本發(fā)明涉及一種加工設備的健康評估方法與健康評估裝置。

背景技術：

在已知的方法中，若欲針對加工設備來取得設備健康指標，其過程十分不易。一來是，設備健康指標(如刀具磨耗的程度)需在加工設備處于停止加工的離線模式中，才能取得(例如將刀具取下后精密測量)。在對工件進行加工的運行模式中，通常并無法立即得知加工設備的設備健康指標。

再次，也因為在設備健康指標相關聯(lián)的實際數據(Ground Truth)取得不易的情況下，其實況數據的數據量過少，也有可能讓用以估測的設備健康指標的相關模型誤差過大。舉例來說，根據實驗結果，在實況數據的數據量為N/2時所建立的設備健康指標的相關轉換模型，相對于實況數據的數據量為N時所建立的設備健康指標的相關轉換模型，前者的誤差可能增加了55％。

技術實現(xiàn)要素：

本發(fā)明通過檢測數據與多個轉換模型，來直接估測加工設備的虛擬設備健康指標，由此避免實際設備健康指標的取得不易，以及排除設備健康指標的相關轉換模型誤差過大。

本發(fā)明提供一種加工設備的健康評估方法，適用于對至少一工件進行加工的加工設備，所述健康評估方法包括下列步驟：在加工設備的運行階段中，提取第一檢測數據，第一檢測數據關聯(lián)于加工設備。將第一檢測數據代入第一轉換模型中，由此取得虛擬工件品質。將虛擬工件品質代入第二轉換模型中，由此取得第一虛擬設備健康指標。

在本發(fā)明一實施例中，第一轉換模型是根據第二檢測數據與對應的多個第一實際工件品質所建立，第二檢測數據關聯(lián)于加工設備。

在本發(fā)明另一實施例中，第二轉換模型是根據多個第二實際工件品質與對應的實際設備健康指標所建立。

在本發(fā)明另一實施例中，第二轉換模型是在加工設備的離線階段中被建立。

在本發(fā)明另一實施例中，所述健康評估方法還包括下列步驟：比對第一虛擬設備健康指標與第二虛擬設備健康指標，由此判斷是否更新第一轉換模型。當判定更新第一轉換模型時，則根據第三檢測數據與對應的多個第三實際工件品質，來更新第一轉換模型，第三檢測數據關聯(lián)于加工設備。

在本發(fā)明另一實施例中，所述健康評估方法還包括下列步驟：將第一檢測數據代入第三轉換模型中，由此取得第二虛擬設備健康指標。

在本發(fā)明另一實施例中，所述健康評估方法包括下列步驟：計算第一虛擬設備健康指標與第二虛擬設備健康指標的重疊比例，與對應重疊比例的效能信心值。判斷效能信心值是否大于第一閾值。當效能信心值不大于第一閾值時，則判斷第一轉換模型的預測誤差是否大于第二閾值。當第一轉換模型的預測誤差大于第二閾值時，則更新第一轉換模型。

在本發(fā)明另一實施例中，所述健康評估方法包括下列步驟：當第一轉換模型的預測誤差不大于第二閾值時，則更新第三轉換模型。

在本發(fā)明另一實施例中，所述健康評估方法包括下列步驟：在操作界面中接收選擇指示，來選擇多個預設演算方法中的至少之一。對應被選擇的至少一預設演算方法來產生混合演算方法，其中第一轉換模型關聯(lián)于混合演算方法。將第一檢測數據代入混合演算方法中，由此取得虛擬工件品質。

在本發(fā)明另一實施例中，所述健康評估方法包括下列步驟：將歷史檢測數據代入混合演算方法，以取得對應的預期誤差與預估計算時間。在操作界面上顯示預期誤差與預估計算時間。

在本發(fā)明另一實施例中，所述健康評估方法包括下列步驟：判斷預期誤差與預估計算時間是否符合系統(tǒng)規(guī)格。當預期誤差與預估計算時間不符合系統(tǒng)規(guī)格時，則重新接收選擇指示。

