TWI881831B - 加工刀具壽命預測方法 - Google Patents

Abstract

一種加工刀具壽命預測方法包括：建立預測模型；及將待測加工刀具進行加工作業的即時振動訊號輸入預測模型，以獲得待測加工刀具的健康指數。建立預測模型的方法包括：取得多個加工刀具進行加工作業時的多個振動訊號；透過經驗模態分解來取得多個本質模態分量；比較本質模態分量與磨耗程度之相關性，以獲得與加工刀具壽命相關的多個取樣訊號；由取樣訊號計算獲得多個特徵因數；根據磨耗程度透過異常分數分析法對特徵因數進行分群處理；及透過變異數比較法對異常分數分析法的結果進行驗證，並獲得加工刀具對應的健康指數，以建立預測模型。

Description

加工刀具壽命預測方法

本發明是關於一種加工刀具壽命預測方法，且特別是關於一種採用異常分數分析法搭配變異數比較法的加工刀具壽命預測方法。

加工刀具磨耗與工件加工品質息息相關，因加工刀具磨耗增加會造成切削阻力顯著上升，導致加工後工件尺寸變動範圍以及加工面表面粗糙度相應增加，最終對加工品質造成影響。因此在生產製造過程中，加工刀具的使用與管理，甚或是加工刀具壽命預測等相關技術，成為降低刀具庫存量、提高刀具利用率與提高加工品質的重要因素。

本發明之目的在於提出一種加工刀具壽命預測方法，該加工刀具壽命預測方法包括：建立預測模型；及將待測加工刀具進行加工作業時的即時振動訊號輸入至預測模型中，以獲得待測加工刀具的健康指數。建立預測模型的方法包括：取得多個加工刀具進行加工作業時的多個振動訊號，其中每個振動訊號對應至每個加工刀具的磨耗程度；透過經驗模態分解來取得每個振動訊號所包含的多個本質模態分量；比較每個本質模態分量與磨耗程度之相關性，以獲得與所述多個加工刀具的壽命相關的多個取樣訊號；由每個取樣訊號計算獲得多個特徵因數；根據磨耗程度透過異常分數分析法來對所述多個特徵因數進行分群處理並將所述多個特徵因數分為多個群集；及透過變異數比較法來對異常分數分析法所產出的結果進行驗證，並獲得每個加工刀具所對應的健康指數，以建立預測模型。

在一些實施例中，每個取樣訊號為每個加工刀具的所述多個本質模態分量中特徵時間尺度最小的第一本質模態分量與特徵時間尺度第二小的第二本質模態分量之和。

在一些實施例中，上述第一本質模態分量與第二本質模態分量分別相應於每個加工刀具進行加工作業時的集塵頻率與刀具切削頻率。

在一些實施例中，所述多個群集包括初期磨耗階段、穩定磨耗階段與急遽磨耗階段。

在一些實施例中，上述異常分數分析法係將所述多個特徵因數藉由孤立森林演算法、密度空間聚類分析法或局部異常因子分析法進行分析處理，以評斷每個特徵因數所屬群集。

在一些實施例中，上述變異數比較法係為馬氏距離正規化演算法或歐式距離演算法。

在一些實施例中，上述變異數比較法係使用窗函數來對屬於同一群集的所述多個特徵因數的其中N者進行分析以取得所述多個特徵因數的其中N者所對應的健康指數，其中N為窗函數的窗長度且為自然數，其中上述之所述多個特徵因數的其中N者所對應的N個使用次數係為連續。

在一些實施例中，上述健康指數為所述多個特徵因數的其中N者所對應的N個馬氏距離的平均值*100%。

在一些實施例中，上述加工刀具壽命預測方法更包括：對所述多個特徵因數進行重要性篩選，以自所述多個特徵因數中排除多個低重要特徵因數。

在一些實施例中，所述多個特徵因數的重要性篩選係採計其單調性與趨勢性之和，每個低重要性取樣訊號的單調性與趨勢性之和係低於一閾值。

在一些實施例中，由每個取樣訊號計算獲得所述多個特徵因數包括對每個取樣訊號進行時域特徵萃取與頻域特徵萃取以獲得所述多個特徵因數。

在一些實施例中，上述加工刀具壽命預測方法更包括：依經預測模型所獲得的待測加工刀具之所屬群集與對應之健康指數，來調整進行加工作業時之加工機的至少一機台參數，其中加工機係夾持待測加工刀具以進行加工作業。

