TWI778460B

TWI778460B - 加工電極消耗的線上預測方法與加工精度的預測方法

Info

Publication number: TWI778460B
Application number: TW109141912A
Authority: TW
Inventors: 詹家銘; 吳文傑
Original assignee: 財團法人金屬工業研究發展中心
Priority date: 2020-11-27
Filing date: 2020-11-27
Publication date: 2022-09-21
Also published as: TW202221335A

Abstract

一種加工電極消耗的線上預測方法，適用於放電加工設備，包括實驗設計、從放電加工設備的加工參數萃取出影響電極消耗變數，以及藉由相關性分析而取得加工參數與影響電極消耗變數的關聯性，以取得能預測出加工電極與工件有效接觸面積的模型。另揭露一種加工精度的預測方法。

Description

加工電極消耗的線上預測方法與加工精度的預測方法

本發明是有關於一種加工精度預測方法，且特別是有關於一種加工電極消耗的線上預測方法以及加工精度的預測方法。

當進行放電加工時，常因為設備的排渣不良、異常短路或電極消耗等因素，造成工件尺寸不如預期、工件表面粗糙度大等品質不佳的情形。再者，一般的放電加工設備並無法在加工過程中有效地預測工件的加工精度，只能透過量測設備對加工後的工件進行離線加工精度量測。

為了解決上述缺失，目前已有透過預測模型，而在放電加工的過程中監測相關加工資訊，以預測後續工件的加工精度。然而，上述模型並未能即時反映放電電極的消耗，僅能依靠離線後的量測而取得放電電極的消耗量，因而大幅影響放電加工設備的稼動率。

有鑑於此，便有需要提供一種放電加工精度的預測方法，來解決前述的問題。

本發明提供一種加工電極消耗的線上預測方法與加工精度的預測方法，以在放電加工過程中即時預測放電電極的消耗量，並據以調整放電加工設備的加工參數，而取得較佳的放電加工精度。

本發明的加工電極消耗的線上預測方法，適用於放電加工設備，包括：實驗設計、從放電加工設備的加工參數萃取出影響電極消耗變數，以及藉由相關性分析而取得加工參數與影響電極消耗變數的關聯性，以取得能預測出加工電極與工件有效接觸面積的模型。

本發明的加工精度的預測方法，包括：以建模基底萃取方法萃取放電加工設備的多個關鍵加工特徵值，其中關鍵加工特徵值包括電極前述加工電極消耗的線上預測方法所取得；將這些關鍵加工特徵值建立放電加工精度預測模型；以及即時感測放電加工設備的多組放電電壓訊號及多組放電電流訊號作為輸入值，並傳送至加工精度預測模型，以即時輸出至少一放電加工精度預測值作為輸出值。

基於上述，藉由加工電極消耗的線上預測方法，以透過其實驗設計、從放電加工設備的加工參數萃取出影響電極消耗變數，以及藉由相關性分析而取得加工參數與影響電極消耗變數的關聯性，而取得能預測出加工電極與工件有效接觸面積的模型。如此一來，從所述模型取得的有效接觸面積即能代表當下放電電極所能對工件進行的放電加工能力，也相當於反映出放電電極於前次加工後的消耗程度，故而相關控制系統即能依據放電電極目前的放電加工能力而適應地調整放電加工設備的相關加工參數，以適配於工件所需的被加工過程而增益於加工精度。

圖1是本發明一實施例放電加工精度的預測系統的示意圖。請參考圖1，本實施例的放電加工精度的預測系統200包括放電加工設備210以及資料處理模組220，且資料處理模組220訊息連接放電加工設備210。放電加工設備210具有主軸211及設置於主軸211的加工電極（tool-electrode）211a，以透過加工電極211a而對工件P1進行放電加工。資料處理模組220包括控制回授單元221、感測單元222與處理單元223。控制回授單元221用以感測距離訊號，而作為判斷感測單元222是否要擷取放電加工設備210在線加工時的製程資料（包括放電電壓訊號及放電電流訊號）。處理單元223則可根據感測單元222所擷取的製程資料建立多個加工特徵，並可根據量測機台300所處理的不同量測項目的量測值（量測值是指放電加工設備加工處理工件後，工件品質的量測值），再從加工特徵中彙整出與加工精度有關的關鍵加工特徵值，以提供給自動化伺服器400並據以建立放電加工精度預測模型，以預測放電加工設備210後續之加工精度。