本發(fā)明提供一種加工設備的健康評估裝置，適用于對至少一工件進行加工的加工設備，所述健康評估裝置包括：檢測數據提取模塊、第一轉換模塊、第二轉換模塊、第三轉換模塊以及檢測數據提取模塊。第一轉換模塊耦接檢測數據提取模塊，第二轉換模塊耦接第一轉換模塊，更新判斷模塊耦接第一轉換模塊、第二轉換模塊以及第三轉換模塊。檢測數據提取模塊用以在加工設備的運行階段中，提取第一檢測數據，第一檢測數據關聯(lián)于加工設備。第一轉換模塊用以將第一檢測數據代入第一轉換模型中，由此取得虛擬工件品質。第二轉換模塊用以將虛擬工件品質代入第二轉換模型中，由此取得第一虛擬設備健康指標。第三轉換模塊用以將該第一檢測數據代入第三轉換模型中，由此取得該第二虛擬設備健康指標。更新判斷模塊用以比對第一虛擬設備健康指標與第二虛擬設備健康指標，由此判斷是否更新第一轉換模型，以及當判定更新該第一轉換模型時，則指示第一轉換模塊根據第三檢測數據與對應的多個第三實際工件品質，來更新該第一轉換模型，第三檢測數據關聯(lián)于該加工設備。

如上所述，在本發(fā)明一實施例中，可通過在加工設備的運行階段中提取第一檢測數據，并可先后通過事先所建立的第一轉換模型與第二轉換模型的轉換，而取得第一虛擬設備健康指標。如此一來，可快速地估測加工設備的設備健康指標。在本發(fā)明另一實施例中，第一檢測數據也可代入第三轉換模型中而取得第二虛擬設備健康指標。此第二虛擬設備健康指標可用以來比對第一虛擬設備健康指標，由此判斷是否根據第三檢測數據與對應的多個第三實際工件品質來更新第一轉換模型。如此一來，可提升設備健康指標的相關轉換模型的精準度。

以上關于本發(fā)明內容及以下關于實施方式的說明是用以示范與闡明本發(fā)明的精神與原理，并提供對本發(fā)明的權利要求保護范圍更進一步的解釋。

附圖說明

圖1為根據本發(fā)明的一實施例的加工設備的健康評估裝置的方框圖；

圖2為根據本發(fā)明的一實施例的加工設備的健康評估裝置方法的流程圖；

圖3為根據本發(fā)明的另一實施例的加工設備的健康評估裝置的方框圖；

圖4為根據本發(fā)明的另一實施例的加工設備的健康評估裝置方法的流程圖；

圖5為根據本發(fā)明的再一實施例的加工設備的健康評估裝置方法的流程圖。

【符號說明】

10、30 設備評估裝置

100、300 檢測數據提取模塊

110、310 第一轉換模塊

120、320 第二轉換模塊

330 第三轉換模塊

340 更新判斷模塊

S210～S230 健康評估裝置方法的步驟

S410～S490、S421～S425 健康評估裝置方法的步驟

具體實施方式

以下在實施方式中敘述本發(fā)明的詳細特征，其內容足以使任何本領域技術人員了解本發(fā)明的技術內容并據以實施，且依據本說明書所揭露的內容、權利要求范圍及附圖，任何本領域技術人員可輕易地理解本發(fā)明相關的目的及優(yōu)點。以下實施例是進一步說明本發(fā)明的各個方面，但非以任何條件限制本發(fā)明的范圍。

圖1為根據本發(fā)明的一實施例的加工設備的健康評估裝置10的方框圖。如圖1所示，健康評估裝置10包括檢測數據提取模塊100、第一轉換模塊110、第二轉換模塊120。第一轉換模塊110耦接檢測數據提取模塊100，第二轉換模塊120耦接第一轉換模塊110。所述健康評估裝置10適用于對至少一工件進行加工的加工設備。例如，加工設備可具有削刀，用以對某承軸工件的外環(huán)進行車削。

