刀具磨耗在多工況使用下受轉速、進給、材料、切削負載及設備剛性等影響，傳統經驗或單一工況條件訓練下所建立的模型難以準確預測磨耗狀，也就難以準確預測刀具剩餘壽命(RUL, Remaining Useful Life)。本研究結合實驗設計、即時訊號處理、特徵分析、生成對抗網路(GAN, Generative Adversarial Network)數據擴增與LSTM＋GRU(Long Short-term Memory＋Gated Recurrent Unit)混合模型預測方法，發展監控法則並以C#建立包含友善人機介面之適合多工況的刀具剩餘壽命智慧監測系統。在實際切削數據支持下，GAN以少量實測資料生成多工況下之逼真樣本，改善模型對粗加工RUL與精加工表面粗糙度之泛化能力。實削驗證結果顯示，粗加工磨耗預測0.146mm(實測0.14mm)，以及精加工精度刀具RUL(剩餘64秒)和加工精度預測(Ra 1.4µm)均具相當的準確性，顯示方法與系統於多工況下應用實具實務可行性。
前言
在精密製造中，刀具磨耗影響加工精度與效率，刀具因切削摩擦逐漸磨損，若不及時更換，可能導致品質缺陷或停機；過早換刀則浪費資源。因此，準確預測刀具剩餘壽命(RUL)與加工精度至關重要，然傳統方法難以應對多變工況，且數據收集耗時，因此限制了預測的即時性與準確性。為了解決數據不足與適應性差的問題，本研究引入生成對抗網路(GAN)，旨在生成逼真數據以補充訓練樣本，提升模型在多工況下的預測精度與泛化能力。
近年來AI方法愈趨成熟，也提升了刀具監測能力。Zhou[1]用集成方法優化銑刀磨損預測，提出快速模型選擇策略。Salgado[2]以時域與頻域振動訊號監測車削磨損，提供即時診斷基礎。Abbass[3]比較主軸功率與渦流感測器檢測銑削磨損，探索低成本方案。Tsou[4]利用主軸電流速率診斷磨耗趨勢，通過大量實驗建立診斷門檻。Wang[5]提出GFMGAN，結合SinGAN(Single Image GAN)與梯度學習，解決數據不足的故障診斷問題。Wang[6]開發DSLGAN，增強生成網絡效率，提升診斷穩定性。此外，ISO 8688-2[7]也定義了判定磨耗(換刀)標準(均勻磨耗0.3mm，最大磨耗0.5mm)，為應用提供參考依據，但實務上刀具的即時磨耗狀態、剩餘壽命乃至最適換刀時機是取決於是否能滿足加工精度要求，因此應用準確性也會受限於單一工況，泛化性不足的影響。生成對抗網路(GAN)通過生成逼真數據，用以訓練模型，補充數據不足問題，以有助於提升多工況適應性，而結合LSTM與GRU，的混合模型則是希望能兼顧模型預測準確性與計算效率。監控系統係以C#開發，整合數據擷取與預警功能，通過實削驗證多工況效能，期為智慧製造提供實用解決方案。
研究方法
研究中以生成對抗網路(GAN)結合時間序列深度模型(LSTM、GRU及其混合架構)建構刀具剩餘壽命(RUL)與精加工表面粗糙度預測流程。核心概念為萃取振動訊號特徵，利用GAN擴增多工況數據，降低對大量實測的依賴，並提升模型在粗、精加工情境下的泛化能力與預警穩定度。透過多組工況與不同生成倍率的系統化實驗，比較預測準確度、訓練效率與所需數據量，建立可實務部署的智慧監測機制。
生成對抗網路(GAN)
為解決多工況資料不足與分佈差異問題，導入GAN擴增振動與表面粗糙度相關數據，用以強化深度模型訓練。GAN由生成器G與判別器D組成，在對抗式學習下使生成數據分佈趨近實測分佈(圖1)。
在應用上：
● 粗加工：GAN生成對應高負載條件之Y軸振動及相關特徵，用於RUL與磨耗趨勢建模。
