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>
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
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
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。