在本發(fā)明實施例中，檢測數據提取模塊100可以是各種檢測器，用以提取各類型的加工相關數據。舉例來說，像是加工裝置在進刀到退刀之間和加工期間，所形成的震動信號、高頻聲音信號、應變力數據等等。其檢測器的種類與所提取的數據，在此皆不加以限制。第一轉換模塊110以及第二轉換模塊120可以是各種晶片或者是微處理器，在此也不加以限制。

圖2為根據本發(fā)明的一實施例的加工設備的健康評估裝置方法的流程圖。如圖2所示，本發(fā)明實施例的加工設備的健康評估裝置方法包括步驟S210～S230。下列請同時參照圖1與圖2。

在步驟S210中，檢測數據提取模塊100用以在加工設備的運行階段中，提取第一檢測數據。第一檢測數據關聯(lián)于加工設備。

在步驟S220中，第一轉換模塊110用以將第一檢測數據代入第一轉換模型中，由此取得虛擬工件品質。

在本發(fā)明實施例中，第一轉換模型是根據第二檢測數據與對應的多個第一實際工件品質建立的。第二檢測數據可以是在加工設備的前一個運行階段中，由檢測數據提取模塊100所提取。因此第二檢測數據可較早于第一檢測數據而被提取。第一實際工件品質可以是通過精度尺寸儀器來對被加工后的工件進行檢測，或者是參考其工件的維修紀錄表，所獲得的品質指數，例如是某承軸工件的外環(huán)內徑、外環(huán)密封溝徑、外環(huán)密封入口徑、密封槽深度等等。而第一轉換模型是以第二檢測數據作為轉換模型的自變數，多個第一實際工件品質作為轉換模型的應變數，由此所建立的。因此第一轉換模型可關聯(lián)于一“檢測數據-工件品質”的轉換公式。

由于此第一轉換模型實際上是根據第二檢測數據與對應的多個第一實際工件品質所建立，因此將第一檢測數據代入第一轉換模型后，所獲得的是“虛擬”的工件品質，代表工件品質的推估值。

應注意到的是，由于實際工件品質需要在加工后另行精密地測量，因此需要一段較長的時間才能取得。相較之下，上述的虛擬工件品質僅需將第一檢測數據代入第一轉換模型即可取得，因此所需時間可大幅減少。

在步驟S230中，第二轉換模塊120用以將虛擬工件品質代入第二轉換模型中，由此取得第一虛擬設備健康指標。在本發(fā)明實施例中，第二轉換模型是根據多個第二實際工件品質與對應的實際設備健康指標來建立的。

多個第二實際工件品質的來源如同上述的第一實際工件品質。第二實際工件品質與第一實際工件品質可以相同，也可以不同，在此不加以限制。實際設備健康指標可以是通過電子顯微鏡檢測加工設備，所得知的加工設備的實際刀具磨耗程度。然而實際設備健康指標也可通過其他的方式取得，在此不加以限制。應注意到的是，實際設備健康指標通常是在加工設備停止加工的離線模式下才能取得。也就是說，第二轉換模型通常是在加工設備的停止加工的離線階段中建立。然而，在本發(fā)明另一實施例中，第二轉換模型也可以通過其他方法而在加工設備的加工運行階段中建立，在此不加以限制。

此外，在本發(fā)明實施例中，在根據多個第二實際工件品質與對應的實際設備健康指標來建立第二轉換模型時，可利用逐段回歸模型(Piecewise regression model)的建立方式。舉例來說，在第二實際工件品質與對應的實際設備健康指標的曲線中，在允許的公差范圍內，可增加轉折點來將曲線分段，由此減少第二轉換模型的整體評估的誤差。

第二轉換模型是以多個第二實際工件品質作為轉換模型的自變數，以實際設備健康指標作為轉換模型的應變數，由此所建立的。因此第二轉換模型可關聯(lián)于一“工件品質-設備健康”的轉換公式。

由于此第二轉換模型實際上是根據第二實際工件品質與對應的實際設備健康指標建立的，因此將上述所獲得的虛擬工件品質代入第二轉換模型后，所獲得的是“虛擬”設備健康指標，代表設備健康的估測值。

