工具机的加工品质的预测方法.pdf

一种以虚拟测量(VM)为基础的工具机的加工品质的预测方法。在此方法中，每一个产品准确度项目关联(Correlating)至多个工具机的加工路径。在建模阶段，首先操作工具机以获得多个建模用的工件样本，并搜集在工具机的操作期间与加工路径相关联的建模样本的多组工件样本侦测数据；其次，对侦测数据抑止杂讯(Denoising)后，转换每一个建模样本的侦测数据并对应至每一个特征型式的样本特征数据；最后，测量每一工件样本的准确度项目，并结合此方法所选出的关键特征数据以建立工件的品质预测模型，可获得每一个产品准确度项目的样本品质预测数据。在使用阶段，当输入加工工件的关键特征数据于品质预测模型后，可预测此工件各准确度项目的数值。

权利要求书
1.  一种工具机的加工品质的预测方法，其特征在于，包含：
关联每一至少一产品准确度项目至一工具机的多个加工路径，而获得所述至少一产品准确度项目与所述加工路径间的多个关系；
依据所述加工路径操作该工具机来处理多个工件样本，并搜集在该工具机的操作期间与所述加工路径相关联的所述工件样本的多组样本侦测数据，其中所述多组样本侦测数据是由安装在该工具机上的至少一侦测器所获得；
针对所述至少一产品准确度项目测量每一所述工件样本，而获得所述工件样本的所述至少一产品准确度项目的至少一组品质样本数据；
过滤并转换每一所述工件样本的该组样本侦测数据为对应至至少一特征型式的至少一组样本特征数据；
使用每一所述工件样本的所述至少一组样本特征数据和所述工件样本的所述至少一组品质样本数据，并根据一预测演算法和所述关系，来建立针对所述至少一产品准确度项目的一预测模型；
依据所述加工路径操作该工具机来处理一工件，并搜集在该工具机的操作期间与所述加工路径相关联的该工件的一组样侦测数据，其中该组侦测数据是由安装在该工具机上的所述至少一侦测器所获得；
过滤并转换该工件的该组侦测数据为对应至所述至少一特征型式的至少一组特征数据；以及
输入该工件的所述至少一组特征数据至该预测模型中，而推估出针对所述至少一产品准确度项目的该工件的至少一预测的准确度值。

2.  根据权利要求1所述的工具机的加工品质的预测方法，其特征在于，还包含：
针对所述至少一产品准确度项目实际测量该工件，而获得该工件的至少一实际准确度值；以及
使用该工件的所述至少一组特征数据和该工件的所述至少一实际测量准确度值来更新该预测模型。

3.  根据权利要求1所述的工具机的加工品质的预测方法，其特征在于，还包含：
针对所述至少一产品准确度项目实际测量该工件，而获得该工件的至少一实际准确度值；
使用一智能特征选取方法来自每一所述工件样本的所述至少一组样本特征数据与该工件的该组特征数据中选出至少一组关键特征数据；以及
使用所述至少一组关键特征数据、所述工件样本的所述至少一组品质样本数据和该工件的所述至少一实际准确度值来更新该预测模型。

4.  根据权利要求3所述的工具机的加工品质的预测方法，其特征在于，该智能特征选取方法包含一非支配排序基因演算法或一逐步选取法。

5.  根据权利要求1所述的工具机的加工品质的预测方法，其特征在于，还包含：
设计一产品轮廓，该产品轮廓包含一产品的多个尺寸与公差；以及
根据该产品的所述尺寸与公差及该工具机的多个特性来产生该工具机的所述加工路径。

6.  根据权利要求5所述的工具机的加工品质的预测方法，其特征在于，该设计该产品轮廓的操作是使用一计算机辅助设计工具，该产生该工具机的所述加工路径的操作是使用一计算机辅助制造工具。

7.  根据权利要求1所述的工具机的加工品质的预测方法，其特征在于，所述至少一特征型式包含时域、频域和/或时频域。

8.  根据权利要求1所述的工具机的加工品质的预测方法，其特征在于，该过滤并转换每一所述工件样本的该组样本侦测数据和该转换该工件的该组侦测数据的操作是使用一小波滤杂讯法、一快速傅利叶转换或一离散小波转换。