為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

以下仔細討論本發明的實施例。然而，可以理解的是，實施例提供許多可應用的概念，其可實施於各式各樣的特定內容中。所討論、揭示之實施例僅供說明，並非用以限定本發明之範圍。關於本文中所使用之『第一』、『第二』、…等，並非特別指次序或順位的意思，其僅為了區別以相同技術用語描述的元件或操作。

圖1係根據本發明的實施例之加工刀具壽命預測方法的流程圖。如圖1所示，加工刀具壽命預測方法包括步驟S1至S7，其中步驟S1至S6為建模階段，意即建立預測模型，而步驟S7為預測階段。於步驟S1，取得多個加工刀具進行加工作業時的多個振動訊號，其中每個振動訊號對應至每個加工刀具的磨耗程度。具體而言，隨著加工刀具的磨耗程度不同，加工刀具進行加工作業時的振動訊號也會有所不同，因此本發明即是藉由分析振動訊號來據以反映出加工刀具的磨耗程度，並且更能夠進一步進行推算而預測出加工刀具壽命。在本發明的實施例中，步驟S1的振動訊號係透過由加速度感測器(或稱加速規)與訊號擷取裝置所組成的振動量測系統來取得，加速度感測器貼附於加工刀具以量測加工刀具進行加工作業時的振動訊號，訊號擷取裝置通訊連接加速度感測器與運算單元(例如電腦)，以將振動訊號由類比訊號轉換為數位訊號並傳輸至運算單元。

於步驟S2，透過經驗模態分解(Empirical Mode Decomposition，EMD)來取得每個振動訊號所包含的多個本質模態分量(Intrinsic Mode Function，IMF)。於步驟S3，比較每個本質模態分量與磨耗程度之相關性，以獲得與所述多個加工刀具的壽命相關的多個取樣訊號。具體而言，步驟S2與步驟S3屬於降雜訊前處理，係用以降低訊號雜訊以提高本發明之加工刀具壽命預測方法的準確度。

詳細而言，步驟S2之經驗模態分解包括：對每個振動訊號進行經驗模態分解，以從每個振動訊號中分離出多個本質模態分量。詳細而言，步驟S3係從多個本質模態分量中取出特徵時間尺度最小的第一本質模態分量與特徵時間尺度第二小的第二本質模態分量；及將第一本質模態分量與第二本質模態分量相加以取得取樣訊號。換言之，每個取樣訊號為每個加工刀具所包含的多個本質模態分量中特徵時間尺度最小的第一本質模態分量與特徵時間尺度第二小的第二本質模態分量之和。換言之，經由步驟S2與S3，可由某一個加工刀具的一個振動訊號獲得一個取樣訊號，因此，可由多個加工刀具的多個振動訊號獲得多個取樣訊號。具體而言，由於加工刀具的振動訊號與加工刀具的磨耗程度有關，由振動訊號獲得的取樣訊號也會因此與加工刀具的磨耗程度有關，換言之，取樣訊號與加工刀具的壽命相關。

具體而言，步驟S2的經驗模態分解乃是將振動訊號分解以獲得有限數目的本質模態分量，各個本質模態分量包含不同的特徵時間尺度，意即，振動訊號在不同特徵時間尺度的特徵會於不同解析度表現出來，因此經驗模態分解具有多解析度特性。在本發明的實施例中，經驗模態分解在分解過程中是先把振動訊號中特徵時間尺度最小的本質模態分量(亦為最高頻訊號、振幅量最大的訊號)分離出來，接著分離特徵時間尺度漸大的本質模態分量，依此類推，最後，分離特徵時間尺度最大的本質模態分量(亦為最低頻訊號、振幅量最小的訊號)。

