本研究主要針對車床工具機主軸進行智能化系統建置以及加工狀態研究並且開發周邊智能畫軟體系統，研究中針對車床工具機主軸及其加工過程的影響，將整體分為三個主要項目來進行研究。首先，將主軸於好發故障的部位埋藏感測器，包含加速規、溫度計等，透過內藏感測器主軸所量測到的關鍵訊號，透過分數階Chen-Lee混沌系統同步訊號處理方法來診斷出各個分項技術如顫振、刀具磨耗監控。第二部分則是透過該監測技術實現顫振補償機制，而第三部分會透過埋藏於主軸內的溫度計，運用多元回歸理論實現溫度監控及熱伸長補正技術，最後透過本研究所建置的專屬網頁及APP達到所有訊號可視化。
前言
近年來產業上對於智慧製造人才以及產能需求越來越高，為了跟國際上各家知名的廠商競爭，因此提升本土製造的能力是勢在必行之事。在國際大廠如德國瑪吉森(DMG)、因代克斯（INDEX），日本的Okuma、三菱Mitsubishi等，相關機械及智能化技術整合都已如火如荼的在發展，然而國內就相對缺乏這方面的開發人才及成本，在技術上就因“後天失調”而落於人後。然而台灣的工具機產業是極具發展潛力的產業，我們具有幾個優勢：第一是我們具有中部地區龐大的機密機械產業聚落、第二是我們有雄厚的工具機操作知識及技術，所以更應該要多加利用上述的優勢，並且同時在國產工具機上更充實智能化技術，使台灣品牌脫離中低端加工的刻板印像，讓國際看見台灣也是有高端工具機製造的軟硬實力。因此，本研究針對車床工具機主軸及其週邊設備進行智能化研究，透過訊號處理與人工智慧技術導入，提升工具機主軸智能化功能，結合訊號流與資訊流進行可視化分析，讓國產工具機可以與國際競爭。
正文
目標
本研究的核心宗旨，就是針對工具機產業進行技術研發、突破，以麥克機器所生產的國產車床MC-4200臥式球型車床搭配新代21TA控制器，工具機主軸使用本研究團隊與普森精密主軸共同研發的內藏感測器皮帶傳動主軸。目的就是把傳統機械廠較弱勢領域，如訊號處理、人工智慧、大數據分析、資通訊及資訊可視化等結合至國產工具機使其產生加值的效果。為此，本研究分別將智慧主軸開發、可攜式主軸診斷裝置開發作為工具機與網路連結的窗口，還有顫振狀態識別跟熱溫升的補償，以及最重要的核心價值技術－工具機加值軟體開發，作為工具機智能化判斷大腦的依據，完成單機智能化的小型物聯網。
主軸狀態分析
為了讓後續的分類模型得以具有辨別“同類”但“異質”訊號的能力，本研究團隊使用雙重訊號處理手段。首先將本團隊內藏在主軸內部的感測器訊號使用AD/DA卡進行擷取將資料蒐集至本地資料庫，提取機台加工中的空轉訊號、一般切削、顫振訊號及各種刀具磨耗訊號，接著將訊號進行流行學習(Manifold Learning)中的Laplacian Eigenmaps1處理，將訊號進行拆解重組的動作，進行第一步的訊號特徵擷取，接著在將重整後的訊號進行分數階Chen-Lee混沌2的訊號分析，相比以往單一的混沌分析特徵擷取方式，多進行一步Laplacian Eigenmaps處理能夠將訊號萃取出更為細節的特徵，提高後續分類器的學習效果，而在取得特徵後的模型訓練部分將使用自動化推薦分類演算法於錯誤診斷應用3Automatic Fault Diagnosis Mechanism(AFDM)之架構的自動分類演算法(Automated Recommendation Algorithm)來進行。首先會將在本地蒐集端並進行廣度學習訊號拆解整理後的特徵訊號上傳至本團隊的雲端進行AFDM的模型選擇，架構如圖1所示，AFDM將在雲端進行數據的模型訓練，整合各模型的準確度並篩選出最高的模型來回傳至本地的蒐集端提供最佳的預測模型，最後在顯示在本計畫的可視化界面上，提供使用者即時的最佳預測結果。
實際介面上的應用可以參考圖2所示，在因應不同的刀具磨耗下所對應的最佳模型也會有所不同，此系統的整合有助於不同種性質的特徵訊號來進行狀態的預測，增加整體系統預測的穩定性及廣泛度。
在經過統計後這次的廣度學習AFDM架構下整體狀態判別準確率高達99%，相較於單一特徵擷取及利用卷積神經網路辨別方法下的92%準確率，此方法的準確率明顯高了許多。
...更多內容，請見《機械新刊》雜誌
