间增加。反之，若更换刀时机具的过晚，则所加工的工件的精度容易超规，而造成工件报废。因此，如何在工具机进行加工时即时预测出刀具的磨耗状况实为提升加工效益的关键。
另一方面，在一加工厂中，通常有多台工具机台使用同一种刀具产品(型式)，若要对这些工具机逐一加以判断其刀具的磨耗状况，往往旷日废时，且易发生刀具无法及时更换的情形。因此需要发展可同时监控与预测多台工具机上的刀具磨耗和寿命的方法。
技术实现要素：
本发明的一目的是在提供一种刀具磨耗监测与预测方法，借以在工具机进行加工时即时预测出刀具的磨耗值与剩余寿命。
本发明的另一目的是在提供一种刀具磨耗监测与预测方法，借以使用刀具网实预测(toolcyber-physicalprediction；tcpp)机制来同时监控与预测同一种刀具产品(型式)的多台工具机。
根据本发明上述目的，提出一种刀具磨耗监测与预测方法。在此刀具磨耗监测与预测方法中，首先，获得一刀具产品的多组出厂加工条件范围，其中所述多组出厂加工条件范围具有多组边界条件(boundaryconditions)。然后，根据这些边界条件对多个第一刀具分别进行寿命决定操作，以获得此刀具产品在这些边界条件下操作的多个实际刀具最大寿命，其中这些第一刀具的型式与刀具产品相同，每一个寿命决定操作是使用这些第一刀具其中一者由其全新状态进行工件加工至无法使用为止。接着，使用这些边件条件下的所述多个实际刀具最大寿命、和这些边界条件并根据一泰勒刀具寿命公式，来获得第二刀具在一组实际加工条件下的一刀具最大寿命值(maxtoollife)，其中此第二刀具的型式与上述的刀具产品相同。使用第二刀具依序进行多次历史工件加工程序，而获得一实际刀具磨耗对刀具寿命的关系、多组历史感测数据和多个历史刀具磨耗值，其中这些历史刀具磨耗值是以一对一的关系分别对应至所述多组历史感测数据和所述多次历史工件加工程序。然后，使用所述多组历史感测数据和这些历史刀具磨耗值，并根据一混合动态类神经网络(hybriddynamicneuralnetwork；hdnn)演算法，来建立一刀具磨耗预测模型。接着，获得一第三刀具在此组实际加工条件下依序进行多次工件加工程序时的多组感测数据，其中此第三刀具的型式与上述的刀具产品相同，所述多次工件加工程序是以一对一的关系分别对应至所述多组感测数据。然后，输入所述多组感测数据与上述的刀具最大寿命值至刀具磨耗预测模型，以获得在每一次工件加工程序后的第三刀具的一刀具磨耗预测值，其中在预测每一次工件加工程序后的刀具磨耗预测值时，需输入前次工件加工程序后的刀具磨耗预测值至刀具磨耗预测模型。
在一些实施例中，上述的刀具磨耗监测与预测方法还包含：根据上述的刀具磨耗对刀具寿命的关系从刀具磨耗预测值获得一刀具寿命。
在一些实施例中，上述的刀具磨耗监测与预测方法还包含：根据上述的刀具磨耗对刀具寿命的关系从刀具最大寿命值获得一最大刀具磨耗门槛值。
在一些实施例中，上述的刀具磨耗监测与预测方法还包含：由上述的刀具磨耗预测值、刀具最大寿命值和最大刀具磨耗门槛值计算出每一次工件加工程序后的第三刀具的一刀具剩余寿命值。
在一些实施例中，上述的历史工件加工程序与上述的工件加工程序相同。
在一些实施例中，上述的混合动态类神经网络演算法包含一逻辑斯回归(logisticregression；lr)演算法和一动态类神经网络(dynamicneuralnetwork；dnn)演算法。