舉例來說，自動化伺服器400是以類神經網路（Neural Network，NN）方法與回歸分析（Regression Analysis）方法（例如部分最小平方法PLS）而建立放電加工精度預測模型。欲陳明者，本實施例使用的預測模型可為如專利號TW I349867所揭示之自動化伺服器所建立之加工精度預測模型，但此並非用以限制本發明。

大致而言，本實施例之建模基底萃取方法主要是蒐集放電加工設備210在放電過程中的製程資料（例如電極消耗值、放電電壓訊號及放電電流訊號），然後根據這些製程資料建立出多個加工特徵，並應用資料前處理技術（Data Pre-Processing Technology）從這些加工特徵中萃取出可用於推估加工精度之關鍵加工特徵值。這些彙整出的關鍵加工特徵值主要可提供給自動化伺服器400，以建立放電加工精度預測模型，用來預測放電加工設備210之加工精度。

詳細來說，圖2A與圖2B分別繪示本發明建立預測模型的示意圖。圖2C是放電加工精度預測模型的輸入輸出示意圖。圖3A是本發明放電加工精度預測模型的建立流程。圖3B是建立圖2A預測模型的流程圖。圖3C是建立圖2B放電加工精度預測模型的流程圖。在此，圖2A的模型建立對應於圖3A流程中的步驟S110，圖2B的模型建立對應於圖3A流程中的步驟S130。

請先參考圖2A與圖3A，在步驟S110中，以建模基底萃取方法萃取放電加工設備210的關鍵加工特徵值群組A，以建立初建預測模型，其中關鍵加工特徵值群組A包括離線電極消耗值。接著，在步驟S120中，藉由加工電極消耗的線上預測方法而從初建預測模型取得加工電極消耗的線上預測模型。接著，在步驟S130中，以建模基底萃取方法萃取放電加工設備210的關鍵加工特徵值群組B，以建立放電加工精度預測模型，其中關鍵加工特徵值群組B包括由加工電極消耗的線上預測模型所取得的線上電極消耗值。最後，在步驟S140中，當放電加工設備210在進行後續放電加工時，便能即時感測放電加工設備210的多組放電電壓訊號及多組放電電流訊號作為輸入值，並傳送至放電加工精度預測模型，以產生新加工電流值與至少一放電加工精度預測值作為輸出值，其中所產生的新加工電流值便得以傳送至控制器212，而讓放電加工設備210能以此作為驅動接下來放電加工動作的依據。

簡單地說，在放電加工過程中，由於加工電極消耗的線上預測模型能即時反映出加工電極211a的現狀，故而從前述步驟S140所產生的效果便是除了提供放電加工精度預測值而讓操作者得知之外，也會據以調整放電電流（即上述的新加工電流值），而能因應加工電極211a在放電加工過程中的消耗進行適當地調整。

請參考圖3B，在此進一步地描述步驟S110的相關細部步驟。在步驟S111中，以放電加工設備210分別處理多個工件P1而獲取多組製程資料，其中每組製程資料包括離線電極消耗值、放電電壓訊號與放電電流訊號。在此，可利用高壓探棒以及電流勾表來感測放電加工設備210的放電電壓以及放電電流，而可利用影像感測器222a量測電極消耗值。接著，在步驟S112中，則將這些製程資料建立多個加工特徵。