9.  根据权利要求1所述的工具机的加工品质的预测方法，其特征在于，该预测演算法包含一类神经网络演算法、一复回归演算法、一部分最小平方演算法或一支持向量机演算法。

10.  根据权利要求1所述的工具机的加工品质的预测方法，其特征在于，所述至少一产品准确度项目包含一粗糙度、一直线度、一棱角度、一垂直度、一平行度和或一圆度。

说明书工具机的加工品质的预测方法
技术领域
本发明是有关于一种工具机的加工品质的预测方法，特别是有关于一种以虚拟测量(VM)为基础的工具机的加工品质的预测方法。
背景技术
在工具机的产业中，被一工具机所处理的一工件的加工准确度对鉴定此工件是否符合设计公差是有用的，从而辨认出此工具机的加工品质，以便对准、校正和认证此工具机或停止加工操作，因而避免后续的工件超出公差。
传统上，工件的加工准确度可被两种方式所测量：离线测量(Off-machine Measurement)和线上测量(On-machine Measurement)。离线测量只取样某些被加工的工件来以指定的测量机器测量它们的加工准确度，例如：三次元测量机(Coordinate Measuring Machine；CMM)。相较于线上测量而言，离线测量可提供较高的精确度；且由于只有少量的取样工件被测量，离线测量需较少的时间和成本来进行工件测量。然而，两次工件测量间的取样时间间隔通常超过数小时。因此，若工具机的性能在此取样时间间隔内便已偏离正常状态，则离线测量会遭受产生可观数量的有缺陷或超出公差的工件的风险。
线上测量使用固定在工具机上的探头来测量每一个工件，测量方法例如探针、激光或影像处理技术等。相较于离线测量而言，线上测量可提供较即时的测量结果；然而，线上测量需要牺牲工具机的可用加工时间来进行测量，因而减少工具机的稼动率。此外，在所有工具机安装测量装置将对线上测量带来重大的成本支出。
发明内容
因此，本发明的一目的就是在提供一种工具机的加工品质的预测方法，借以同时兼顾即时性与准确性需求来推估每一个被加工的工件的准确度值，预测出一工具机的加工品质，以克服已知的线上测量与离线测量的缺点。
根据本发明的一方面，提出一种以虚拟测量为基础的工具机的加工品质的预测方法。在此方法中，关联(Correlating)每一个产品准确度项目(例如：粗糙度、直线度(Straightness)、棱角度(Angularity)、垂直度(Perpendicularity)、平行度(Parallelism)和/或圆度(Roundness))至一工具机的多个加工路径，而获得至少一个产品准确度项目与这些加工路径间的多个关系。接着，依据这些加工路径以操作工具机来处理多个工件样本，并搜集在此工具机的操作期间与这些加工路径相关联的这些工件样本的多组样本侦测数据，其中这些组样本侦测数据是由安装在此工具机上的至少一个侦测器(例如：三轴加速度感测器(Accelerometer)和/或声射(Acoustic Emission；AE)感测器)所获得。然后，针对此至少一个产品准确度项目测量每一个工件样本，而获得这些工件样本的至少一产品准确度项目的至少一组品质样本数据。接着，以演算法(例如：小波滤杂讯法(Wavelet De-noising Method))抑止侦测数据的杂讯，并转换每一个工件样本的一组样本侦测数据为对应至至少一个特征型式(例如：时域(Time Domain)、频域(Frequency Domain)和/或时频域(Time-Frequency Domain))的至少一组样本特征数据。然后，使用每一个工件样本的此至少一组样本特征数据和工件样本的至少一组品质样本数据，并根据一预测演算法和前述的产品准确度项目与加工路径间的关系，来建立针对至少一个产品准确度项目的一预测模型。在预测模型建立后，依据前述的加工路径操作工具机来处理一工件，并搜集在工具机的操作期间与加工路径相关联的此工件的一组侦测数据，其中此组侦测数据是由安装在工具机上的前述的至少一个侦测器所获得。接着，以演算法(例如：小波滤杂讯法)抑止侦测数据的杂讯(过滤)并转换此工件的此组侦测数据为对应至至少一个特征型式的至少一组特征数据。然后，输入此工件的此至少一组特征数据至预测模型中，而推估出针对至少一个产品准确度项目的此工件的至少一个预测的准确度值。