在一些实施例中，上述的刀具磨耗监测与预测方法还包含：储存出厂加工条件范围、实际刀具最大寿命、实际刀具磨耗对刀具寿命的关系、历史感测数据和所述多个历史刀具磨耗值至一云端数据库中，其中云端数据库是位于一云端层中；使用一云端服务器连接至云端数据库来进行建立刀具磨耗预测模型的操作，其中云端服务器是位于云端层中；自云端服务器下载刀具磨耗预测模型至一虚实代理装置(cyber-physicalagent；cpa)中，其中虚实代理装置位于工厂层中，虚实代理装置透过一网络层与云端服务器通讯连接；以及使用虚实代理装置来自安装有第三刀具的一机台，获得并输入感测数据至刀具磨耗预测模型中，而获得在每一次工件加工程序后的第三刀具的刀具磨耗预测值。
在一些实施例中，上述的刀具产品为车床刀具产品或铣床刀具产品。
在一些实施例中，上述的刀具磨耗监测与预测方法还包含：过滤并转换历史感测数据和感测数据为对应至至少一特征型式的数据。
在一些实施例中，上述的至少一特征型式包含时域(timedomain)、频域(frequencydomain)和/或时频域(time-frequencydomain)。
在一些实施例中，上述的过滤并转换组历史感测数据和组感测数据的操作是使用一小波去噪法(waveletde-noisingmethod)和一快速傅利叶转换(fastfouriertransform；fft)或一离散小波转换(discretewavelettransform；dwt)。
因此，应用本发明实施例，可在工具机进行加工时即时预测出刀具的磨耗值与剩余寿命，并可同时监控与预测同一种刀具产品(型式)的多台工具机。
附图说明
为了更完整了解实施例及其优点，现参照结合所附附图所做的下列描述，其中
图1为绘示根据本发明一些实施例的刀具网实预测(tcpp)机制的架构示意图；
图2为绘示根据本发明一些实施例的用以预测刀具磨耗的hdnn模型的方块示意图；
图3为绘示根据本发明一些实施例的刀具磨耗监测与预测方法的流程图；
图4a为绘示根据本发明一些实施例的出厂加工条件的示意图；
图4b绘示根据本发明一些实施例的实际刀具磨耗对刀具寿命关系的示意图；以及
图5为绘示根据本发明一些实施例的虚实代理装置的方块示意图。
具体实施方式
以下仔细讨论本发明的实施例。然而，可以理解的是，实施例提供许多可应用的发明概念，其可实施于各式各样的特定内容中。所讨论的特定实施例仅供说明，并非用以限定本发明的范围。
请参照图1，图1为绘示根据本发明一些实施例的刀具网实预测(tcpp)机制的架构示意图。本发明的tcpp机制整合分别位于工厂层的虚实代理装置(cyber-physicalagent；cpa)120a/120b/120c、位于网络层的闸道器110、防火墙112和114、位于云端层的云端服务器102和云端数据库104。在工厂层中，虚实代理装置120a/120b/120c能分别与多个机台122a/122b/122c、机台124a/124b、机台126通讯，并在机台进行切割时自机台取样获得感测数据，且从这些感测数据导出数据特征。在应用上，使用这些数据特征可减少数据的处理时间、储存空间、和建模用的样本数。透过位于网络层的闸道器110的信息路由(messagerouting)和防火墙112和114的安全认证，虚实代理装置120a/120b/120c亦传送感测数据的数据特征和对应的刀具磨耗的量测数据至云端数据库104，刀具供应商140传送出厂加工条件(切割条件)144至云端数据库104。
在云端层中，云端服务器102所提供的云端服务可帮助使用者达成下列功能：(1)选取关键特征；(2)根据刀具供应商140所建议的出厂加工条件144导出最大刀具寿命(maximumtoollife；mtl)；(3)根据关键特征和刀具磨耗量测数据来建立混合动态类神经网络(hybriddynamicneuralnetwork；hdnn)模型；(4)hdnn模型就绪时通知虚实代理装置120a/120b/120c。在收到就绪讯息并下载此hdnn模型后，虚实代理装置120a/120b/120c可预测出在工厂层中的机台刀具的磨耗值。hdnn模型包含一逻辑斯回归(logisticregression；lr)模型和一动态类神经网络(dynamicneuralnetwork；dnn)模型。lr模型和dnn模型采用最大刀具寿命并使用磨耗特征来同时诊断工厂层中的刀具失效和预测工厂层中的刀具磨耗，其中泰勒刀具寿命公式根据刀具供应商所建议的切割条件建议最大刀具寿命的预设值。此外，在收到实际刀具磨耗量测数据后，hdnn模型可被更新以适应刀具和机台的变化。