在本發明的實施例中，第一本質模態分量與第二本質模態分量分別相應於加工刀具進行加工作業時的集塵頻率與刀具切削頻率。具體而言，本發明利用經驗模態分解的帶通濾波特性，結構共振頻帶位於特定本質模態分量內，選擇對應本質模態分量能有效偵測到決定加工刀具壽命的加工刀具壽命，而上述之集塵頻率與刀具切削頻率被認為是最主要的決定加工刀具壽命的頻率。換言之，第一本質模態分量與第二本質模態分量與加工刀具的磨耗程度具有高度相關性。舉例而言，第一本質模態分量所對應的集塵頻率與加工刀具對待加工物件加工後所產生之切削塵屑數量相關，第二本質模態分量所對應的切削頻率與加工刀具直接接觸待加工物件之次數相關，因此，第一本質模態分量與第二本質模態分量皆與加工刀具因接觸待加工物件後之磨耗程度高度相關。

經驗模態分解的優點在於不需要做預分析與研究，就可以將原始訊號進行分解，由高頻至低頻直到殘差訊號拆解才結束。本發明乃是利用經驗模態分解的優點，只將拆解出的高頻訊號(集塵頻率與刀具切削頻率)擷取出，並取代原振動訊號做為預測模型的測試資訊及訓練資料。

具體而言，本發明使用經驗模態分解來去除雜訊及重要性較低的頻率訊號(即降噪/降雜訊前處理)，僅使用集塵頻率與刀具切削頻率來進行後續分析，取代傳統方式的全頻寬分析，不但能減少運算量，還能有效提高預測模型的準確度。

此外，在進行步驟S2之前，由於在步驟S1所取得的振動訊號可能會包含無效訊號導致訊號在頭端和/或尾端有訊號振幅不一致的情形，因此本發明還可以先對振動訊號進行簡單的去雜訊處理(例如去除訊號在頭端和/或尾端之訊號振幅不一致的部分)以對於振動訊號進行無效區刪減，從而取得振動訊號的真實數據。

於步驟S4，由每個取樣訊號計算獲得多個特徵因數。在本發明的實施例中，步驟S4實質上為對於取樣訊號進行特徵值提取操作，分為時域特徵值萃取與頻域特徵值萃取，換言之，步驟S4的多個特徵因數包括時域特徵與頻域特徵。換言之，步驟S4係對每個取樣訊號進行時域特徵萃取與頻域特徵萃取以獲得多個特徵因數。

其中，時域特徵值萃取可透過簡易的統計計算的方式來實現，例如平均數(Mean)、標準差(Standard Deviation)、均方根(Root Mean Square)、偏度(Skewness)、變異數(Variance)、峰度(Kurtosis)、峰值(Peak)、峰對峰值(Peak to Peak)、峰值因數(Crest Factor)、形狀因數(Shape Factor)、脈衝因數(Impulse Factor)、裕度因數(Margin Factor)及間隙因數(Clearance Factor)。

其中，頻域特徵值萃取可提高特徵之辨識效果，例如透過以下方式取得特徵全頻域依刀具壽命的切削次數在長時間之趨勢：頻域特徵值萃取可例如將0~25KHz的頻率區間，頻率以200Hz為間隔，取其累計值。

值得一提的是，於步驟S4由每個取樣訊號計算獲得多個特徵因數之後，可能因為運算過程中所使用的單位不同，導致多個特徵因數之間的上下限範圍差異極大，因此還需透過正規化(normalization)的方式，將多個特徵因數的上下限調整到0至1之間，以提高預測模型的學習與預測效率。

在本發明的實施例中，於步驟S4，還可以對於每個取樣訊號所對應的多個特徵因數進行重要性篩選，以自多個特徵因數中排除多個低重要性特徵因數。其中每個低重要性特徵因數的單調性(Monotonicity)與趨勢性(Trendability)之和係低於一閾值。換言之，上述之重要性篩選係採計每個特徵因數的單調性與趨勢性之和，並將單調性與趨勢性之和低於一閾值定義為低重要性特徵因數。在本發明的實施例中，上述之重要性篩選是對於時域特徵值萃取所得的以下時域特徵來進行：平均數、標準差、均方根、偏度、變異數、峰度、峰值、峰對峰值、峰值因數、形狀因數、脈衝因數、裕度因數及間隙因數。

