MAGAZINE
刊物內容

回列表

線性與非線性迴歸演算法於PHM方法預測刀具剩餘可用壽命之比較

摘要"

剩餘可用壽命(Remaining Useful Life, RUL)預測是預測和健康管理(Prognostics and Health Management, PHM)中最重要的概念之一,其透過對訊號訂定健康指標,根據趨勢建立模型,進而預測剩餘可用壽命。
本研究使用兩種不同工具機與切削材料,分別對其數據計算健康指標,再以一次多項式迴歸、二次多項式迴歸與高斯過程迴歸擬合出衰退趨勢,並對分析結果的精確度與泛用性作比對,找出三者中最適之擬合方法。

關鍵詞:預測與健康管理、工具機、刀具、健康指標、剩餘可用壽命

前言

故障預測與健康管理

隨著嵌入式計算與感測器技術快速發展,產業逐漸提升至工業4.0,預測與健康管(Prognostics and Health Management, PHM)開始被大量運用在各式精密工具機當中。其主要目的是為了預測機台的健康程度,憑藉此健康程度預測並規劃未來適當維修時程,以此達到降低維護費用與時間,同時提高系統可用性與降低非預期停機所造成的額外成本損失。
如圖1所示,預測使用相關的可用數據來計算和預測機台未來何時故障。目的是了解故障發生前故障發生的概率和未來趨勢,以便計算剩餘可用壽命(Remaining useful life,RUL)。
以精密加工而言,利用工具機上多個感測器擷取整體製程的訊號進行分析,能隨時掌握機台及加工刀具的健康狀況,並使其在非預期停機前先行預警。如此除了提高產品加工精度外,還能搭配保養時程做預先規劃,達到提升產線生產效率的目的。
銑床作為常見的工具機,其功能是利用銑削刀具去除多餘材料並保持高精度的尺寸誤差。為了保障高精度的尺寸誤差,電腦數值控制機床(CNC)的刀具磨損監控就顯得非常重要,因為嚴重的磨損將會導致加工效率與精度下降。因此,即時獲取切削刀具的磨耗情形,並預測何時會造成斷刀,可以避免因斷刀造成高價格工件損失,且能提高刀具使用效率。

研究目的

傳統上工具機使用不同的刀具進行不同材料的加工,並使用不同的加工參數,會使得預測刀具RUL變得複雜。因此,為釐清刀具型式與切削材料所造成的預測不準確度,本研究使用線性與非線性迴歸對銑床切削刀具進行數據驅動預測並比對其結果與預測趨勢,比較不同刀具與切削材料對於預測模型演算法選擇的影響,以便於提高模型預測的精準度。
根據PHM方法,我們以所收集的數據依照時間進行數據取樣,再將所取出的特徵建模來預測其最終趨勢,確定RUL能正確的運行,接著運用完整的數據建立的RUL模型來預測銑床切削刀具的RUL。
 
文獻回顧

國內外也有多項研究將RUL預測廣泛的用於加工設備之中。劉[1]使用PHM技術預測銑床健康狀態。Lee[2]提出了一種PHM開發方法,提高系統的設計效率,並以適當的方式顯示預測信息。Li[3]團隊使用系統方法提出滾珠螺桿的失效預測,這個方法實現故障診斷、早期診斷、健康評估與RUL預測。應用高斯過程迴歸來預測退化軌跡的趨勢,並採用主成分分析來確定最佳的特徵集。另外,研究人員針對滾珠螺桿有無感測器的退化行為進行研究,其結果顯示感測器在故障診斷中具有重要意義。Liu[4]等人使用據驅動模型對銑刀進行RUL預測,有效延長刀具的使用時間。Lu[5]以費雪準則對特徵進行高低排序,有效保持分析的準確性,並提高檢測效率。Smeulers[6]透過感測器連續測量關鍵系統元件的物理狀況監測系統運行情形,並以此估算元件剩餘壽命。為了提高RUL預測的準確性,Sun[7]團隊使用混合方法來預測刀具RUL,藉由數據驅動模型來監控刀具磨損情況,並基於物理性質的特性建立預測模型來預測刀具RUL。另外,Sutrisno[8]提出了三種數據演算法來估算滾珠軸承RUL,他們發現最好的方法是使用振動頻率的特徵與使用時間比來進行演算。Zhang[9]使用高斯加權移動平均法對原始資料降噪,提升訊號的判讀性,並維持其精準度。Hu[10]則指出以高斯過程迴歸能預測大幅度變化的數據驅動模型。
利用合適的演算法針對不同模型,建立更加準確的預測模型有以下幾個優點:
1. 提高預測精度
2. 降低需要的資料量
建立更加準確的預測模型對於刀具可用性評估系統具有重要意義,特別是對於精密加工產業尤其重要。當設備即將發生故障時,系統會發送有關鑽孔刀具的狀況訊息,通知作業人員應當更換刀具。
本研究將針對兩組不同銑削模式振動數據進行模型訓練,並依序使用線性與非線性迴歸演算法提高模型精度,並比較兩者在分析結果上的差異。

研究方法與步驟

實驗設計

實驗流程如圖2所示,本實驗遵循傳統的PHM系統開發方法,經過數據量測、資料選定、建立基準、資料劃分、監督式學習、數據驗證,最後透過圖形呈現刀具狀態分類結果與刀具剩餘可用壽命趨勢圖。
本研究使用之加工資訊列於表1。為了明確接收振動信號,因此將三軸加速規(8688A50, Kistler, Switzerland)安裝在接近刀具且相對平整的面如圖3所示,並透過聲音與振動輸入模組(NI-9234, National Instruments, United States)擷取振動訊號,搭配自行撰寫的LabVIEW程式儲存資料,以MATLAB開發分析程式。

數據前處理

為了得到準確的數據,在收集加工數據時,除了加工時的振動訊號,也會將停滯時間、換刀時間等非加工時段的訊號一起儲存在同一份文件,以加工程式當作數據分割的參考依據,接著使用MATLAB在每次下刀中擷取平穩振動區段,再將一次加工的資料儲存成一個檔案。這樣就能夠得到準確的加工數據。
  
特徵提取和選擇

數據前處理結束後,開始對數據做特徵提取。特徵可分為時域與頻域兩部分。而在本研究之中基於統計方法論中選擇時域的特徵,例如標準偏差,均方根,平均值,峰度和偏度等進行分析。在頻域方面的特徵提取則是使用快速傅立葉轉換將數據轉換到頻域上,方便我們在頻譜圖上觀察振動數據的能量分布,並提取1至5倍頻特徵來訓練模型。如表2所示。
經特徵提取後會獲得三軸方向,各6個時域特徵和5個頻域特徵,共33個特徵。過多的特徵會有過度擬合的情形發生,導致預測性能不佳,為了避免過度擬合建模,本研究使用費雪準則對特徵進行高低排序並選出明顯高分者。

建模方法

本研究在特徵提取之後,使用邏輯迴歸演算法計算銑刀的健康指標,其值會介於1到0之間,其中越接近1的數值就定義為健康指標,而越接近0的數值定義為失效值。根據文獻的建議,在此使用線性迴歸(Linear regression)、多項式迴歸(Polynomial regression)、高斯過程迴歸(Gaussian process regression)三種演算法做預測曲線的建構,並比較三者在預測壽命上與實際使用壽命的差異。

...更多內容,請見《機械新刊》雜誌

READ MORE BACK TO LIST