需說明是，本實施例的加工特徵包括電極消耗值、放電頻率、開路比、短路比、平均短路時間、短路時間標準差、平均短路電流、短路電流標準差、平均延遲時間、延遲時間標準差、平均放電峰值電流、峰值電流標準差、平均放電時間、放電時間標準差、平均放電能量以及放電能量標準差。

在上述加工特徵中，平均延遲時間與短路比是從放電電壓訊號所建立，其中，平均延遲時間定義為從已建立足夠開路電壓的時間點開始到電壓脈衝穿過電極與工件間的間隙，並開始有放電電流為止的時間差。短路比（Short circuit ratio）的定義為短路脈衝（short circuit pulse，SCP）數除以放電脈衝數，其中短路脈衝為於一放電脈衝周期內，開路電壓值持續小於指定電壓門檻時，則該次的放電脈衝期間則紀錄為一次短路脈衝。

在上述加工特徵中，放電頻率、平均放電峰值電流以及平均放電時間是從放電電流訊號所建立，其中，平均放電頻率（Average spark frequency）的定義為在一脈衝時間內，若該次電流波峰值超過最小門檻峰值，則定義為出現電流火花，而放電頻率定義為取樣期間內出現火花的總數。平均放電峰值電流（Average peak discharge current）定義為在取樣期間內，所有放電峰值電流（peak current）的平均數，其中，峰值電流為脈衝期間內，通過電極到達工件的大電流值。平均放電電流脈衝持續時間（Average discharge current pulse duration）定義為在取樣期間內，所有電流脈衝持續時間的平均值，其中，電流脈衝持續時間為放電電流波形開始點到結束點間的時間差。

在上述加工特徵中，平均短路時間、開路比、平均放電能量以及平均短路電流則是根據放電電流訊號以及放電電壓訊號所共同建立，其中，平均短路時間與短路持續時間有關，且短路持續時間（Short circuit duration）定義為當一段放電脈衝期間內（需連續兩個脈衝以上）發生多次連續短路，則短路持續時間為多次連續短路期間內，第一個短路峰（short circuit peak）到最後一個短路脈衝峰的時間差。開路比是定義為取樣期間內，開路次數除以放電脈衝總數，其中，在某一脈衝時間內，當電壓峰結束時，並沒有跟著電流峰上升時，即稱之為開路（Open circuit）。若發生開路時，則代表一電壓峰（Ignition Voltage）未能導引出後續電流峰（Discharge Current），此電壓峰即為無效脈衝。平均放電能量主要是用來保持放電加工製程的穩定性以確保加工品質，而第i次放電的放電能量（E）公式如以下公式，其中t _ei為放電持續時間，U _i為放電電壓，I _pi為放電峰電流，此公式是假設在放電過程中，放電電壓保持不變。

欲陳明者，根據前述揭露內容，短路時間標準差、短路電流標準差、延遲時間標準差、峰值電流標準差、放電時間標準差以及放電能量標準差之標準差值的計算方式為本發明所屬技術領域中之具有通常知識者所熟知，故在此不再贅述。

請再參考圖3B，接著，在步驟S113中，以量測機台300量測多個工件P1而取得多個量測值，其中每一量測值分別為放電加工設備210根據多組製程資料所加工處理多個工件P1的量測值。舉例來說，以不同外形及不同尺寸加工電極211a對多個工件P1進行放電加工而形成盲孔，完成之後即以量測機台300對這些盲孔進行尺寸與粗糙度的量測。

完成量測值的量測動作後，即能以步驟S114進行相關性分析，以獲得多個加工特徵與多個量測值間的多個相關性數值。在找出加工特徵與量測值間之相關性數值後，接著進行步驟S115，從相關性數值中選取具有較大之相關性數值的加工特徵，作為多個關鍵加工特徵值（也就是前述的關鍵加工特徵值群組A），其中，本實施例是選取相關性數值絕對值大於0.3的加工特徵。屆此，即能完成步驟S110所需，也就是將包含離線電極消耗值在內的相關關鍵加工特徵值建構成為初建預測模型。