具體而言，上述時域特徵實質上各自有其重要性的不同，上述之重要性篩選基本上是將上述時域特徵進行重要性排序，藉此量化各個時域特徵的重要性，並透過重要性篩選以掌握高指標性的時域特徵。上述之重要性篩選能使多個特徵因數盡可能地容易被區分，對於模型簡化與計算時間的降低大有助益。其中，單調性(Monotonicity)為針對每個時域特徵萃取方法單獨計算其單調性值，為固定值。其中，趨勢性(Trendability)為計算該時域特徵與其他所有時域特徵的最小絕對相關數，因此會隨著時域特徵數量或形式的改變而有所變動。其中，單調性與趨勢性之數值皆介於0至1之間，數值愈高表示此時域特徵指標對刀具磨耗惡化趨勢具高度的展示性能，在本發明的實施例中，以兩者之和作為特徵重要性指標。

上述之重要性篩選的具體作法為，將每個時域特徵的單調性與趨勢性進行相加，接著將其單調性與趨勢性之和與一閾值(例如0.5)進行比較，並將其單調性與趨勢性之和係低於閾值者定義為低重要性特徵因數。

於步驟S5，根據磨耗程度透過異常分數分析法來對所述多個特徵因數進行分群處理並將所述多個特徵因數分為多個群集。在本發明的實施例中，上述之異常分數分析法係將所述多個特徵因數藉由孤立森林(isolation forest)演算法、密度空間聚類分析法或局部異常因子分析法進行分析處理，以評斷各個特徵因數所屬群集。舉例而言，透過孤立森林演算法來對所述多個特徵因數進行分群處理，以將所述多個特徵因數分為多個群集。

在本發明的實施例中，上述之多個群集包括初期磨耗階段、穩定磨耗階段與急遽磨耗階段。換言之，於步驟S5，透過異常分數分析法將所述多個特徵因數分為三個群集：初期磨耗階段、穩定磨耗階段與急遽磨耗階段。另外，還會對屬於同一群集的所述多個特徵因數進行異常分數(Anomaly Score)分析，以評斷屬於同一群集的所述多個特徵因數所分別對應的異常程度。

初期磨耗階段為加工刀具磨耗的第一階段，刀面受到較大應力，此時加工刀具磨耗較快。穩定磨耗階段為加工刀具磨耗的第二階段，磨耗速率降低，也是工作效率與加工品質最好的階段。急遽磨耗階段為加工刀具磨耗的第三階段，加工刀具變鈍，切削力增大，磨損量因此急遽上升，分析結果顯示，初期磨耗階段、穩定磨耗階段與急遽磨耗階段這三種刀具狀態的異常分數有明顯差異，隨著刀具磨耗程度增加，穩定磨耗階段與急遽磨耗階段相對於初期磨耗階段的異常分數更高。

具體而言，有別於機器學習或者深度學習等演算法皆為分類型的預測，而本發明採用非監督式學習的異常分數分析法(例如孤立森林演算法)，其優點在於海量數據處理的高效性，計算速度更快，適合連續資料的異常檢測(孤立森林演算法把異常點從所有樣本中孤立出來)，其核心概念為將在資料空間中分佈稀疏且與密度高的群體距離較遠的點定義為異常，最後可透過異常分數評斷資料點遠離正常資料的程度，以達到資料分群的目的。分群處理的原理主要針對的是連續型結構化資料中的異常點．將這些差距大的異常點分離出來，利用此原理將所述多個特徵因數分群處理為對應初期磨耗階段、穩定磨耗階段或急遽磨耗階段，最後透過異常分數來評斷資料點遠離正常資料的程度。

於步驟S6，透過變異數比較法來對於步驟S5之異常分數分析法所產出的結果進行驗證，並獲得每個加工刀具所對應的健康指數，以建立預測模型。在本發明的實施例中，上述之變異數比較法係為馬氏距離正規化(normalized Mahalanobis distance)演算法或歐式距離演算法。