云端服务器102包含有处理器和记忆体。在一实施例中，云端服务器102的处理器例如可用中央处理器、及/或微处理器等处理器实现，但不以此为限。在一实施例中，云端服务器102的记忆体可包括一或多个记忆体装置，其中每一记忆体装置或多个记忆体装置的集合包括计算机可读取记录媒体。人机网协同系统100的记忆体可包括只读记忆体、快闪记忆体、软盘、硬盘、光盘、随身盘、磁带、可由网络存取的数据库、或熟悉此技艺者可轻易思及具有相同功能的计算机可读取记录媒体。
每一个虚实代理装置负责一或多个机台。例如：虚实代理装置120a负责机台122a-122c，虚实代理装置120b负责机台124a和124b，虚实代理装置120c负责机台126，机台122a、122b、122c使用的相同刀具产品(型式)，机台124a、124b使用的相同刀具产品(型式)。由于机台122a、122b和122c所使用的刀具产品(型式)相同，故只需同一个hdnn模型。由于机台124a和124b所使用的刀具产品(型式)相同，故只需同一个hdnn模型。刀具产品可为例如车床刀具产品或铣床刀具产品。
以下以cnc工具机来举例说明hdnn模型(即刀具磨耗预测模型)。请参照图2，图2为绘示根据本发明一些实施例的用以预测刀具磨耗的hdnn模型的方块示意图，其中xp为实际加工条件；y(k)为第k次加工程序后的刀具的实际刀具磨耗值；xk为第k次加工程序时的刀具的感测数据；
请参照图3，图3为绘示根据本发明一些实施例的刀具磨耗监测与预测方法的流程图。本发明的刀具磨耗监测与预测方法包含建模阶段和预测阶段，hdnn模型(即刀具磨耗预测模型)是在建模阶段中建立，并在预测阶段中被更新。本发明的刀具磨耗监测与预测方法使用同一种刀具产品的三支刀具(以下分别称为“第一刀具”、“第二刀具”、“第三刀具”)，其中第一刀具和第二刀具是用以建立刀具磨耗预测模型，刀具磨耗预测模型是用来预测第三刀具进行每一次加工程序后的刀具磨耗值。
如图3所示，在建模阶段中，首先进行步骤310，以获得刀具产品的多组出厂加工条件范围，其中所述多组出厂加工条件范围为刀具供应商所提供的刀具产品出厂切割条件的范围数据。所述多组出厂加工条件范围具有多组边界条件(boundaryconditions)。请参照图4a，图4a为绘示根据本发明一些实施例的出厂加工条件的示意图。出厂加工条件包含进给速率、加工深度、最大主轴速度等。如图4a所示，出厂加工条件范围为加工深度范围(ap1,ap2)和进给速率范围(f1,f2)，边界条件点(ap1,f1)、(ap1,f2)、(ap2,f1)、(ap2,f2)所围起来的区域为可使用的加工条件区，其中这些出厂加工条件范围是根据被加工的工件的材料和公差而定。由切割深度(ap1,ap2)和进给速率(f1,f2)可推导得到切割速度(v1,v2)。
接者，进行步骤312，以根据边界条件(例如：边界条件点(ap1,f1)、(ap1,f2)、(ap2,f1)、(ap2,f2))对多支第一刀具分别进行寿命决定操作，以获得刀具产品在这些边界条件下操作的实际刀具最大寿命，例如：在边界条件点(ap1,f1)、(ap1,f2)、(ap2,f1)、(ap2,f2)上的刀具寿命t。对每一支第一刀具所进行的寿命决定操作是使用此第一刀具由其全新状态进行工件加工至它无法使用为止。