圖4A與圖4B是建立圖2B預測模型的流程圖。請同時參考圖4A與圖4B，在此對前述步驟S120所述進行詳細說明。在本實施例中，先進行步驟S210的實驗設計，接著進行步驟S220，從放電加工設備210的加工參數萃取出影響電極消耗變數。在此所述加工參數即是從前述初建預測模型的相關加工特徵（且特別是除了前述離線電極消耗值之外的其他關鍵加工特徵值中取得）。最後在步驟S230中，藉由相關性分析而取得加工參數與影響電極消耗變數的關聯性，以建立加工電極消耗預測模型。請再參考圖4B，更進一步地說，前述步驟S230更包括步驟S231，判斷資料是否異常，若是，則重新執行步驟S220，也就是重新從放電加工設備的加工參數萃取出影響電極消耗變數；若否，則執行步驟S232，藉由F檢驗（F-test）判斷回歸方程式是否可行，若是，則續行後續步驟S233，若否，則返回步驟S220，重新從放電加工設備210的加工參數萃取影響電極消耗變數；若是，則接著在步驟S233中進行殘差分析判斷，而後，則執行步驟S234，藉由t檢驗（t-test）找出相關性極低的影響電極消耗變數並予以移除。屆此，即完成步驟S230建立加工電極消耗預測模型之所需。

接著，請參考圖2B與圖3C，當如上述從初建預測模型取得加工電極消耗預測模型後，即代表放電加工設備210能在放電加工過程中取得加工電極211a的消耗情形（線上電極消耗值），故再次以類似於圖3B所示流程，而在圖3C所示步驟S111A中，以放電加工設備210分別處理多個工件P1而獲取多組製程資料，其中每組製程資料包括線上電極消耗值、放電電壓訊號與放電電流訊號。接著，執行步驟S112至S114，其已如圖3B所示。最終，於步驟S115A中，從多個相關性數值中選取具有相關性數值絕對值大於0.3的加工特徵作為關鍵加工特徵值群組B，並據以將其投入圖3A所示步驟S130，也就是將包含線上電極消耗值在內的關鍵加工特徵群組B藉由建模基底萃取方法而建立放電加工預測模型。最終，即如圖2C與圖3A的步驟S140所示，在放電加工過程中，由即時感測到的放電電壓訊號與放電電流訊號搭配線上電極消耗值，便能順利地預測出放電加工精度，且產生新加工電流值供放電加工設備210進行後續的加工，其中關鍵加工特徵值群組B即是作為提升模型預測能力之用。

在本實施例中，於前述步驟S220所提及的影響電極消耗變數包括有效放電次數、加工深度以及累計加工時間，其中有效放電次數是總放電次數扣除異常放電次數。在此，異常放電次數包括放電時額定電壓（Ue）低於設定準位（相當於異常放電R _A）的發次與放電延遲時間（TD）低於標準時間（相當於異常放電R _B）的發次。圖5繪示放電電壓波形示意圖。圖6提供影響電極消耗變數與有效接觸面積的實驗數據。請同時參考圖5與圖6，在本實施例的步驟S230中，相關性分析所建構的回歸方程式為： A _eff=A ₁+A ₂*N _total-A ₃*R _B-A ₄*L+A ₅*T+A ₆*L*T-A ₇*R _B*L+A ₈*N _total*L+A ₉*N _total*R _B-A ₁₀N _total*T-A ₁₁*N _total*L*T+A ₁₂N _total*L*T*R _B，

上述A _eff是加工電極211a與工件P1之間的有效接觸面積，N _total是總放電次數，在此同時將R _B視為放電延遲時間（TD）低於設定時間的發次，L是加工深度，T是累計加工時間。如圖5所示三種電壓訊號的波形，其中最左側為符合加工所需標準放電的電壓波形，具有標準電壓準位V _S與標準放電延遲時間TD _S，而中間為異常放電R _A，也就是放電時額定電壓低於標準準位V _S的放電電壓波形，右側則為異常放電R _B，也就是放電延遲時間低於標準時間TD _S的放電電壓波形，因此有效放電次數即是將總放電次數扣除如圖5所示的異常放電（R _A與R _B）的次數。還需說明的是，上述回歸方程式所採參數可依據實際加工設備的條件而予以適當變更。舉例來說，若經由電路控制而使放電加工設備能避免放電時額定電壓（Ue）低於設定準位的異常放電情形時，則如上述回歸方程式即不需將其列入。