在一实施例中，在上述的方法中，以三次元测量机(CMM)针对至少一个产品准确度项目来测量前述的工件，而获得此工件的至少一个准确度值(产品准确度项目的数值)。然后，使用此工件的至少一组特征数据和至少一个准确度值来更新前述的预测模型。
在一实施例中，在上述的方法中，使用一计算机辅助设计(Computer Aided Design；CAD)工具来设计一产品轮廓，此产品轮廓包含一产品的多个 尺寸与公差；并使用一计算机辅助制造(Computer Aided Manufacturing；CAM)工具且根据此产品的尺寸与公差及工具机的多个特性来产生工具机的加工路径。
在一实施例中，在上述的方法中，使用一智能特征选取方法(例如：非支配排序基因演算法(Non-dominated Sorting Genetic Algorithm；NSGA)或逐步选取(Stepwise Selection；SS)法)，来自每一个工件样本的至少一组样本特征数据与前述工件的一组特征数据中选出至少一组关键特征数据。然后，使用此至少一组关键特征数据、工件样本的至少一组品质样本数据和前述工件的至少一个准确度值来更新前述的预测模型。
在一实施例中，上述的过滤并转换每一个工件样本的一组样本侦测数据和过滤并转换前述工件的一组侦测数据的操作是使用小波滤杂讯法、快速傅利叶转换(Fast Fourier Transform；FFT)或离散小波转换(Discrete Wavelet Transform；DWT)。
在一实施例中，上述的预测演算法包含类神经网络(Neural Network；NN)演算法、复回归(Multi-Regression；MR)演算法、部分最小平方(Partial Least Square；PLS)演算法或支持向量机(Support Vector Machines；SVM)演算法。
因此，应用本发明的实施例可有效地立即推估出被工具机加工的每一个工件的准确度值，而可及时的辨认出工具机的加工品质。
附图说明
为让本发明的上述和其他目的、特征、优点与实施例能更明显易懂，所附附图的说明如下：
图1是绘示根据本发明的一实施例的以虚拟测量为基础的工具机的加工品质预测方法的流程示意图；
图2A是绘示根据本发明的一实施例的工具机的例示加工路径；
图2B是绘示根据本发明的一实施例的工具机的例示产品准确度项目；
图3A是绘示根据本发明的一实施例在工具机的操作期间所搜集到的工件的例示的原始侦测数据；
图3B是绘示根据本发明的一实施例与工具机的加工路径相关联的工件的例示的去噪(De-noised)的侦测数据；
图3C是绘示根据本发明的一实施例的对应至时域、频域和时频域的例示的样本特征数据。
具体实施方式
在高科技产业中，虚拟测量已成为一种进行工件测量的有效方式，如在薄膜晶体管-液晶显示器(TFT-LCD)及半导体产业中，其中晶圆和玻璃分别为薄膜晶体管-液晶显示器及半导体产业中的工件。在制程上进行虚拟测量的基本准备工作是建立预测模型，即虚拟测量模型，其能够密切地对此制程的输入-输出建模。可通过训练一些演算方法(如倒传递类神经网络和多元回归技术)来产生虚拟测量模型，并使用历史制程参数为输入，及对应的工件制造品质数据为输出。一旦输入制造一工件的制程参数数据，虚拟测量模型立即推估出此一工件的制造品质，以便及时侦测出设备或制程异常。前述的虚拟测量模型可参考美国专利前案第7,603,328号“双阶段虚拟测量方法”，其在此以引用方式并入本案。
不像高科技产业的通常是稳定的制程，由于在材料去除的过程中工具机、工件与被去除的碎片间会发生强大的撞击与摩擦，故工具机的加工过程具有强烈振动与高噪音的特性。此将导致由附加在工具机上的振动感测器所获得的信号具有低信噪比（Signal-to-Noise Ratio；S/N），因而影响虚拟测量的预测准确度。因此，如何有效地处理低信噪比的信号并自这些信号中撷取出关键特征是成功应用虚拟测量至工具机的一挑战性问题。
请参照图1，图1是绘示根据本发明的一实施例的以虚拟测量为基础的工具机的加工品质预测方法的流程示意图。
