工具機台之感測器所收集的資料,可於分析後進行各種利用與應用。本次案例以大數據收集主軸與平台震動訊號,配合刀具磨耗資料,使用TensorFlow深度學習來分析刀具切削過程中的磨耗量預測。目的在於透過隨機且短暫的量測(1秒內)震動訊號,即可推估未來10次的刀具磨耗狀況。用於在重要的材料切削過程或之前,來預判是否更換已達到不健康或不安全的刀具更換。

關鍵字:刀具磨耗資料、DAQ量測資料、TensorFlow、Keras、LSTM

刀具磨耗 – 訓練與預測函式庫(API Document) <點我查看>

刀具磨耗 – 訓練與預測函式庫(API Release) <點我查看>

刀具磨耗 – 訓練與預測成果 <點我查看>

訓練與預測成果

透過隨機(不經意)的監測連續1秒鐘的QAD量測資料(特徵資料),來預測未來10次的預判磨耗度的狀況。每1次的切削磨耗度,即是表示每次削切的50秒後,所得到的磨耗量與上一次所記錄的磨耗量差異值;10次的磨耗度即是表示欲求得500秒後的削切結果。

下表為使用已經過訓練的樣本,隨機抽樣1秒鐘的資訊,進行預測。由於樣本資料是經過學習的,因此在良好的多次(反覆以及大量)的訓練之後,Loss值下降抵達至滿意值時,可以使預測結果貼近實際的結果。在本次的案例重點,是透過涵蓋10次預測的中位數來求得整體之平均數,來求得最終預測結果,最終的預測值將會逼近實際值。

Sample No. 實際磨耗度 預測磨耗度
12 0.003143098 0.003755485
13 0.000552952 0.006327834
14 0.013241755 0.001625294
15 0.013183549 0.003856594
16 0.004394516 0.010309946
17 0.000145514 0.009762639
18 0.000960391 0.002495818
19 0.00369605 -0.00105987
20 0.000145514 -0.000147556
21 0.000960391 0.000660415
12~21的中位數 0.002051745 0.003125652
12~21含中位數的平均值 0.003861407 0.003701114
已經學習的樣本計算10次中位數與平均值

已經學習的樣本計算10次中位數與平均值

下表為使用未經過訓練的樣本,隨機抽樣1秒鐘的資訊,進行預測。使用從未訓練過的樣本,在深度學習的慣例上,樣本時間距離越遠,預測結果將更容易失準,一般需透過更多的訓練與學習來補足這個問題。在本次的案例中,即使未經過訓練過的樣本,也能在涵蓋10次預測的中位數求得整體之平均數,取得最終預測結果,且最終的預測值也逼近實際值。

Sample No. 實際磨耗度 預測磨耗度
57 0.001222316 0.012715003
58 0.00823608 0.015145497
59 0.008905444 0.015840197
60 0.012630597 0.008805933
61 0.006315298 0.003664877
62 0.003026687 0.001886249
63 0.007275689 0.002245099
64 0.004249003 0.004148652
65 0.00960391 0.001222653
66 0.005209394 -0.000608819
57~66的中位數 0.006795494 0.003906765
57~66含中位數的平均值 0.006679083 0.006270192
未經訓練的樣本計算10次中位數與平均值

未經訓練的樣本計算10次中位數與平均值

在實際的使用情境裡,可以取任一刀具並進行磨耗量(mm)計算後,開始進行切削任務,在刀具切削的過程中,任意取得連續1秒鐘的DAQ量測資料,並輸入至模型中,即可預測在連續切削的8分鐘後,刀具將所消耗的磨耗度,將磨耗度與磨耗量相加後即可算出推估之磨耗量結果。