如上所述，在上述實施例中，可在運行階段中提取第一檢測數據，再通過事先建立的第一轉換模型與第二轉換模型，便能快速地取得此加工設備的第一虛擬設備健康指標。

圖3為根據本發(fā)明的另一實施例的加工設備的健康評估裝置30的方框圖。所述健康評估裝置30適用于對至少一工件進行加工的加工設備。如圖3所示，健康評估裝置30包括檢測數據提取模塊300、第一轉換模塊310、第二轉換模塊320、第三轉換模塊330、更新判斷模塊340。第一轉換模塊310耦接檢測數據提取模塊300，第二轉換模塊320耦接第一轉換模塊310，更新判斷模塊340耦接第一轉換模塊310、第二轉換模塊320與第三轉換模塊330。

檢測數據提取模塊300可以是各種檢測器，用以提取各類型的加工相關數據。第一轉換模塊310、第二轉換模塊320、第三轉換模塊330以及更新判斷模塊340可以是各種晶片或者是微處理器，在此也不加以限制。

圖4為根據本發(fā)明的另一實施例的加工設備的健康評估裝置方法的流程圖。如圖4所示，本發(fā)明實施例的加工設備的健康評估裝置方法包括步驟S410～S490。下面請同時參照圖3與圖4。

在步驟S410中，檢測數據提取模塊300如同上述的檢測數據提取模塊100可取得第一檢測數據。

在步驟S420中，第一轉換模塊310可執(zhí)行如上述的第一轉換模塊110的功能來取得虛擬工件品質。

在步驟S430中，第二轉換模塊320可執(zhí)行如上述的第二轉換模塊120的功能，來取得第一虛擬設備健康指標。后續(xù)將會說明第一轉換模塊310與第二轉換模塊320進一步執(zhí)行的功能。

在步驟S440中，第三轉換模塊330用以將第一檢測數據代入第三轉換模型中，由此取得第二虛擬設備健康指標。舉例來說，第三轉換模塊330可運用狀態(tài)基準維護(Condition Based Maintenance，CBM)或者是其他的相關技術，來取得第二虛擬設備健康指標。換句話說，第三轉換模型關聯(lián)于一“檢測數據-設備健康”的轉換公式。

更新判斷模塊340可用以比對第一虛擬設備健康指標與第二虛擬設備健康指標，由此判斷是否更新第一轉換模型，以及當判定更新第一轉換模型時，則指示第一轉換模塊根據第三檢測數據與對應的多個第三實際工件品質，來更新第一轉換模型。后續(xù)將對此加以詳述，如下的步驟S450～S490。

在步驟S450中，更新判斷模塊340更進一步計算第一虛擬設備健康指標與第二虛擬設備健康指標的重疊比例，與對應重疊比例的效能信心值。

在步驟S460中，更新判斷模塊340判斷效能信心值是否大于一第一閾值。舉例來說，第一虛擬設備健康指標與第二虛擬設備健康指標可以分別是一數據分布。當兩者的數據分布于圖表中彼此重疊比例越高，則可代表(第一轉換模塊310與第二轉換模塊320所執(zhí)行的)步驟S410～S430與(第三轉換模塊330所執(zhí)行的)步驟S410～S440的兩流程的預測結果差不多，因此可評估有較高的效能信心值(效能信心值大于第一閾值)。當兩者的數據分布于圖表中彼此重疊比例越低，則可代表兩流程其中的一可能已有所誤差，需要重新被校正或更新，因此可評估有較低的效能信心值(效能信心值不大于第一閾值)。當效能信心值大于第一閾值時，則可再回到步驟S450。

在步驟S470中，當更新判斷模塊340判定效能信心值不大于第一閾值時，則進一步判斷第一轉換模型的一預測誤差是否大于一第二閾值。如上所述，當步驟S410～S430與步驟S410～S440的兩流程的預測結果相差太多(效能信心值不大于第一閾值)時，則更新判斷模塊340可先評斷第一轉換模型的預測誤差是仍在可接受的范圍內。應注意到的是，雖然在步驟S410～S430的流程中同時牽涉到第一轉換模塊310與第二轉換模塊320，然而在實務上第二轉換模型并不容易產生誤差，因此需要被校正或更新的通常是第一轉換模型。