首先，本方法由建模阶段开始。在操作102中，首先设计一产品轮廓，此产品轮廓包含一产品的多个尺寸与公差。例如：可使用计算机辅助设计(CAD)工具来设计此产品轮廓，并输出包含产品的尺寸与公差的CAD文件。在操作104中，根据产品的尺寸与公差及工具机的多个特性来产生工具机的多个加工路径。例如：可根据此CAD文件和工具机的特性，并使用计算机辅助制造(CAM)工具来产生包含有工具机的加工路径的工具机加工路径文件，而产生一数值控制(Numerical Control；NC)码文件。在操作102后，指定出至少一个产品准确度项目，此至少一个产品准确度项目是用以决定被工 具机所加工的工件是否在可接受公差内(操作108)。此至少一个产品准确度项目包含粗糙度和/或尺寸偏离等，此尺寸偏离包含直线度、棱角度、垂直度、平行度和/或圆度等。请参照图2A和图2B，其是绘示根据本发明的一实施例的工具机的例示加工路径和例示产品准确度项目。如图2A所示，每一个标准工件被11个加工操作(加工路径)所加工，这些加工操作(加工路径)标示为A、B、…、K，而其将被测量的产品准确度项目包含在标准工件各位置的粗糙度Rz/Ra、直线度、棱角度、圆度、垂直度、和平行度，如图2B所示。
在操作112中，每一个产品准确度项目被关联至工具机的加工路径，而获得至少一个产品准确度项目与加工路径间的多个关系。如图2A和图2B所示，加工操作C可决定直线度3；而加工操作H和J可决定平行度。在一实施例中，将欲获得的产品准确度项目(粗糙度和/或尺寸偏离)关联并标记(Tag)至NC码文件中的加工路径。换言之，每一个欲获得的产品准确度项目被关联至被标记的NC码文件中加工操作的巨集(Macro)码。每一个加工操作可被关联至多个加工路径。例如：加工一直线段的操作是对应至几组巨集码，而每一组巨集码是由多个G码所组成。特别地，一项尺寸偏离可对应至多个加工操作。例如：平行度(产品准确度项目)是对应至两个加工操作。
在进行工具机的加工操作之前，在操作106中，必须先配置并设定加工参数，其包含进给速率、加工深度、最大主轴速度等。在加工参数配置后，在操作110中，依据加工路径操作工具机来处理多个工件样本，并搜集在工具机的操作期间与加工路径相关联的多个工件样本的多组样本侦测数据。工具机的操作常造成噪音和振动，因而可安装侦测器(例如：三轴加速度感测器和/或声射感测器)在工具机上，以搜集如图3A所示的多组原始样本侦测数据(振动和/或音频数据)。
在完成工件样本的加工操作后，在操作114中，以演算法(例如：小波滤杂讯法)抑止侦测数据的杂讯(过滤)，并转换每一个工件样本的一组样本侦测数据为对应至至少一个特征型式的至少一组样本特征数据，其中至少一个特征型式可为例如：时域、频域和/或时频域。以不同演算方法来处理在工具机的操作期间所搜集的工件样本的多组样本侦测数据，而去噪并撷取出与加工路径相关联的各种组的样本特征数据，其中不同演算方法可为例如：时域、频域和时频域方法。请参照图3A、图3B和图3C，图3A是绘示根据本发明 的一实施例在工具机的操作期间所搜集到的工件的例示的原始侦测数据；图3B是绘示根据本发明的一实施例与工具机的加工路径相关联的工件的例示的去噪(De-noised)的侦测数据；图3C是绘示根据本发明的一实施例的对应至时域、频域和时频域的例示的样本特征数据。在一些实施例中，前述的频域和时频域方法可为快速傅利叶转换(FFT)或离散小波转换(DWT)等，其可用以将时域数据转换成频域数据而导出不同功频率带宽的功率频谱密度(Power Spectral Density)特征；或用以将时域数据转换成时频域数据而导出不同小波(Wavelet)节点的小波封包(Packet)能量特征。例如：在时域的(样本)特征数据的类别为[峰至峰间(Peak to Peak)]、[标准差]、[平均值]、[最小值]、[最大值]、[偏态(skewness)]、[峰度（Kurtosis）]、[均方根值(Root-Mean-Square Value)]、[峰值因数(Crest Factor)]；在频域的(样本)特征数据的类别为[功率频谱密度1(频率×1/4)、[功率频谱密度2(频率×1/2)、[功率频谱密度3(频率×1)、[功率频谱密度4(频率×2)、[功率频谱密度5(频率×3)在时频域的(样本)特征数据的类别为[小波封包(Wavelet Packet)节点能量1]、[小波封包节点能量2]、[小波封包节点能量3]、[小波封包节点能量4]、[小波封包节点能量5]、[小波封包节点能量6]。前述的快速傅利叶转换(FFT)或离散小波转换(DWT)为本发明所属技术领域中具有通常知识者所熟知，故不在此描述。
