TWI872895B

TWI872895B - 衝壓製程品質評估方法

Info

Publication number: TWI872895B
Application number: TW113100021A
Authority: TW
Inventors: 曾惠君; 吳鴻材; 蔡伶郁
Original assignee: 財團法人工業技術研究院
Priority date: 2024-01-02
Filing date: 2024-01-02
Publication date: 2025-02-11
Also published as: TW202529021A

Abstract

一種衝壓製程品質評估方法，包括一訓練階段及一上線階段。訓練階段包括：應變規收集衝壓設備進行多個衝壓製程時的多個衝壓訊號，運算裝置依據所述多個衝壓訊號計算多個衝壓能量，篩選這些衝壓能量中的離群值以建立衝壓樣本資料集，依據衝壓樣本資料集計算至少一特徵基準值。上線階段包括：應變規收集衝壓設備進行至少一當前衝壓製程時的至少一當前衝壓訊號，運算裝置依據所述至少一當前衝壓訊號與所述至少一特徵基準值產生一衝壓品質評估結果。

Description

衝壓製程品質評估方法

本發明涉及衝壓製程，特別是一種衝壓製程品質評估方法。

在金屬成型的衝壓製程中，品質控制至為關鍵。衝壓製程的各種因素，例如原材料選擇、模具設計和成型參數的調整，都將對最終產品的品質產生影響。不良的衝壓過程可能導致產品出現缺陷、尺寸不準確，甚至降低材料強度，進一步影響產品的性能和可靠性。

目前，大多數業者仍然使用抽樣檢驗的方式進行品質控制。然而，這種方法僅能檢驗到有限數量的樣本，無法全面了解整個生產批次的品質情況。若採用連續模衝壓（progressive stamping）更是增加人員目檢的困難度。此外，在衝壓製程運行時，現有技術僅提供有關衝壓力量（如應變和荷重）的簡單顯示和警報。當發現衝壓製程的問題時，已經生產了大量的不良品。總體而言，目前缺乏一個有效的解決方案，用於管理製程和產品的狀態，這導致業者難以實時掌握或預知生產狀態的異常情況。

有鑑於此，本發明提出一種衝壓製程品質評估方法。透過收集加工過程中的應變訊號，應用本發明提出的分析方法，可以彌補傳統品質抽檢方式的不足，例如量測變異性、量測重複性以及無法即時監測生產狀態異常等問題。此外，透過即時品質監測，可以減少過多廢料的產生，進而提高產品質量和效率。

依據本發明一實施例的一種衝壓製程品質評估方法，包括一訓練階段及一上線階段。訓練階段包括：應變規收集衝壓設備進行多個衝壓製程的多個衝壓訊號，運算裝置依據所述多個衝壓訊號計算多個衝壓能量，運算裝置篩選這些衝壓能量中的離群值以建立衝壓樣本資料集，運算裝置依據衝壓樣本資料集計算至少一特徵基準值。上線階段包括：應變規收集衝壓設備進行至少一當前衝壓訊號時的至少一當前衝壓訊號，運算裝置依據所述至少一當前衝壓訊號與所述至少一特徵基準值產生一衝壓品質評估結果。

綜上所述，本發明提出一種衝壓製程品質評估方法。所述方法收集多筆單次衝壓製程的應變訊號，並計算出至少一特徵基準值作為製程品質監測參考，利用特徵基準值參考分析衝壓製程的成品品質。本發明不僅解決了人工抽檢精確度不足的問題，而且解決了無法即時評估生產狀態異常的問題。

以上之關於本揭露內容之說明及以下之實施方式之說明係用以示範與解釋本發明之精神與原理，並且提供本發明之專利申請範圍更進一步之解釋。

以下在實施方式中詳細敘述本發明之詳細特徵以及優點，其內容足以使任何熟習相關技藝者了解本發明之技術內容並據以實施，且依據本說明書所揭露之內容、申請專利範圍及圖式，任何熟習相關技藝者可輕易地理解本發明相關之目的及優點。以下之實施例係進一步詳細說明本發明之觀點，但非以任何觀點限制本發明之範疇。

