本文主要探討結構與切削之間的關係，先進行的模態實驗得到工具機的自然頻率，接著透過切削實驗比較工具機的自然頻率與振型對切削品質的影響，實驗研究過程中會運用感測器收集工具機加工時的振動數據，透過資料處理與分析，將機台訊號轉換為資訊，進行加工狀態預測，建構機台健康狀態監控的技術，並將相關診斷技術運用於實際切削加工應用，進一步提升工具機智慧化的能力。
前言
現今的機械加工不斷的朝向多軸化、高速化、高精度化與智慧化的方向發展，為因應加工的高精度與智慧化的需求，需對加工過程進行必要的監控與預測，透過即時監控刀具的切削狀態，就可以提前知道加工品質，並且在遭遇切削異常時可以即時處理，因此本研究主要希望透過擷取機台加工時的振動訊號，透過訊號分析，了解機台目前加工的穩定性。國際上也有相關的研究人員，進行相關之研究，其中J.R Baker與K.E Rouch[1] 將重點放在結構有限元素模型(FEM)在車削操作穩定性分析中的使用。可以在分析中同時考慮到切削刀具和工件加工品質的影響。
Mahdavinejad等人[2]研究顫振是一種自發的振動。這種現象嚴重影響了加工去除率。此文透過車床動力學模型對加工過程的不穩定性進行了分析。
Jatinder Garg等人[3]提出了一種基於FEM的簡化方法，用於模擬機台結構的自然頻率和振型。該方法用於模擬立式銑床在不同負載條件下的振動特性。
Alejandro E.Rodríguez-Sánchez等人[4]模擬退火與神經網絡模型結合使用，可以找到最佳的加工位置參數和殘餘應力條件，以減少加工引起的變形現象。
Yuguang Cao等人[5] 為了分析關鍵參數對功率的靜態剛度的影響，運用ANSYS開發了三維(3D)有限元素方法模型，其中建模方法比其他研究有所改進。結果顯示模型與已發布的解決方案之間存在明顯的對應關係，這意味著FEM模型可以準確描述功率的靜態
剛度。
JianboYu[6]提出了一種基於高斯混合模型(GMM)和 K-means的混合特徵選擇方案，該方案的有效性在軸承試驗台上進行了實驗評估，使用退化預測和可視化方法，研究過程中運用自組織圖(SOM)模型，來量化機器健康狀態。
Abhishek Song-Tae SEONG等人[7]在端銑的某些切削條件下，刀具旋轉過程中切削力的符號由正變為負。力方向的變化導致切割動力學不穩定，從而導致顫振。混合神經網絡引入了多層感知器(MLP)的兩種功能，通過反向傳播算法進行訓練，用於監測和檢測異常狀態，自組織特徵圖(SOFM)用於處理圖像處理和模式識別等大數據，同時對切削力信號模式進行預測和分類。
W.H. Wang等人[8]結合力與視覺傳感器組成刀具狀態監測(TCM)系統，用於線上監測銑削中的後刀面磨損和破損。透過自組織圖(SOM)網絡在每次切割後進行訓練，使用源自切削力的兩個特徵，以及通過插入基於視覺的測量獲得的測量磨損值。經過訓練的 SOM 網路應用於後續加工過程，以估計過程中的後刀面磨損。
切削實驗
切削刀具
本實驗使用刀具為四刃碳化鎢端銑刀，採用同一系列的刀具，是為了降低刀具可能因為刀具幾何角度的不同所產生的影響，切削參數是參照刀具公司所提供的參數，並挑選不同直徑的刀具，由於切削參數是參照刀具公司所提供的參數，降低自訂切削參數所帶來的
影響。
實驗參數
本次切削加工的材料為中碳鋼S45C為最普遍使用的鋼種，有良好的強度與韌性，並且切削性能良好，能降低材料性質所帶來的影響。實驗機器為三軸立式綜合加工機，切削方法為銑削，切削路徑為順銑法採用單向直線切，如圖1所示，徑向切深為0.025mm、軸向切深為2mm，每一把刀切削100道次共8把刀具，主軸轉速與進給速度是參照刀具公司所提供的參數，如表1所示。
量測方法
量化指標以為表面粗糙度為主，工具顯微鏡為輔，表面粗糙度主要了解工件表面的品質，工具顯微鏡主要了解刀具的磨耗與工件表面刀痕的走向。
表面粗糙度與表面刀紋
透過顯微鏡觀察刀具切削後的磨耗情況，觀察後發現刀具在模態振型頻率下切削，會導致刀刃崩刃並產生刀口積屑，並且刀具磨耗量也會比較高。
透過非接觸式表面粗糙度儀，觀察後發現在模態振型頻率下進行加工，會導致表面粗糙度較高，但是有一些模態振型是不會對表面粗糙度有影響，不會產生影響的模態振型有可能是與加工方向一致，因此不會產生切削刀痕的影響。
透過圖2所示，由於是側銑，所以主要是量測徑向面的表面粗糙度與透過高精度工具顯微鏡瞭解工件表面刀痕的走向以了解加工時的振動方式。
...更多內容，請見《機械新刊》雜誌