具體而言，變異數比較法(例如馬氏距離正規化演算法)係使用窗函數(window function)來對於屬於同一群集的所述多個特徵因數的其中N者(例如其中10個)進行分析(例如將其中10個樣本點取平均，而得到10個樣本點的平均值)以取得同一群集的所述多個特徵因數的其中N者所對應的健康指數，其中N為該窗函數的窗長度，其中上述之同一群集的所述多個特徵因數的其中N者所對應的N個使用次數(刀具使用次數)係為連續(例如使用次數i至使用次數i+N-1，其中i與N為自然數)。換言之，馬氏距離正規化演算法係以每N個(例如每10個)樣本點作為一個窗函數來計算以分析出健康指數。

具體而言，馬氏距離正規化演算法利用資料間的同質性或異質性計算出彼此間的距離，意即，馬氏距離正規化演算法是用來衡量兩個樣本點之間的距離，除了以距離來做為區別外，尚須考慮參考群體的分佈情形，最後以馬氏距離正規化演算法的結果做為一個綜合性判定指標(即健康指數或稱剩餘壽命)來度量加工刀具剩餘壽命(或稱評估健康指數)。

在本發明的實施例中，健康指數為所述多個特徵因數的其中N者所對應的N個馬氏距離的平均值*100%。舉例而言，馬氏距離正規化演算法係使用窗函數來對於屬於同一群集的所述多個特徵因數的其中N者(例如其中10個樣本點)進行分析(例如將這10個樣本點取平均，而得到10個樣本點的平均值)，然後將這N個樣本點的平均值*100%(例如10個樣本點的平均值*100%)即可取得健康指數。

具體而言，步驟S6需經過變異數比較法(例如馬氏距離正規化演算法)驗證步驟S5之異常分數分析法(例如孤立森林演算法)所分群的結果，且二者需相符合，代表所挑選之取樣訊號及其特徵因數具磨耗程度代表性且可信。

圖2係根據本發明的實施例之加工刀具壽命預測方法的建模的簡化文字流程圖。其中，圖2的步驟S1A的振動訊號對應至圖1的步驟S1，取得多個加工刀具進行加工作業時的多個振動訊號。圖2的步驟S2A的經驗模態分解對應至圖1的步驟S2，透過經驗模態分解來取得每個振動訊號所包含的多個本質模態分量。圖2的步驟S3A的特徵值提取對應至圖1的步驟S4，對每個取樣訊號進行特徵值提取以由每個取樣訊號計算獲得多個特徵因數。圖2的步驟S4A的特徵值重要性篩選對應至上述之對於每個取樣訊號所對應的多個特徵因數進行重要性篩選。圖2的步驟S5A的孤立森林演算法對應至圖1的步驟S5，根據磨耗程度透過異常分數分析法(例如孤立森林演算法)來對所述多個特徵因數進行分群處理並將所述多個特徵因數分為多個群集。圖2的步驟S6A的馬氏距離正規化演算法對應至圖1的步驟S6，透過變異數比較法(例如馬氏距離正規化演算法)來對於異常分數分析法所產出的結果進行驗證，並獲得每個加工刀具所對應的健康指數，以建立預測模型。

請回到圖1，於步驟S7，將待測加工刀具進行加工作業時的即時振動訊號輸入至預測模型中，以獲得待測加工刀具的健康指數。具體而言，步驟S1至S6屬於本發明的實施例之加工刀具壽命預測方法的建模階段/訓練階段，而步驟S7屬於本發明的實施例之加工刀具壽命預測方法的預測階段/診斷階段。