在完成工件样本的加工操作后，在操作120中，以测量机台(例如：三次元测量机)，针对至少一个产品准确度项目测量每一个工件样本，而获得工件样本的至少一产品准确度项目的至少一组品质样本数据(准确度值)。在操作1116中，将前述的至少一组样本特征数据关联至(Associate)产品准确度项目。
然后，在操作124中，使用每一个工件样本的至少一组样本特征数据和工件样本的至少一组品质样本数据，并根据一预测演算法和前述的产品准确度项目与加工路径间的关系，来建立针对至少一个产品准确度项目的一预测模型。此预测演算法包含类神经网络(NN)演算法、复回归(MR)演算法、部分最小平方(PLS)演算法或支持向量机(SVM)演算法等。前述的类神经网络演算法、复回归演算法、部分最小平方演算法或支持向量机演算法为本发明所属技术领域中具有通常知识者所熟知，故不在此描述。
在预测模型建立后，本方法进入使用阶段，即回到操作110，以依据前述的加工路径操作工具机来处理一工件，并搜集在工具机的操作期间与加工 路径相关联的此工件的一组样侦测数据，其中此组侦测数据是由安装在工具机上的前述的至少一个侦测器所获得。接着，在操作114中，以演算法(例如：小波滤杂讯法)抑止侦测数据的杂讯(过滤)，并转换此工件的此组侦测数据为对应至至少一个特征型式的至少一组特征数据。然后，在操作124中，输入此工件的此至少一组特征数据至预测模型中，而推估出针对至少一个产品准确度项目的此工件的至少一个预测的准确度值。
若此工件有在操作120中针对至少一个产品准确度项目被测量，则可获得此工件的至少一个准确度值。然后，可进行操作128来检查此工件的至少一个预测的准确度值与其对应的至少一个预测的准确度值间的平均绝对误差(Mean Absolute Error；MAE)是否小于一门槛值。当结果为否时，意指针对某个准确度项目的预测模型的准确度不够，则进行操作122，以使用此工件的至少一组特征数据和至少一个准确度值来更新预测模型。预测模型可被调整或重新训练。在调整的方式中，只有此工件的至少一组特征数据和至少一个准确度值被用来调整预测模型。而在重新训练的方式中，此工件的至少一组特征数据和至少一个准确度值会被加入至每一个工件样本的至少一组样本特征数据和工件样本的至少一组品质样本数据中，用以重新训练针对至少一个产品准确度项目的预测模型。
在一些实施例中，在操作126中，使用一特征选取方法，来自每一个工件样本的至少一组样本特征数据与前述工件的一组特征数据中选出至少一组关键特征数据。特征选取方法可包含：非支配排序基因演算法(NSGA)或逐步选取(SS)法等。太多组样本特征数据和特征数据不仅会消耗许多计算资源，亦会影响预测的准确度。因此，对成功地应用虚拟测量至工具机而言，选取出关键特征数据是相当重要的。前述的非支配排序基因演算法或逐步选取法为本发明所属技术领域中具有通常知识者所熟知，故不在此描述。
当操作128的结果为是时，意指针对某个预测模型的准确度已够好，则进行操作130，以检查前述工件是否为最后一个需被加工的工件。若产品的所有工件均已被加工，则结束工作流程；否则，回到操作110以加工其余工件。在一些实施例中，若工件未在操作120中被测量，则不必进行操作128而直接进行操作130。
由上可知，本发明的实施例有效地即时推估出被工具机加工的每一个工 件的准确度值，并可即时的辨认出工具机的加工品质。
虽然本发明已以实施方式揭露如上，然其并非用以限定本发明，任何熟悉此技艺者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰，因此本发明的保护范围当视所附的权利要求书所界定的范围为准。