圖1是依據本發明一實施例所繪示的衝壓製程品質評估方法的流程圖。如圖1所示，此方法包括訓練階段（步驟S1至S4）以及上線階段（步驟T1至T2）。

步驟S1，應變規(strain gauge)收集衝壓設備，例如曲軸式衝床(crankshaft stamping press)進行多個衝壓製程時的多個衝壓訊號。

應變規適於設置於衝床周邊的支撐件(未圖示)。應變規在收到第一觸發訊號時開始收集衝壓訊號，在收到第二觸發訊號時停止收集衝壓訊號。第一及第二觸發訊號的產生取決於衝壓設備中的馬達轉軸編碼器、或曲軸角度、或滑塊高度，具體請參考圖2，圖2的上半部分為單次衝壓製程的分段範例，中間部分為單次衝壓製程的滑塊高度變化(單位未標示)，下半部分是單次衝壓製程對應的衝壓訊號。

一般而言，衝壓設備包括馬達M1、曲軸M2以及滑塊M3。馬達M1旋轉可帶動曲軸M2進行旋轉運動，連接曲軸M2的滑塊M3的高度從上死點TDC降至下死點BDC，對材料進行衝壓之後返回上死點TDC。

衝壓設備可在曲軸M2旋轉至第一角度，或在滑塊M3位於第一高度時，輸出第一觸發訊號，通知應變規開始收集衝壓訊號；然後在曲軸M2旋轉至第二角度，或在滑塊M3位於第二高度時，輸出第二觸發訊號，通知應變規停止收集衝壓訊號。其中，第一角度與第二角度不同，且第一高度與第二高度不同。以圖2為例，第一角度為130°，第二角度為270°，第一高度為H1，且第二高度為H2，然而本發明不以這些範例為限。關於上述角度資訊可透過設置於馬達轉軸上的編碼器取得，高度資訊可透過設置於衝壓設備上的雷射位移計或模高指示器取得。

如果是舊樣本的衝壓製程，代表過去曾取得其衝壓訊號，則角度或高度資訊可以事先決定。如果是新樣本，則可以將第一及第二角度（高度）設定為邊界值，然後執行一次衝壓製程以取得衝壓訊號，再依據此衝壓訊號重新設定第一及第二角度（高度）。

本發明以單次衝壓訊號作為訊號分析的最小單位。在步驟S1中，可透過角度資訊決定衝壓訊號收集的起始及結束範圍，並且以此角度資訊對齊收集到的衝壓訊號。如果是使用衝床進料訊號作為開始收集的觸發訊號，則收集到衝壓製程前段與後段未加工的部份，導致後續分析時需要重新擷取訊號範圍，造成資料儲存空間的浪費。因此，本發明使用第一及第二觸發訊號以準確地擷取每一次衝壓製程的起始點與結束點。

步驟S2，運算裝置依據多個衝壓訊號計算多個衝壓能量。

在一實施例中，從單次衝壓製程收集到的衝壓訊號包括多個衝壓力，衝壓能量的計算方式如下方式一：

E= （式一）

其中，E代表衝壓能量，X ₁、X ₂、…、X _M代表衝壓力數值，M代表單次衝壓訊號中收集到的衝壓力的資料數量。

運算裝置通訊連接衝壓設備、應變規以取得衝壓訊號、第一及第二觸發訊號、角度（高度）等資訊。在一實施例中，運算裝置可採用下列範例中的至少一者：運算裝置例如個人電腦、網路伺服器、微控制器（microcontroller，MCU）、應用處理器（application processor，AP）、現場可程式化閘陣列（field programmable gate array，FPGA）、特殊應用積體電路（Application Specific Integrated Circuit，ASIC）、系統晶片（system-on-a-chip，SOC）、深度學習加速器（deep learning accelerator），或是任何具有類似功能的電子裝置，本發明不限制運算裝置的硬體類型。

步驟S3，運算裝置篩選所述多個衝壓能量中的離群值以建立衝壓樣本資料集。

為提升收集數據的品質，步驟S3提出的數據清理方式具體如下：運算裝置排序多個衝壓能量，刪除小於Q1-W×IQR以及大於Q3+W×IQR的部分，其中Q1代表第一四分位數，Q3代表第三四分位數，IQR代表四分位距（interquartile range，IQR），W為權重（例如1.5）。在步驟S3完成後，未被刪除的多個衝壓訊號組成衝壓樣本資料集。

步驟S4，運算裝置依據衝壓樣本資料集計算至少一特徵基準值。其具體細節容後詳述。

步驟T1，應變規收集衝壓設備進行至少一當前衝壓製程時的至少一當前衝壓訊號。步驟T1與步驟S1基本相同，差別在於：上線階段會利用訓練階段得到的資訊，進行衝壓製程的即時監控與狀態回報，如步驟T2所示。

