銑削加工振動訊號前處理於刀具磨耗監控之研究

Abstract

製造業近年來對於加工機故障或刀具磨耗之預測模型開發日趨重視。過往數據分析的刀具磨耗監測系統研究中，大部分是根據已經制定好的切削條件(轉速、進給)去建立刀具磨耗監測模型的，使用此模型對監測模型對應的切削條件之量測數據有良好的辨識性。但對於此切削條件外的數據的辨識性能力之研究不多，因此此方法建立的模型之泛化性(generalization)仍需要驗證。本研究嘗試將特定切削條件下的數據排除於訓練數據集中，並作為測試樣本，測試模型之辨識率，藉此檢驗刀具磨耗監測模型之泛化性。 研究中利用置於虎鉗上的加速規擷取之振動訊號，另外以電流勾錶量測主軸電流訊號，並將這些訊號作為刀具磨耗狀態的對應特徵。加速規安裝空間需求小、安裝容易、成本低，且有較高的信噪比(Signal-to-Noise ratio)，相較於安裝動力計更適合用於量測小型五軸加工機之加工訊號，而主軸電流訊號與切削力有高度正相關。本研究利用上述特徵以隨機森林(Random forest)演算法建立機器學習模型來辨識刀具磨耗之狀態，為測試模型之泛化性，採用排除特定實驗條件於訓練集外而作為測試集的方式測試模型，對各種實驗條進行測試後準確率大部分超越80%，最低則是65%。對實驗數據事先進行標準化後，去除頻率域訊號能量的因素，使模型選取到結構振動特徵，可將最低的準確率提升至75%，另外也解決了將嚴重磨耗判斷為輕度磨耗的問題，可以正確地判斷換刀時機。