收集來源

於三軸立式加工機,使用二刃型高速鋼銑刀,進行材料切削,於過程中進行DAQ量測與並於切削前與後,計算其刀具磨耗量。切削材料為中碳鋼(S50C),尺寸為50x50x50mm之立方體,刀具磨耗是以相機拍攝,參照ISO 8688-2計算其高速鋼銑刀的磨耗量,每進行切削即拍照記錄並計算磨耗量。DAQ量測是在主軸及平台上,分別安裝兩個三軸加速規進行感測資料收集,過程中同時監測主軸轉速,作為特徵值使用。

削切過程

三軸立式加工機主軸轉速1,110rpm,平台進給率86mm/min,切削深度2mm,及切削寬度2mm進行切削任務。切削路徑是於切削材料上設置A、B、C、D四個定點,並沿著邊緣由D→A、A→B、B→C、C→D進行切削,於每次完成切削後進行拍照,並計算刀具磨耗狀況。

被切材料俯視圖

被切材料俯視圖

DAQ量測資料(特徵資料、RAW DATA)

三軸立式加工機,於加工機的主軸與平台,安裝三軸加速規。以12,800Hz之採樣頻率,及1,110rpm主軸轉動速度進行DAQ資料收集,每次量測(進行)時間長度50秒,每秒以12,800筆資料進行收集,50秒共計收集640,000筆資料。原始資料(DAQ量測資料)文件中,包含轉速計訊號、主軸震動(x, y, z)訊號、平台震動(x, y, z)訊號,每份DAQ量測資料對應1筆刀具磨耗量,96筆刀具磨耗資料,對應96份DAQ量測資料。

單一文件原始資料欄位(DAQ量測資料)

單一文件原始資料欄位(DAQ量測資料)

96筆刀具磨耗量對應96份DAQ資料

96筆刀具磨耗量對應96份DAQ資料

訓練情境(分析應用)

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。

經完成所訓練的模型後,可使任一刀具進行切削任務前,進行磨耗量(mm)計算後,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。

訓練過程

訓練時使用編號1到50的DAQ量測資料,每份含有連續50秒(640,000筆資料)的DAQ量測資料,從每一份編號中以1秒鐘(12,800筆資料)為單位,隨機抽取不連續的50個樣本,對應到磨耗資料上;合計為2500個樣本資料(50秒x50份文件)。

Epoch 100/100

2000/2000 [=====] – 592s 296ms/step – loss: 1.3461e-05 – val_loss: 1.5202e-05

第一回訓練與驗證(epochs = 100)

第一回訓練與驗證(epochs = 100)

Epoch 100/100

2000/2000 [=====] – 597s 299ms/step – loss: 9.8506e-06 – val_loss: 1.0365e-05

第二回訓練與驗證(epochs = 100)

第二回訓練與驗證(epochs = 100)

Epoch 62/100

2000/2000 [=====] – 587s 293ms/step – loss: 9.2039e-06 – val_loss: 9.5617e-06

第三回訓練與驗證(epochs = 100)

第三回訓練與驗證(epochs = 100)

Epoch 100/100

2000/2000 [=====] – 607s 303ms/step – loss: 3.4459e-06 – val_loss: 5.4848e-06

第四回訓練與驗證(epochs = 100)

第四回訓練與驗證(epochs = 100)

Epoch 100/100

2000/2000 [=====] – 602s 301ms/step – loss: 3.2475e-06 – val_loss: 5.2222e-06

第五回訓練與驗證(epochs = 100)

第五回訓練與驗證(epochs = 100)

預測結果(成果展示)

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。

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。

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。

未來應用

API程式碼與技術文件中提供了相關大數據資料提取、維度轉換、模型訓練、及資料預測的函式庫,可供相類似的應用或預測進行快速的程式碼建構及實現。