● 精加工：GAN生成X/Z軸振動與表面粗糙度數據，以支援表面品質與壽命預測。
在最適數據量分析上，生成數據與真實數據依不同比例混合(例如：10%真實＋90%生成)後輸入LSTM＋GRU混合模型，在比較不同生成數據倍率與混合策略對預測誤差與訓練時間之影響後，篩選出兼顧準確度與效率之配置。為確保合成數據可用性，本研究同時採用KL 散度、JS散度與Wasserstein距離評估生成與實測分佈差異，作為選擇最適生成條件與倍率之依據。
深度學習方法
刀具切削過程中的振動訊號隨磨耗進展而變化，呈現明顯的時間依賴性，傳統類神經網路難以捕捉其連續特徵。為了解決此問題，本研究採用具時間序列學習能力的長短期記憶網路(LSTM)、門控循環單元(GRU)及其混合模型，構建深度學習架構，提升刀具剩餘壽命(RUL)預測的準確性與穩定性。
LSTM模型
長短期記憶網路(LSTM)以遺忘、輸入、輸出三閘控與Cell State穩定長序列資訊，能有效緩解梯度消失並擅長刻劃磨耗的緩變趨勢(如粗加工的長期累積)。在刀具監測中，LSTM能學習跨時段的結構性變化，支撐較長期的RUL推估(圖2)。
GRU模型
門控循環單元(GRU)具更新、重置兩閘簡化結構，參數少、訓練快的優點。此外，其對短期波動與工況切換引致的訊號突變反應靈敏，特別適合較短記憶與高變動的序列。雖長期記憶上略遜LSTM，但在多工況快速收斂與效率上具優勢(圖3)。
LSTM與GRU的多層混合架構
LSTM擅長捕捉長期依賴，但參數較多、資源消耗高且易過擬合；GRU結構精簡(更新閘、重置閘)，訓練快速、過擬合風險較低，但長期記憶略遜。將兩者串聯可互補。為兼具長期記憶與高效率，本研究將單層LSTM串聯單層 GRU的混合循環網路，用於提升刀具剩餘壽命(RUL)預測之準確性與穩定性。LSTM負責預測長期累積的磨耗趨勢(例如粗加工的緩慢累積)，GRU則強化對短期波動的反應(例如精加工工況切換的突變)。此混合架構在多工況下展現更佳穩定性與泛化，並以dropout正則化在計算成本與精度間取得平衡；相較單一LSTM或GRU，更能處理刀具切削振動的複雜時序模式，提供可靠的RUL預測解決方案。模型輸入數據包含：轉速、Chip load、振動倍率(粗加工取Y軸、精加工取X/Z軸)、使用時間、磨耗量與速率，輸出為RUL(秒)，超參數設定為lookback＝10、batch size＝32、hidden size＝64、dropout＝0.2、lr＝0.001、epoch＝100、gamma＝0.1，以兼顧學習效率與泛化。
執行上，振動訊號序列先經LSTM，以遺忘/輸入/輸出閘與 Sigmoid、Tanh激活提取長期依賴並產生 ；再送入GRU，以更新與重置閘控制新舊資訊融合與遺忘，獲得強化短期變動的。為抑制過擬合，GRU輸出後接入dropout；隨後經特徵歸一化與全連接層，最後輸出RUL預測(圖4)。
刀具磨耗現象
研究中，暫以刀具磨耗依據ISO 8688-2標準，以刀腹磨耗(VB)達均勻磨耗0.3mm或非均勻磨耗0.5mm作為壽命終止依據，確保預警規則與模型訓練一致性。
數據收集與訊號處理
為排除加工中的雜訊與非穩定訊號干擾，振動訊號以刀刃通過頻率倍頻擷取，取振幅變化作為磨耗判斷依據。採用四分位距法(IQR)去除離群值，先定義切削訊號分佈區間，再依上下四分位數計算門檻，排除超出範圍數據，保留代表性訊號。特徵選取係針對訊號前20%最大峰值區段來計算RMS值，並定義「振動相對增加倍率」(每筆切削振動值除以首次切削值)，提供跨參數比較依據，增強模型辨識磨耗趨勢的靈敏度與穩定性。
...更多內容，請見《機械新刊》雜誌