此外，如圖6所示，其藉由實驗驗證所述影響電極消耗變數，也就是總放電次數N _total、異常放電（R _A與R _B）的次數、加工深度L、累計加工時間T與有效接觸面積（A _eff）的關聯性，其以表格中的關聯性指標（FITS）作為標示，從中即能清楚得知，隨著有效接觸面積（A _eff）降低，其關聯性指標（FITS）也會隨之降低，此即代表這些影響電極消耗變數確實與有效接觸面積存在正相關。同時，對於放電加工製程而言，加工電極211a的外形（包括幾何形狀與尺寸）是作為影響其放電加工精度的主因之一，故而本實施例在加工過程中能即時取得有效接觸面積即代表具備掌握放電加工精度的條件。據此，本實施例藉由加工電極的線上預測方法（及其模型），便能即時掌握加工電極211a的現狀，而據以提出對應的適配方案。

綜上所述，在本發明的上述實施例中，藉由加工電極消耗的線上預測方法，以透過其實驗設計、從放電加工設備的加工參數萃取出影響電極消耗變數，以及藉由相關性分析而取得加工參數與影響電極消耗變數的關聯性，而取得能預測出加工電極與工件有效接觸面積的模型。如此一來，從所述模型取得的有效接觸面積即能代表當下放電電極所能對工件進行的放電加工能力，也相當於反映出放電電極於前次加工後的消耗程度，故而相關控制系統即能依據放電電極目前的放電加工能力而適應地調整放電加工設備的相關加工參數，以適配於工件所需的被加工過程而增益於加工精度。

200:放電加工精度的預測系統 210:放電加工設備 211:主軸 211a:加工電極 220:資料處理模組 221:控制回授單元 222:感測單元 223:處理單元 300:量測機台 400:自動化伺服器 P1:工件 S110～S140、S111～S115、S111A:步驟 S210～S230、S231～S234:步驟

圖1是本發明一實施例放電加工精度的預測系統的示意圖。圖2A與圖2B分別繪示本發明建立預測模型的示意圖。圖2C是放電加工精度預測模型的輸入輸出示意圖。圖3A是本發明放電加工精度預測模型的建立流程。圖3B是建立圖2A預測模型的流程圖。圖3C是建立圖2B放電加工精度預測模型的流程圖。圖4A與圖4B是建立圖2B預測模型的流程圖。圖5繪示放電電壓波形示意圖。圖6提供影響電極消耗變數與有效接觸面積的實驗數據。