然后，进行步骤314，以使用这些边件条件下的多个实际刀具最大寿命、和这些边界条件并根据一泰勒刀具寿命公式，来获得第二刀具在一组实际加工条件(vi,api,fi)下的刀具最大寿命值(maxtoollife；mtlt0)。泰勒刀具寿命公式为如下所示：
t0nvfaapb＝k(1)
其中k为常数。将公式(1)等号的两端对数化，可得下列公式：
代入边界条件点(ap1,f1)、(ap1,f2)、(ap2,f1)、(ap2,f2)和其对应的实际刀具最大寿命(t0)和切割速度(v)至公式(2)可得n、a、b。例如：对典型的高速钢刀具而言，a＝0.77，b＝0.37，n＝0.17。然后，实际加工条件xp(vi,api,fi)的刀具最大寿命值(ti)可自下列公式导出：
其中v1≤vi≤v2，f1≤fi≤f2，ap1≤api≤ap2，xr为最接近xp的边界条件，vr∈{v1,v2}，fr∈{f1,f2}，apr∈{ap1,ap2}。
接者，进行步骤316，以使用第二刀具依序进行多次历史工件加工程序，而获得一实际刀具磨耗对刀具寿命的关系、多组历史感测数据和多个历史刀具磨耗值，其中这些历史刀具磨耗值是以一对一的关系分别对应至所述多组历史感测数据和所述多次历史工件加工程序。历史刀具磨耗值为每一次历史工件加工程序后的第二刀具的磨耗值，其是分析并量测数字显微镜所拍摄的刀具影像而得到，例如：刀具边缘或角落的影像。实际刀具磨耗对刀具寿命的关系如图4b所示，其中此关系具有一最大刀具磨耗门槛值。当刀具的边缘或角落破裂时，代表刀具磨耗超过最大刀具磨耗门槛值，须被更换。
在一些实施例，可自历史感测数据取出刀具磨耗特征。在透过安装在例如主轴、轴向驱动器和轴承的感测器侦测振动和切割负载的变化而得到历史感测数据后，过滤并转换所述多组历史感测数据为对应至至少一特征型式的数据，其中此至少一特征型式包含时域(timedomain)、频域(frequencydomain)和/或时频域(time-frequencydomain)。时域的特征型式包含均方根(rootmeansquare；rms)、平均值、最大值、最小值、标准差(std)和峰至峰值(p2p)。频域的特征型式包含几种谐波功率(harmonicpowers)，其中谐波功率为主轴速度的基本频率(kx，k＝1/4、1/2、1、...、5)的时间(x)的邻近功率(±5hz)。例如：若切割速度为6000转/分钟，则基本频率为100hz，1×h谐波功率在95hz至105hz的频率范围中。时频域的特征型式为历史感测数据的小波封包系数(waveletpackagecoefficients)。过滤并转换历史感测数据的操作是使用一小波去噪法(waveletde-noisingmethod)和一快速傅利叶转换(fastfouriertransform；fft)或一离散小波转换(discretewavelettransform；dwt)。
然后，进行步骤318，以使用历史感测数据和历史刀具磨耗值，并根据一混合动态类神经网络(hdnn)演算法，来建立一刀具磨耗预测(hdnn)模型，其中刀具磨耗预测模型需输入前次加工程序后的刀具磨耗预测值。
建模阶段完成后进入预测阶段。在预测阶段中，首先进行步骤330，以获得一第三刀具在前述第二刀具的实际加工条件下依序进行多次工件加工程序时的多组感测数据，即在第二刀具的实际加工条件每一次工件加工程序时时的一组感测数据，其中所述多次工件加工程序是以一对一的关系分别对应至所述多组感测数据。在一些实施例中，如上所述，可过滤并转换所述多组感测数据为对应至前述至少一特征型式的数据。
