[发明专利]刀具磨耗监测与预测方法

说明书

一种刀具磨耗监测与预测方法，其使用混合动态类神经网络演算法，来建立一刀具磨耗预测模型。刀具磨耗预测模型采用实际加工条件、本次加工程序时的刀具的感测数据(关键特征)、前次加工程序后的刀具的刀具磨耗预测值，来预测本次加工程序后的刀具的刀具磨耗预测值。此刀具磨耗监测与预测方法使用虚实代理装置来同时监控与预测同一种机台型式的多台机台的刀具磨耗。

技术领域

本发明是有关于一种刀具磨耗监测与预测方法，且特别是有关于一种可预测刀具磨耗与刀具剩余寿命的方法。

背景技术

工具机的刀具磨耗为加工过程中影响工件精度的重要因子。在已知的加工厂中，刀具磨耗的量测是依靠数字显微镜所监看到的刀具影像，再经由人为判断此刀具影像的情形来决定是否进行刀具更换，不仅耗费人力成本，且常有误判的情形发生。若更换刀具的时机过早，易造成刀具成本提升与刀具的校正时间增加。反之，若更换刀时机具的过晚，则所加工的工件的精度容易超规，而造成工件报废。因此，如何在工具机进行加工时即时预测出刀具的磨耗状况实为提升加工效益的关键。

另一方面，在一加工厂中，通常有多台工具机台使用同一种刀具产品(型式)，若要对这些工具机逐一加以判断其刀具的磨耗状况，往往旷日废时，且易发生刀具无法及时更换的情形。因此需要发展可同时监控与预测多台工具机上的刀具磨耗和寿命的方法。

发明内容

本发明的一目的是在提供一种刀具磨耗监测与预测方法，借以在工具机进行加工时即时预测出刀具的磨耗值与剩余寿命。

本发明的另一目的是在提供一种刀具磨耗监测与预测方法，借以使用刀具网实预测(Tool Cyber-Physical Prediction；TCPP)机制来同时监控与预测同一种刀具产品(型式)的多台工具机。

根据本发明上述目的，提出一种刀具磨耗监测与预测方法。在此刀具磨耗监测与预测方法中，首先，获得一刀具产品的多组出厂加工条件范围，其中所述多组出厂加工条件范围具有多组边界条件(Boundary Conditions)。然后，根据这些边界条件对多个第一刀具分别进行寿命决定操作，以获得此刀具产品在这些边界条件下操作的多个实际刀具最大寿命，其中这些第一刀具的型式与刀具产品相同，每一个寿命决定操作是使用这些第一刀具其中一者由其全新状态进行工件加工至无法使用为止。接着，使用这些边界条件下的所述多个实际刀具最大寿命、和这些边界条件并根据一泰勒刀具寿命公式，来获得第二刀具在一组实际加工条件下的一刀具最大寿命值(Max Tool Life)，其中此第二刀具的型式与上述的刀具产品相同。使用第二刀具依序进行多次历史工件加工程序，而获得一实际刀具磨耗对刀具寿命的关系、多组历史感测数据和多个历史刀具磨耗值，其中这些历史刀具磨耗值是以一对一的关系分别对应至所述多组历史感测数据和所述多次历史工件加工程序。然后，使用所述多组历史感测数据和这些历史刀具磨耗值，并根据一混合动态类神经网络(Hybrid Dynamic Neural Network；HDNN)演算法，来建立一刀具磨耗预测模型。接着，获得一第三刀具在此组实际加工条件下依序进行多次工件加工程序时的多组感测数据，其中此第三刀具的型式与上述的刀具产品相同，所述多次工件加工程序是以一对一的关系分别对应至所述多组感测数据。然后，输入所述多组感测数据与上述的刀具最大寿命值至刀具磨耗预测模型，以获得在每一次工件加工程序后的第三刀具的一刀具磨耗预测值，其中在预测每一次工件加工程序后的刀具磨耗预测值时，需输入前次工件加工程序后的刀具磨耗预测值至刀具磨耗预测模型。

在一些实施例中，上述的刀具磨耗监测与预测方法还包含：根据上述的刀具磨耗对刀具寿命的关系从刀具磨耗预测值获得一刀具寿命。

在一些实施例中，上述的刀具磨耗监测与预测方法还包含：根据上述的刀具磨耗对刀具寿命的关系从刀具最大寿命值获得一最大刀具磨耗门槛值。

在一些实施例中，上述的刀具磨耗监测与预测方法还包含：由上述的刀具磨耗预测值、刀具最大寿命值和最大刀具磨耗门槛值计算出每一次工件加工程序后的第三刀具的一刀具剩余寿命值。