為提供不同加工參數下，仍具有評估刀具剩餘可用時間(Remaining Useful Life, RUL)能力的一致性。本研究將基於人工智慧演算法，並結合理論模型，開發一切削力堆疊 (Cutting Torque Stacking, CTS) 方法，以能評估在不同加工參數下，透過估測刀具可用階段的切削力趨勢，從而即時估測刀具剩餘壽命。在基於既有的加工參數的刀具歷程樣本下，透過新參數的理論切削力分析，與整合遞迴類神經模型，可獲得新參數下刀具可用時間的評估模型，減少建立新參數所需的樣本蒐集問題，可大幅提升刀具可用評估於加工生產領域之應用。
前言
以CNC進行銑削加工時，刀具會與工件和碎屑產生摩擦與碰撞，從而使刀具的鍍層逐漸磨損，發生刀具崩刃或斷裂的問題，進而影響加工品質，故刀具監測為加工過程中相當重要的一環。加工時，當刀具接觸面在擠壓並移除材料時，由於移除材料形狀變化，使得刀具微觀上受力不均勻，移除材料時所產生的局部高溫，亦將軟化刀具之刀緣與刀面，使刀具鍍層發生進一步的不規則磨損與剝落，造成刀緣與刀面不平整，進而使刀具接觸面與工件間的受力更不均勻，更增加刀具前緣與工件間的不規則振動量。因此，在刀具逐漸磨耗過程中，刀具與工件間的不規則振動幅度亦逐漸增加，從而增加移除工件材料時所需的剪切力，進而使得切削力逐漸
增加。
雖然動力計可直接量測切削力，然其量測範圍侷限與高昂成本，使得動力計的量測方式常侷限於研究測試之用。而由於切削力為主軸馬達之動力所提供，透過監測切削時的電流將得以估測切削力；然當單位時間的切削量小且主軸足夠預壓情況下，其切削電流相對空轉變化不大，加上溫度差異所導致的軸承潤滑改變，常使得僅從電流以估測扭矩變化有其相當的挑戰性。此外，由於刀具為透過旋轉以排屑，在正交方向上(垂直於進給方向與刀具軸向)因較不受約束，在此方向之振動量將隨刀具磨耗增加而增加。因此，可透過振動特徵變化以估測扭矩變化，進而推測刀具磨耗歷程的切削力變化。
然在實務上，當面對不同需求而改變切削路徑時，如何適時地截取不同位置的加工段訊號[2]當改變不同加工條件，如切削進給率與主軸轉速時，如何獲得足夠樣本以建立估測模型[1]然實際樣本累積不易，時間成本亦偏高，如何基於理論切削模型，結合已有條件的資料樣本，從而可推論在新條件下刀具磨耗歷程的切削力變化[3]，為本研究目標。
系統架構
本研究所開發之系統架構如圖1示，在建模階段，由三層堆疊所構成： 切削力模型(紅框)、刀具可用趨勢(橘框)、與實際刀具變異(紫框)等，分別為基於模擬的不同條件理論扭矩、基於感測的可加工階段之歷程扭矩、整合理論及歷程的推估模型。在執行階段，感測訊號從資料蒐集到特徵選擇的訊號前處理(藍框)，到整合特徵與推估模型的扭矩估測(灰框)，最終產出為估測刀具於可加工壽命期間的切削扭矩[3]。
基於上述架構，今分述如下：
切削力模型(Cutting Force Model)
首先，可透過切削物理模型進行理想的加工路徑驗證，如HiNC[4]，如圖2所示。透過NC碼、刀具路徑檔(CL file)之模擬驗證功能，在加工前先進行不同條件的模擬，包含機體運動模擬、材料移除模擬、碰撞偵測等功能，提供加工分析，包含誤差比對、材料移除率、切削力分析等。
根據切削理論，如圖3，各方向每刃週期的平均銑削力可推導出如下[1]。
...更多內容，請見《機械新刊》雜誌