換言之，本發明之加工刀具壽命預測方法在步驟S1~S6的建模階段實質上還包括訓練階段，是要將訓練資料輸入還未訓練完成的預測模型來訓練預測模型，而本發明之加工刀具壽命預測方法在步驟S7的預測階段/診斷階段是要將待測資料輸入經訓練完成的預測模型來預測健康指數(刀具的剩餘壽命)。圖3係根據本發明的實施例之加工刀具壽命預測方法的訓練階段P1與診斷階段P2的示意圖。如圖3所示，於訓練階段P1，其具體作法是取得多個全新加工刀具於首次進行該加工作業時所分別對應的多個(例如400筆)健康振動訊號(在圖3中以健康資料表示)，因此這些健康振動訊號係對應至加工刀具初期磨耗的振動訊號，接著透過經驗模態分解取得每個振動訊號所包含的多個本質模態分量，並比較每個本質模態分量與磨耗程度之相關性，以獲得與所述多個加工刀具的壽命相關的多個取樣訊號，接著由每個取樣訊號計算獲得多個特徵因數，於此將這些特徵因數稱為：分別對應所述多個健康振動訊號的多個訓練訊號，最後將所述多個訓練訊號輸入還未訓練完成的預測模型來訓練預測模型。並接著於診斷階段P2，透過本發明的加工刀具壽命預測方法來對於待測加工刀具進行加工作業時的即時振動訊號(在圖3中以待測資料表示)進行一系列資料處理以取得待測加工刀具的即時振動訊號所對應的健康指數。

關於步驟S5之透過孤立森林演算法來對所述多個特徵因數進行分群處理為對應以下群集：初期磨耗階段、穩定磨耗階段與急遽磨耗階段，以及，步驟S5還會對屬於同一群集的所述多個特徵因數進行異常分數分析的例示實測結果如圖4所示。由圖4可知，本發明的加工刀具壽命預測方法確實可順利地對所述多個特徵因數(在圖4中以樣本點表示)進行分群處理。

關於步驟S6之透過馬氏距離正規化演算法來對異常分數分析法所產出的結果進行驗證，並獲得每個加工刀具所對應的健康指數的例示實測結果如圖5所示。由圖5可看出，透過馬氏距離正規化演算法而以每10個樣本點作為一個窗函數來計算以分析健康指數，對應至初期磨耗階段的加工刀具約為70%~100%的健康指數，對應至穩定磨耗階段的加工刀具約為40%~70%的健康指數，對應至急遽磨耗階段的加工刀具約為20%~30%的健康指數，因此，透過本發明的加工刀具壽命預測方法確實可達成加工刀具之剩餘壽命(即健康指數)的預測評估。

此外，本發明的加工刀具壽命預測方法還可於步驟S7之後，依經預測模型所獲得的待測加工刀具之所屬群集與對應之健康指數，來調整進行加工作業時之加工機的至少一機台參數，其中加工機係夾持待測加工刀具以進行加工作業。舉例而言，可透過分析第一本質模態分量與第二本質模態分量來調整加工機的至少一機台參數。舉例而言，使用經驗模態解析拆分後，由分析第一本質模態分量與第二本質模態分量判斷出，第二本質模態分量的刀具切削頻率為異常處，經作業人員進行檢查後發現為刀塔共振異常，故調整刀塔的參數最佳化，且經實測，經過調整參數後的加工刀具的壽命提升約67%。

綜合上述，本發明提出一種加工刀具壽命預測方法，能夠以較佳的準確度來預測加工刀具的健康指數(即剩餘壽命)，以利於降低加工刀具庫存量、提高加工刀具利用率與提高加工品質。

以上概述了數個實施例的特徵，因此熟習此技藝者可以更了解本發明的態樣。熟習此技藝者應了解到，其可輕易地把本發明當作基礎來設計或修改其他的製程與結構，藉此實現和在此所介紹的這些實施例相同的目標及/或達到相同的優點。熟習此技藝者也應可明白，這些等效的建構並未脫離本發明的精神與範圍，並且他們可以在不脫離本發明精神與範圍的前提下做各種的改變、替換與變動。

