臺灣博碩士論文加值系統

刀具磨耗為加工過程中影響產品精度的重要因子，若換刀時機過早，則易造成刀具成本提升與校刀時間增加；若換刀時機過遲，則所加工品之精度易超規，造成加工資源的浪費。因此，如何推估刀具磨耗狀況實為提升加工效益的關鍵。
本研究基於加工感測特徵，開發出一刀具磨耗分析系統，包含智慧感測單元(Intelligent Sensing Unit, ISU)與刀具量測單元(Tool Measuring Unit, TMU)。ISU可有效且即時擷取加工過程之振動、電流、與溫度等感測值，自動萃取出加工負載特徵，並與加工參數包含主軸轉速、進給率與切削深度等進行同步計算。TMU包含線上與離線兩影像擷取模組，可擷取刀具磨耗影像以計算磨耗量。藉由整合ISU與TMU，此刀具分析系統可分析加工負載特徵與刀具磨耗面積關係，以推估刀具狀態。
研究發現，以銑削加工為例，當刀腹磨耗(flank wear)量增加時，軸向電流特徵如均方根值、小波係數、與偏態係數，可較主軸電流特徵呈現刀具磨耗面積的三階段變化趨勢。應用類神經網路與複迴歸以預測刀具磨耗面積時，在固定加工條件時，平均絕對誤差分別可達為5.8%與9.6%。
關鍵字: 刀具磨耗、智慧感測、刀具量測、類神經網路、複迴歸。

Tool wear is a key factor for affecting product accuracy during machining process. Early tool change could increase tool cost and time for tool compensation; however, late tool change could induce workpieces being out of specification of and waste machining resources. Therefore, the key for improving machining efficiency is how to timely estimate tool wear.
This work based on machining sensing features proposes a tool analysis system including ISU (intelligent sensing unit) and TMU (tool measuring unit). The USU can effectively and timely collect sensor data, e.g., vibration, current, and temperature, automatically extract machining features, and synchronize machining parameters, e.g., spindle speed, feed, and depth of cut. The TMU comprising off-line and on-line image acquisition modules can compute wear area size by capturing tool images. After integrating the ISU and TMU, the tool analysis system can estimate tool status according to relations between loading features and wearing area.
The results of milling processes show that the trends of the three phases of flank wear can be effectively indicated by the features, i.e., root mean square value, wavelet coefficient, and skewness of motor currents in axis directions than that of the spindle. In particular, the average accuracies of predicting tool wear area by using the neural network and multiple regression are 5.8% and 9.6%, respectively.

Keywords: tool wear, intelligent sensing, tool measuring, neural network, and multiple regression.

摘要 i
Abstract ii
誌謝 iii
目錄 iv
表目錄 vii
圖目錄 viii
第1章 緒論 1
1.1研究背景 1
1.2研究目的 12
1.3研究架構 14
第2章 理論方法 15
2.1刀具磨耗 15
2.1.1刀具磨耗過程 15
2.1.2刀具磨耗現象與原因 16
2.2訊號擷取 18
2.2.1加速規 19
2.2.2溫度感測器 20
2.2.3電流感測器 22
2.2.4訊號頻寬 22
2.2.5訊號取樣率 22
2.2.6奈奎斯特定理(Nyquist Theorem) 23
2.2.7失真 24
2.2.8量化 24
2.2.9雜訊振顫 (dithering) 26
2.2.10雜訊過濾 26
2.3刀具量測 27
2.3.1機器視覺 27
2.3.2影像前處理 31
2.3.3特徵點搜尋 34
2.3.4刀具壽命推估 34
2.4刀具預測方法 36
2.4.1頻域分析 36
2.4.2時域特徵分析 37
2.4.3迴歸分析 39
2.4.4相關係數 41
2.4.5類神經網路 41
第3章 系統開發 44
3.1系統設計 44
3.1.1系統概念 44
3.1.2刀具狀態推估流程 45
3.2系統執行步驟 47
3.2.1訊號擷取 47
3.2.2特徵計算 53
3.2.3影像擷取 54
3.2.3磨耗計算 57
3.2.4磨耗推估 59
3.2.5系統操作 60
第4章 實驗分析 64
4.1案例設計 64
4.1.1實驗設計 65
4.1.2負載與電流迴歸分析 71
4.2實驗結果分析 72
4.2.1實驗說明 72
4.2.2刀具磨耗實驗 73
4.2.3結果分析 89
第5章 結論與未來方向 92
5.1結論 92
5.2未來研究方向 93
參考文獻 94
附錄 97
ISU電路圖 97
振動與溫度感測器配置圖 101