S210、S220、S230:步驟

Claims

一種加工電極消耗的線上預測方法，適用於放電加工設備，包括：實驗設計；從所述放電加工設備的加工參數萃取出影響電極消耗變數；以及藉由相關性分析而取得所述加工參數與所述影響電極消耗變數的關聯性，以建立能預測出加工電極與工件有效接觸面積的模型，其中所述影響電極消耗變數包括有效放電次數、加工深度以及累計加工時間。
如請求項1所述加工電極消耗的線上預測方法，其中所述有效放電次數是總放電次數扣除異常放電次數。
如請求項2所述加工電極消耗的線上預測方法，其中所述異常放電次數包括放電時額定電壓(Ue)低於設定準位的發次與放電延遲時間(TD)低於設定時間的發次。
如請求項3所述加工電極消耗的線上預測方法，其中所述相關性分析法產生之回歸方程式為：A_eff=A₁+A₂*N_total-A₃*R_B-A₄*L+A₅*T+A₆*L*T-A₇*R_B*L+A₈*N_total*L+A₉*N_total*R_B-A₁₀N_total*T-A₁₁*N_total*L*T+A₁₂N_total*L*T*R_B，其中A_eff是所述有效接觸面積，N_total是所述總放電次數，R_B是放電延遲時間(TD)低於設定時間的發次，L是所述加工深度，T是所述累計加工時間。
如請求項1所述加工電極消耗的線上預測方法，其中所述相關性分析包括：判斷資料是否異常；藉由F檢驗(F-test)判斷回歸方程式是否可行；殘差分析判斷；以及藉由t檢驗(t-test)找出相關性極低的影響電極消耗變數並予以移除。
一種加工精度的預測方法，包括：以建模基底萃取方法萃取放電加工設備的關鍵加工特徵值群組A，以建立初建預測模型，其中所述關鍵加工特徵值群組A包括離線電極消耗值；藉由請求項1至請求項5之任一所述加工電極消耗的線上預測方法，而從所述初建預測模型取得加工電極消耗的線上預測模型；以所述建模基底萃取方法萃取放電加工設備的關鍵加工特徵值群組B，以建立放電加工精度預測模型，其中所述關鍵加工特徵值群組B包括由所述加工電極消耗的線上預測模型所取得的線上電極消耗值。
如請求項6所述加工精度的預測方法，還包括：即時感測所述放電加工設備的多組放電電壓訊號及多組放電電流訊號作為輸入值，並傳送至所述放電加工精度預測模型，以產生加工電流與至少一放電加工精度預測值作為輸出值。
如請求項6所述加工精度的預測方法，其中萃取所述放電加工設備的所述關鍵加工特徵值群組A的步驟包括：以所述放電加工設備分別處理多個工件而獲取多組製程資料，其中每組製程資料包括所述離線電極消耗值、放電電壓訊號與放電電流訊號；利用所述多組製程資料建立多個加工特徵；以量測設備量測所述多個工件而取得多個量測值，其中每一量測值分別為所述放電加工設備根據所述多組製程資料所加工處理所述多個工件的量測值；進行相關性分析，以獲得所述多個加工特徵與所述多個量測值間的多個相關性數值；以及從所述多個相關性數值中選取具有相關性數值絕對值大於0.3的加工特徵作為所述多個關鍵加工特徵值。
如請求項8所述加工精度的預測方法，其中所述量測值是所述多個工件的粗糙度量測值，而所述多個加工特徵包括所述離線電極消耗值、放電頻率、開路比、短路比、平均短路時間、短路時間標準差、平均短路電流、短路電流標準差、平均延遲時間、延遲時間標準差、平均放電峰值電流、峰值電流標準差、平均放電時間、放電時間標準差、平均放電能量以及放電能量標準差。
如請求項6所述加工精度的預測方法，其中萃取所述放電加工設備的所述關鍵加工特徵值群組B的步驟包括：以所述放電加工設備分別處理多個工件而獲取多組製程資料，其中每組製程資料包括所述線上電極消耗值、放電電壓訊號與放電電流訊號；利用所述多組製程資料建立多個加工特徵；以量測設備量測所述多個工件而取得多個量測值，其中每一量測值分別為所述放電加工設備根據所述多組製程資料所加工處理所述多個工件的量測值；進行相關性分析，以獲得所述多個加工特徵與所述多個量測值間的多個相關性數值；以及從所述多個相關性數值中選取具有相關性數值絕對值大於0.3的加工特徵作為所述多個關鍵加工特徵值。
如請求項10所述加工精度的預測方法，其中所述量測值是所述多個工件的粗糙度量測值，而所述多個加工特徵包括所述線上電極消耗值、放電頻率、開路比、短路比、平均短路時間、短路時間標準差、平均短路電流、短路電流標準差、平均延遲時間、延遲時間標準差、平均放電峰值電流、峰值電流標準差、平均放電時間、放電時間標準差、平均放電能量以及放電能量標準差。