P1:訓練階段 P2:診斷階段 S1~S7,S1A~S6A:步驟

從以下結合所附圖式所做的詳細描述，可對本發明之態樣有更佳的了解。需注意的是，根據業界的標準實務，各特徵並未依比例繪示。事實上，為了使討論更為清楚，各特徵的尺寸都可任意地增加或減少。 [圖1]係根據本發明的實施例之加工刀具壽命預測方法的流程圖。 [圖2]係根據本發明的實施例之加工刀具壽命預測方法的流程圖。 [圖3]係根據本發明的實施例之加工刀具壽命預測方法的訓練階段與診斷階段的示意圖。 [圖4]係根據本發明的實施例之透過孤立森林演算法來進行分群處理的例示圖。 [圖5]係根據本發明的實施例之透過馬氏距離正規化演算法來取得健康指數的例示圖。

S1~S7:步驟

Claims (12)

1. 一種加工刀具壽命預測方法，包括： 建立一預測模型，其方法包括： 取得複數個加工刀具進行加工作業時的複數個振動訊號，其中每一該些振動訊號對應至每一該些加工刀具的一磨耗程度； 透過一經驗模態分解來取得每一該些振動訊號所包含的複數個本質模態分量； 比較每一該些本質模態分量與該磨耗程度之相關性，以獲得與該些加工刀具的壽命相關的複數個取樣訊號； 由每一該些取樣訊號計算獲得複數個特徵因數； 根據該磨耗程度透過一異常分數分析法來對該些特徵因數進行分群處理並將該些特徵因數分為複數個群集；及 透過一變異數比較法對該異常分數分析法所產出的結果進行驗證，並獲得每一該些加工刀具所對應的一健康指數，以建立該預測模型；及 將一待測加工刀具進行加工作業時的一即時振動訊號輸入至該預測模型中，以獲得該待測加工刀具的該健康指數。
2. 如請求項1所述之加工刀具壽命預測方法，其中每一該些取樣訊號為每一該些加工刀具的該些本質模態分量中特徵時間尺度最小的一第一本質模態分量與特徵時間尺度第二小的一第二本質模態分量之和。
3. 如請求項2所述之加工刀具壽命預測方法，其中該第一本質模態分量與該第二本質模態分量分別相應於每一該些加工刀具進行加工作業時的一集塵頻率與一刀具切削頻率。
4. 如請求項1所述之加工刀具壽命預測方法，其中該些群集包括初期磨耗階段、穩定磨耗階段與急遽磨耗階段。
5. 如請求項1所述之加工刀具壽命預測方法，其中該異常分數分析法係將該些特徵因數藉由孤立森林演算法、密度空間聚類分析法或局部異常因子分析法進行分析處理，以評斷每一該些特徵因數所屬群集。
6. 如請求項1所述之加工刀具壽命預測方法，其中該變異數比較法係為馬氏距離正規化演算法或歐式距離演算法。
7. 如請求項1所述之加工刀具壽命預測方法，其中該變異數比較法係使用一窗函數來對屬於同一群集的該些特徵因數的其中N者進行分析以取得該些特徵因數的其中N者所對應的該健康指數，其中N為該窗函數的窗長度且為自然數，其中上述之該些特徵因數的其中N者所對應的N個使用次數係為連續。
8. 如請求項7所述之加工刀具壽命預測方法，其中該健康指數為該些特徵因數的其中N者所對應的N個馬氏距離的平均值*100%。
9. 如請求項1所述之加工刀具壽命預測方法，更包括： 對該些特徵因數進行一重要性篩選，以自該些特徵因數中排除複數個低重要特徵因數。
10. 如請求項9所述之加工刀具壽命預測方法，其中該些特徵因數的該重要性篩選係採計其單調性與趨勢性之和，其中每一該些低重要性取樣訊號的單調性與趨勢性之和係低於一閾值。
11. 如請求項1所述之加工刀具壽命預測方法，其中由每一該些取樣訊號計算獲得該些特徵因數包括對每一該些取樣訊號進行時域特徵萃取與頻域特徵萃取以獲得該些特徵因數。
12. 如請求項1所述之加工刀具壽命預測方法，更包括： 依經該預測模型所獲得的該待測加工刀具之所屬群集與對應之該健康指數，來調整進行加工作業時之一加工機的至少一機台參數，其中該加工機係夾持該待測加工刀具以進行加工作業。