機械工業網 - 機械產業的入口網站

:::

歷史雜誌

依專輯名稱關鍵字搜尋或依年份搜尋，年份輸入範例202406

作者:蔡孟勳、林俊佑、連震杰、麥朝創應用影像疊圖技術之刀具磨耗檢測

現今工業都朝向自動化與智能化發展，各家工具機廠商亦致力於提升產品的品質及自動化生產的目標，刀具磨耗的情況常常會對產品的品質、自動化生產的效率產生重大影響。本研究以機械視覺為基礎開發線上刀具磨耗檢測方法。由於端銑刀的複數刀刃與螺旋形刀具形狀不同於一般車刀，加上金屬的反光的效應，增加的端銑刀在影像拍攝困難，本研究利用刀具影像疊圖技術將立體的端銑刀展開成平面圖面，並使用影像處理的方法對展開後的刀具圖片進行磨耗檢測。實際以工具機機台進行切削加工，定時進行刀具影像疊圖並檢測刀具磨耗狀態。機械視覺系統被驗證可實際應用於刀具磨耗檢測。

作者:盧銘詮、王崇穎、梁宸瑜鎳基合金加工訊號變異與刀具磨耗偵測系統強健性分析

鎳基合金加工在航太產業佔有重要的角色，但加工過程刀具之變異與高磨耗率驅使加工產業採用保守的刀具管理策略，造成加工效率無法提升，也常對品質控管造成影響。有效的刀具磨耗偵測系統可以延長刀具使用的時間，減少系統換刀的頻率，進而提升設備使用效率與維持品質的穩定。刀具磨耗偵測系統在學術界之發展已經有近40年的歷史，但由於其與製程及設備系統息息相關之特性，各項變異均會影響所發展系統之性能，造成在實驗室發展的系統很難直接移轉到生產線上，因此了解系統之變異與提升偵測系統之強健性可以加速實驗室開發之系統應用於生產線之機會。本文章分析鎳基合金加工過程感應器特性與虎鉗夾持力對訊號系統之影響，同時也探討不同辨識器設計與感應器融合對系統變異之抵抗能力。結果顯示感應器特性將產生不同的訊號特徵，虎鉗夾持力對加速度訊號特徵也會產生重要的影響，而適當的辨識器設計與感應器融合將可以降低訊號變異對偵測系統的影響。

作者:蔡孟勳、林祐生、簡嘉宏應用SAM與轉移學習的U-Net模型於刀具磨耗之研究

本文提出一套創新的刀具磨耗檢測系統，結合 U-Net 語義分割與 Segment Anything Model（SAM），可自動辨識刀具磨耗位置。傳統深度學習方法仰賴大量人工標註，耗時且費力。為此，本文利用 SAM 模型自動產生遮罩，並與預訓練模型輸出比對，選取重疊度（IoU）最高的遮罩作為偽標註，實現無需人工介入的資料擴充流程。檢測系統採用影像疊圖展開技術，將端銑刀轉為全景影像，透過 U-Net 精準分割刀刃區域，並應用轉移學習以提升模型對新樣式刀具的辨識能力。實驗結果顯示，該方法在新刀具上的mIoU提升超過 35%，同時保留原有刀具的辨識效果，證明其具備應用於智慧製造之潛力。

作者:彭俊穎、王郁仁以控制器伺服馬達電流監測切削力變化及刀具磨耗技術研究

隨著工業 4.0 發展，製造業導入人工智慧與大數據技術，以提升生產效率與競爭力。傳統刀具磨耗監測需拆卸刀具，導致機器停機並增加成本。為克服此限制，本研究探討透過控制器伺服馬達電流監測切削力與刀具磨耗。實驗使用亞崴五軸工具機（FV560），變換切削參數以收集西門子控制器（840D）的主軸馬達電流訊號並建立切削力模型。透過快速傅立葉轉換（Fast Fourier Transform, FFT）與希爾伯特-黃轉換（Hilbert-Huang Transform, HHT）提取刀具磨耗相關特徵。結果顯示，切削力與主軸電流呈線性關係，且電流訊號會隨刀具磨耗變化而改變，FFT 與 HHT 分析結果高度吻合，驗證了電流監測方法的可行性。

作者:彭俊穎、王郁仁以控制器伺服馬達電流監測切削力變化及刀具磨耗技術研究

隨著工業 4.0 發展，製造業導入人工智慧與大數據技術，以提升生產效率與競爭力。傳統刀具磨耗監測需拆卸刀具，導致機器停機並增加成本。為克服此限制，本研究探討透過控制器伺服馬達電流監測切削力與刀具磨耗。實驗使用亞崴五軸工具機 (FV560)，變換切削參數以收集西門子控制器 (840D) 的主軸馬達電流訊號並建立切削力模型。透過快速傅立葉轉換 (Fast Fourier Transform, FFT) 與希爾伯特-黃轉換 (Hilbert-Huang Transform, HHT) 提取刀具磨耗相關特徵。結果顯示，切削力與主軸電流呈線性關係，且電流訊號會隨刀具磨耗變化而改變，FFT 與 HHT 分析結果高度吻合，驗證了電流監測方法的可行性。

作者:王世明、黃健瑋、佘家均、黃郁茹適多工況之刀具剩餘壽命智慧監測方法研究

以人工經驗進行刀具壽命費時且缺乏客觀數據支援，無法準確的預測刀具壽命會造成非必要停機、加工精度降低及刀具成本提高。本研究透過實驗設計、數據特徵分析，建立磨耗與振動的關聯，比較GRNN與LSTM預測準確度，最終選用GRNN模型，並建立等效轉換法則，最終以C#建立智慧監測人機介面，完成即時預測刀具剩餘壽命的監測系統。實驗驗證結果顯示，基於AI模型評估刀具剩餘壽命，加工後預估剩餘壽命為1435秒，仍可完成853秒加工需求；在以等效轉換模組應用於多工況驗證下，顯示預測刀具剩餘壽命為430秒，實際壽命為392秒，預測誤差為42秒，由於剩餘壽命不足以完成下次加工製程，系統自動警示換刀。驗證結果顯示，所建立的方法與系統可有效用於刀具剩餘壽命預測。