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
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)
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)
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)
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)
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)
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)
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
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
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。