步驟T2，運算裝置依據所述至少一當前衝壓訊號與至少一特徵基準值計算至少一衝壓品質評估結果。先前於步驟S4提到的至少一特徵基準值包括：動態包絡、穩定性指標以及衝壓健康狀態指標中的至少一者，分述如下：

動態包絡：

圖3及圖4是上線階段的當前衝壓訊號與動態包絡的示意圖。在訓練階段，運算裝置依據衝壓樣本資料集中的多個衝壓訊號計算上包絡線L1及下包絡線L2，上包絡線L1是運算裝置依據每個角度的最大衝壓力值繪製而成，下包絡線L2是運算裝置依據每個角度的最小衝壓力值繪製而成。上包絡線L1和下包絡線L2構成一個包絡區間。

圖3是正常的衝壓訊號與動態包絡的示意圖，其中L0代表上線階段的多個當前衝壓訊號，可看出這些當前衝壓訊號L0皆位於包絡區間之中。在事後抽檢時，已確認當前衝壓製程的成品不具有缺陷（其平均毛邊值0.01小於訓練階段時的平均毛邊值0.03）。

圖4是異常的當前衝壓訊號與動態包絡的示意圖，其中L4代表上線階段的多個當前衝壓訊號，可看出在角度230至240之間，當前衝壓訊號L4超過上包絡線L1。在事後抽檢時，亦發現當前衝壓製程的成品具有缺陷（其平均毛邊值0.05大於訓練階段時的平均毛邊值0.03）。由圖3及圖4可知，本發明提出的動態包絡確實能夠在上線階段即時反映當前衝壓製程的異常，避免生產大量帶有缺陷的產品。

動態包絡的更新方式可以是手動或自動。手動方式：當使用者觀察到當前衝壓訊號位於包絡區間之外時，根據經驗決定當前衝壓製程是否具有問題。如無問題則指示運算裝置更新包絡區間。自動方式：只要衝壓設備累計執行了M次當前衝壓製程，運算裝置便依據最新收集的M個當前衝壓訊號，與訓練階段收集到的N個衝壓訊號一起產生新的上下包絡線。動態包絡計算僅需要於訓練階段收集到的N個衝壓訊號，不需要人為標記訊號，在上線階段的計算速度快，因此可以實現衝壓製程的即時監測。

穩定性指標：

在訓練階段，運算裝置依據衝壓樣本資料集中的多個衝壓訊號計算一平均衝壓訊號。在上線階段，每當運算裝置收到一個當前衝壓訊號，便透過動態時間校正（dynamic time warping）演算法計算當前衝壓訊號與平均衝壓訊號的時間序列距離作為當前衝壓製程的穩定性指標。

圖5是衝壓樣本資料集的平均衝壓訊號t1以及兩個當前衝壓訊號t2，t3的範例。如圖5所示，當前衝壓訊號t2的穩定性指標S(t1, t2)=704，當前衝壓訊號t3的穩定性指標S(t1, t3)為237。本發明採用的穩定性指標數值愈大代表愈不穩定，從圖5中可看出，比起當前衝壓訊號t2，當前衝壓訊號t3與衝壓樣本資料集的平均衝壓訊號t1二者的趨勢更相近，而且當前衝壓訊號在角度250至270處與衝壓樣本資料集的平均衝壓訊號t1的形狀明顯不同。

圖6是穩定性指標在上線階段的趨勢圖範例。從圖6可看出約在18000次的位置穩定性指標明顯上升。在事後抽檢時，亦發現在當前衝壓製程執行18025次之後，因為衝壓頭的損耗，導致成品開始具有缺陷（其平均毛邊值大於容許值0.05）。這代表本發明提出的穩定性指標確實能夠在上線階段即時反映當前衝壓製程的異常，避免生產大量帶有缺陷的產品。

另需說明的是，硬體上的取樣誤差可能導致訓練階段與上線階段對於單次衝壓製程收集到的資料點數量不同。換言之，平均衝壓訊號與當前衝壓訊號二者的時間序列長度不同，因此本發明採用動態時間校正演算法避免上述問題。如果能確保時間序列長度的差值在容許範圍之內，亦可採用歐氏距離作為穩定性指標。

穩定性指標的更新可參照動態包絡的更新，採用自動或手動的方式重新定義衝壓樣本資料集。穩定性指標可以補足以峰值或動態包絡進行線上監測時的盲點，並且能幫助使用者找出當前衝壓訊號對應的曲線中輪廓異常的部分。穩定性指標特別適用於連續模、伺服衝床等應用。