在步驟S480中，當更新判斷模塊340判定第一轉換模型的預測誤差大于第二閾值時，則指示第一轉換模塊310根據第三檢測數據與對應的多個第三實際工件品質，來更新第一轉換模型。當更新判斷模塊340可評斷第一轉換模型的預測誤差已不在可接受的范圍內，則需再對第一轉換模型進行更新。此外，由于相較初始建立第一轉換模型時，加工設備可能已運行了好一段時間，因此數據庫可儲存有(相較于第二檢測數據)數據量更大的第三檢測數據，以及也已有更多被加工完畢的工件被測量，因此數據庫可儲存有(相較于第一實際工件品質)數據量更大的第三實際工件品質，由此在第一轉換模塊310接收更新判斷模塊340的更新指示后，可用于更新第一轉換模型。

在步驟S490中，當更新判斷模塊340判定第一轉換模型的預測誤差不大于第二閾值時，則指示第三轉換模塊330更新第三轉換模型。同樣地，當步驟S410～S440的流程需要重新被校正或更新時，則可更新第三轉換模型。其中有關更新第三轉換模型可以有各種不同的作法，再此不加以贅述。

圖5為根據本發(fā)明的再一實施例的加工設備的健康評估裝置方法的流程圖。在本發(fā)明實施例中，上述的第一轉換模塊310所執(zhí)行的步驟S420，還可以包括步驟S421～S425，用以產生改良式的第一轉換模型。后續(xù)將對此加以詳述。

在步驟S421中，第一轉換模塊310更進一步在一操作界面中接收一選擇指示，來選擇多個預設演算方法中的至少之一。

在步驟S422中，第一轉換模塊310更進一步對應被選擇的至少一預設演算方法來產生一混合演算方法，其中第一轉換模型關聯(lián)于混合演算方法。

在步驟S423中，第一轉換模塊310更進一步將歷史檢測數據代入混合演算方法中，以取得對應混合演算方法的一預期誤差與一預估計算時間，并顯示此預期誤差與預估計算時間。應注意到的是，由于在此第一轉換模塊310是以歷史檢測數據來做估算，因而此步驟可以是在加工設備停止加工的一離線模式下所進行。

在步驟S424中，第一轉換模塊310更進一步判斷此預期誤差與預估計算時間是否符合一系統(tǒng)規(guī)格。當第一轉換模塊310判定此預期誤差與預估計算時間不符合系統(tǒng)規(guī)格時，則回到步驟S421，來重新接收選擇指示。在本發(fā)明另一實施例中，第一轉換模塊310也可以將歷史檢測數據代入所有的預設演算方法中，來顯示各預設演算方法所對應的預期誤差與預估計算時間，由此讓使用者在一開始發(fā)送選擇指示時，或者是在重新發(fā)送選擇指示時，可以有所參考。

在步驟S425中，當第一轉換模塊310判定此預期誤差與預估計算時間符合系統(tǒng)規(guī)格時，則將第一檢測數據代入混合演算方法中，由此取得虛擬工件品質。

綜上所述，在本發(fā)明一實施例中，可通過在加工設備的運行階段中提取第一檢測數據，并可先后通過事先所建立的第一轉換模型與第二轉換模型的轉換，而取得第一虛擬設備健康指標。如此一來，可快速地估測加工設備的設備健康指標。在本發(fā)明另一實施例中，第一檢測數據也可以代入第三轉換模型中而取得第二虛擬設備健康指標。此第二虛擬設備健康指標可用以來比對第一虛擬設備健康指標，由此判斷是否根據第三檢測數據與對應的多個第三實際工件品質來更新第一轉換模型。在本發(fā)明再一實施例中，使用者可在操作界面中選擇至少一預設演算方法來產生關聯(lián)于第一轉換模型的混合演算方法。如此一來，可提升設備健康指標的相關轉換模型的估測速度與精準度。