[1] 行政院主計處，2015，第065號，國情統計通報。
[2] V. P. Astakhov, “The assessment of cutting tool wear,” International Journal of Machine Tools & Manufacture 44, pp. 637-647, 2004.
[3] 林順清，1998，工具機刀具磨耗現象之探討，國立中興大學機械工程研究所碩士論文。
[4] 陳逸松，2000，小波理論應用於球銑刀銑削過程刀具磨耗之偵測，大同大學機械工程研究所碩士論文。
[5] S. E. Oraby and D. R. Hayhurst, “Tool life determination based on the measurement of wear and tool force ratio variation,” International Journal of Machine Tools & Manufacture 44, pp. 1261-1269, 2004.
[6] 丁嘉仁，1993，以神經網路進行鑽削刀具磨耗監測模式之研究，國立清華大學動力機械研究所碩士論文。
[7] 林仁昭，1993，面銑削刀具磨耗之監測，國立清華大學動力機械研究所碩士論文。
[8] G. F. Wang, Z. W. Guo and L. Qian, “Tool wear prediction considering uncovered data based on partial least square regression,” Journal of Mechanical Science and Technology, Vol 28 , pp. 317-322, 2014.
[9] 李政育，2011，刀具狀態移轉之電流特徵選取法，國立高雄第一科技大學系統資訊與控制研究所碩士論文。
[10] T. H. Miguel and R. D. Carlos, “FPGA-Based Fused Smart- Sensor for Tool- Wear Area Quantitative Estimation in CNC Machine Inserts” Sensors 2010, Vol. 10, pp. 3373-3388.
 
[11] 田仲凱，2011，車削刀具磨耗偵測之聲射訊號產生模型建立與分析，中興大學機械工程研究所碩士論文。
[12] 施瀚博，2013，車削與銑削刀具磨耗偵測之聲射感應器位置與訊號比較分析，中興大學機械工程研究所碩士論文。
[13] P. Kulandaivelu and P. S. Kumar, “Investigate the Crater Wear Monitoring of Single Point Cutting Tool Using Adaptive Neuro Fuzzy Inference System,” Journal of Applied Science and Engineering, Vol. 15, No. 3, pp. 265-274, 2012.
[14] 姚皇任，2014，以多感測器及類神經網路監測車削中刀具磨耗程度，國立高雄第一科技大學機械與自動化工程研究所碩士論文。
[15] 萬秉勳，2010，隱藏式馬可夫模型應用於微細刀具磨耗狀態偵測之研究，中興大學機械工程學研究所碩士論文。
[16] 劉乃綱，2008，微球銑削刀具磨耗分析之研究，國立高雄第一科技大學機械與自動化工程研究所碩士論文。
[17] 郭憲宗，1991，以影像處理法檢測刀具磨耗之研究，國立交通大學機械工程研究所碩士論文。
[18] 鄭惟仁，2010，機器視覺系統運用於刀具磨耗檢測之研究，國立勤益科技大學機械工程研究所碩士論文。
[19] 李明哲，2011，影像處理輔助微銑刀以及鑽石刀具之刀具磨耗檢測，國立臺灣科技大學機械工程系研究所碩士論文。
[20] D. A. Fadare and A. O. Oni, “Development and Application of a Machine Vision System for Measurement of Tool Wear,” ARPN Journal of Engineering and Applied Sciences, Vol. 4, No. 4, June 2009.
[21] J. Jurkovic, M. Korosec and J. Kopac, “New approach in tool wear measuring technique using CCD vision system,” International Journal of Machine Tools & Manufacture 45, pp. 1023-1030, 2005.
[22] 林鴻熊，2009，端銑刀銑削SKD11硬鋼之刀具磨耗研究，華梵大學機電工程研究所碩士論文。
[23] Y.-T. Liang and Y.-C. Chiou, “An Effective Drilling Wear Measurement based on Visual Inspection Technique,” JCIS, Atlantis Press, 2006.
[24] 許銘軒，2010，應用小波轉換及類神經網路於滾珠軸承之故障診斷，國立成功大學製造資訊與系統研究所碩士論文。
[25] 鼎太電子有限公司，http://www.diing-tai.com.tw/。
[26] National Instruments Corporation，http://www.ni.com/。
[27] 葉書華，2008，以機器視覺為基礎之刀具磨耗偵測系統研發，義守大學工業工程與管理研究所碩士論文。