衝壓健康狀態指標：

為了讓訓練資料平衡，本發明針對步驟S3刪除的離群值（例如10筆資料）以及步驟S3建立的衝壓樣本資料集（例如90筆資料）應用合成少數過採樣技術（Synthetic Minority Oversampling TEchnique，SMOTE）產生足夠數量（例如80筆）的異常資料。然後運算裝置依據過採樣技術後增生的異常資料、原本的離群值資料以及衝壓樣本資料集訓練一機器學習模型。在上線階段，運算裝置輸入每個當前衝壓訊號到機器學習模型來產生衝壓健康狀態指標。圖7是衝壓健康狀態指標在上線階段的趨勢圖範例。從圖7可看出約在18000次的位置衝壓健康狀態指標明顯上升，這與圖6所示的範例相符。

在一實施例中，本發明採用隨機森林模型(Random Forest Model)。這是由於衝壓製程的加工參數複雜，而且製程快速，因此不適合使用訓練時間太長的模型。隨機森林模型包括多個決策樹，不容易過擬合，不需要對特徵進行歸一化，而且訓練時間短，更具有特徵重要性排序的功能。然而，本發明並不限制機器學習模型的種類。例如在其他實施例中，亦可採用支持向量機（Support Vector Machine）或卷積神經網路（Convolutional Neural Network，CNN）。本發明可以在上線階段的每個當前衝壓製程完成時，透過運算裝置即時輸出衝壓健康狀態指標，從而達到即時監測衝壓設備的模具狀態的效果。此外，隨機森林模型可輸出特徵重要性排序作為模具整修或故障排除的參考依據。

在一實施例中，衝壓設備執行多個當前衝壓製程。換言之，步驟T1所述的至少一當前衝壓製程、至少一當前衝壓訊號及至少一穩定性指標的數量各為多個。

運算裝置收集多個當前衝壓訊號，取得每個當前衝壓訊號的衝壓力最大值，由此得出對應這些當前衝壓訊號的多個衝壓力最大值。另外，運算裝置也計算多個當前衝壓訊號對應的多個穩定性指標。運算裝置使用移動平均法（moving average）對多個衝壓力最大值以及多個穩定性指標分別進行平滑化處理，然後輸入平滑化處理後的多個穩定性指標至一整合移動平均自我迴歸（AutoRegressive Integrated Moving Average，ARIMA）模型以產生關聯於穩定性指標的衝壓品質預測結果。運算裝置輸入平滑化處理後的多個衝壓力最大值至ARIMA模型以產生關聯於衝壓力最大值的衝壓品質預測結果。ARIMA 模型可針對時間序列的資料進行預測，本發明藉此評估未來衝壓品質趨勢，配合閾值設定可作為品質惡化的預警參考。

綜上所述，本發明提出一種衝壓製程品質評估方法。所述方法收集單次衝壓製程的應變訊號，並計算出動態包絡、穩定性指標、衝壓健康狀態指標等特徵作為製程品質監測參考，也可以用來分析衝壓製程的成品品質。此外，所述方法也使用歷史峰值、歷史穩定性指標等資訊，配合時間序列分析模型來預測未來衝壓製程品質趨勢。本發明不僅解決了人工抽檢精確度不足的問題，而且解決了無法即時評估生產狀態異常的問題。

雖然本發明以前述之實施例揭露如上，然其並非用以限定本發明。在不脫離本發明之精神和範圍內，所為之更動與潤飾，均屬本發明之專利保護範圍。關於本發明所界定之保護範圍請參考所附之申請專利範圍。

S1-S4,T1-T2:步驟 M1:馬達 M2:曲軸 M3:滑塊 TDC:上死點 BDC:下死點 Ɵ:角度 H1:第一高度 H2:第二高度 L1:上包絡線 L2:下包絡線 L0,L4,t2,t3:當前衝壓訊號 t1:衝壓樣本資料集的平均衝壓訊號 S(t1,t2),S(t1,t3):穩定性指標

圖1是依據本發明一實施例所繪示的衝壓製程品質評估方法的流程圖；圖2是單次衝壓製程的分段示意圖與衝壓訊號的範例；圖3是上線階段的當前衝壓訊號與動態包絡的示意圖(正常)；圖4是上線階段的當前衝壓訊號與動態包絡的示意圖(異常)；圖5是衝壓樣本資料集的平均衝壓訊號與當前衝壓訊號的範例；圖6是穩定性指標在上線階段的趨勢圖範例；以及圖7是衝壓健康狀態指標在上線階段的趨勢圖範例。