然后，进行步骤332，以输入感测数据与在实际加工条件下的刀具最大寿命值至刀具磨耗预测模型，以获得在每一次工件加工程序后的第三刀具的一刀具磨耗预测值，其中在预测每一次工件加工程序后的刀具磨耗预测值时，需输入前次工件加工程序后的刀具磨耗预测值至刀具磨耗预测模型。第k次加工程序后的第三刀具的剩余寿命(remainingusefullife；rul)，即
ymax为最大刀具磨耗门槛值，
接着，进行步骤334，以检查第三刀具的刀具磨耗预测值是否大于或等于最大刀具磨耗门槛值。若步骤334的结果为否，则回到步骤330，以获得第三刀具在第二刀具的实际加工条件下进行下一次工件加工程序时的一组感测数据，来预测下一次工件加工程序后的第三刀具的刀具磨耗预测值(步骤332)。
若步骤334的结果为是，代表第三刀具的磨耗超过最大刀具磨耗门槛值，须被更换，并进行步骤340，以获得在每一次工件加工程序后的第三刀具的实际刀具磨耗值，并将实际刀具磨耗值与感测数据进行关联性分析。接着，进行步骤342，以检查每一次工件加工程序后的第三刀具实际刀具磨耗值与刀具磨耗预测值间的误差是否大于或等于误差门槛值。若步骤342的结果为否，代表不需更新刀具磨耗预测(hdnn)模型，则回到步骤330，以准备预测另一支刀具的磨耗值。若步骤342的结果为是，代表需要更新刀具磨耗预测(hdnn)模型，其中先进行步骤344，以根据实际刀具磨耗值与感测数据间关联性系数(关联性系数大)，来选择重要感测数据参数与其对应的实际刀具磨耗值。然后，进行步骤346，以使用重要感测数据和其对应的实际刀具磨耗值来更新刀具磨耗预测模型。刀具磨耗预测模型更新完后，则回到步骤330。
以下举例说明虚实代理装置(cpa)的结构。请参照图5，图5为绘示根据本发明一些实施例的虚实代理装置500的方块示意图，其中虚实代理装置500与图1所示的虚实代理装置120a/120b/120相同。虚实代理装置500包含有数据收集电路510、数据前处理电路520、特征撷取电路530和磨耗预测电路540，其中这些电路510、520、530和540为软件或固件电路。虚实代理装置500是通讯连接至机台502和数字显微镜504。机台502可为例如cnc工具机，其上安装有各种感测器，例如：电流换能器、加速计、热偶、应变计，用以在机台502运作时侦测轴向马达和主轴的状态。
数据收集电路510可收集来自机台502的控制器的制程数据和来自机台502的各感测器的感测信号(例如：电流、温度、振动、应变)。在模拟数字转换器将这些感测信号自模拟格式转成数字格式后，以时戳将这些感测信号同步成感测数据。然后，数据前处理电路520查询制程数据，即加工(切割)条件，其包含进给速率、主轴速度和座标。数据前处理电路520并使用m码的触发信号来将感测数据分段，且截取来自数字显微镜504的刀具影像。加工(切割)条件是用来导出最大刀具寿命(mtl)。m码是规定并程式化在nc(数值控制)码中，以辨识出运作的相关分段。数字显微镜504的刀具影像是在两加工程序间获得，用以建立或更新hdnn模型。
特征撷取电路530不仅根据运作分段和特征域(featuredomains)来撷取感测数据的磨耗特征，亦自刀具影像导出刀具实际磨耗值。磨耗预测电路540使用hdnn模型预测刀具磨耗，并更新hdnn模型，以适应刀具变异。
由上述本发明实施方式可知，本发明实施例可在工具机进行加工时即时预测出刀具的磨耗值与剩余寿命，并可同时监控与预测同一种刀具产品(型式)的多台工具机。
虽然本发明已以实施方式揭露如上，然其并非用以限定本发明，任何熟悉此技艺者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰，因此本发明的保护范围当视所附的权利要求书所界定的范围为准。