S1-S4,T1-T2:步驟

Claims

一種衝壓製程品質評估方法，包括一訓練階段及一上線階段，其中：該訓練階段包括：以一應變規收集一衝壓設備進行多個衝壓製程時的多個衝壓訊號；以一運算裝置依據該些衝壓訊號計算多個衝壓能量；以該運算裝置篩選該些衝壓能量中的離群值以建立衝壓樣本資料集；以及以該運算裝置依據該衝壓樣本資料集計算至少一特徵基準值；該上線階段包括：以該應變規收集該衝壓設備進行至少一當前衝壓製程時的至少一當前衝壓訊號；以及以該運算裝置依據該至少一當前衝壓訊號與該至少一特徵基準值產生一衝壓品質評估結果。
如請求項1所述衝壓製程品質評估方法，其中以該應變規收集該衝壓設備進行該些衝壓製程時的該些衝壓訊號包括：在收到第一觸發訊號時，以該應變規開始收集該些衝壓訊號中的一者；以及在收到第二觸發訊號時，以該應變規停止收集該些衝壓訊號中的該者。
如請求項2所述衝壓製程品質評估方法，其中該衝壓設備包括一曲軸，所述方法更包括：在該曲軸旋轉至第一角度時，以該衝壓設備輸出該第一觸發訊號；以及在該曲軸旋轉至不同於該第一角度的第二角度時，以該衝壓設備輸出該第二觸發訊號。
如請求項2所述衝壓製程品質評估方法，其中該衝壓設備包括一滑塊，所述方法更包括：在該滑塊位於第一高度時，以該衝壓設備輸出該第一觸發訊號；以及在該滑塊位於不同於該第一高度的第二高度時，以該衝壓設備輸出該第二觸發訊號。
如請求項1所述衝壓製程品質評估方法，其中該些衝壓訊號中的每一者包括多個衝壓力，以該運算裝置依據該些衝壓訊號計算該些衝壓能量包括：以該運算裝置計算該些衝壓力的平方和；以及以該運算裝置計算該平方和與該些衝壓力的數量的比值；以及以該運算裝置計算該比值的一平方根作為該些衝壓能量中的一者。
如請求項1所述衝壓製程品質評估方法，其中以該運算裝置篩選該些衝壓能量中的離群值包括：以該運算裝置刪除小於Q1-1.5×IQR的該些衝壓能量中的至少一者；以及以該運算裝置刪除大於Q3+1.5×IQR的該些衝壓能量中的至少一者；其中Q1為第一四分位數，Q3為第三四分位數，IQR為四分位距。
如請求項1所述衝壓製程品質評估方法，其中該至少一特徵基準值包括依據該些衝壓訊號的最大值構成的一上包絡線以及依據該些衝壓訊號的最小值構成的一下包絡線；以及該上線階段更包括：在該當前衝壓訊號位於該上包絡線以及該下包絡線構成的區間之外時，以該運算裝置發出一警報訊號。
如請求項1所述衝壓製程品質評估方法，其中該至少一特徵基準值包括依據該些衝壓訊號計算得到的一平均衝壓訊號，且依據該至少一當前衝壓訊號與該至少一特徵基準值產生一衝壓品質評估結果包括：輸入該平均衝壓訊號及該至少一當前衝壓訊號的每一者至一動態時間校正演算法以產生多個穩定性指標作為該衝壓品質評估結果。
如請求項8所述衝壓製程品質評估方法，更包括：透過移動平均法（moving average）對該些穩定性指標進行平滑化處理；以及將該平滑化處理後的該些穩定性指標輸入至一整合移動平均自我迴歸（Autoregressive Integrated Moving Average Model，ARIMA）模型以產生一衝壓品質預測結果。
如請求項1所述衝壓製程品質評估方法，其中該至少一當前衝壓製程及該至少一當前衝壓訊號各為多個，所述方法更包括：取得該至少一當前衝壓訊號對應的多個衝壓力最大值；透過移動平均法對該些衝壓力最大值進行平滑化處理；以及將該平滑化處理後的該些衝壓力最大值輸入至一整合移動平均自我迴歸模型以產生一衝壓品質預測結果。
如請求項1所述衝壓製程品質評估方法，其中該訓練階段更包括：以一合成少數過採樣技術（Synthetic Minority Oversampling TEchnique，SMOTE）依據該衝壓樣本資料集及該離群值產生一異常資料；以及以該運算裝置依據該異常資料、該離群值以及該衝壓樣本資料集訓練一機器學習模型；該上線階段更包括：以該運算裝置輸入該當前衝壓訊號至該機器學習模型以輸出一衝壓健康狀態指標。