歷史雜誌

說明說明說明說明說明說明說明說明說明說明說明說明

數位雙生技術應用於切削加工系統之鑑別與預測

刊登日期：2024/11/01

摘要

隨著智慧化機械的不斷發展，對於加工效率優化與自動化機械有著高度關注，且朝向數位雙生加工的趨勢發展。在本文中以西門子RMVM (Run My Virtual Machine) 加工軟體模擬東台CT-350五軸工具機台作為對象的實際操作，透過RMVM提供切削參數包括位置、速度、加速度以及負載等，並使用GCODE進行數據分類，藉由非線性Hammerstein-Wiener模型、小波網路以及高斯過程等技術系統辨識建構切削力模型，可針對各軸向進給系統辨識，預測模擬輸出與實際結果的辨識度，結果說明實機訊號以小波網路模型辨識時，在大多數情境下均表現出較高的辨識度，可達96.7 %；若以RMVM訊號分析時，相同模型下的辨識度也可達到辨識效果90 %以上，GCODE分類辨識度皆能在95 %以上，透過分段項數參數調整後辨識效果可達99 %以上，將電流與能耗的輸出進行分析與計算，從而即時調整加工參數以能耗優化，最終可達到能在不接觸實際機台的情況下就能預測能耗。

Abstract

As the development of intelligent machinery continues, there is a growing focus on optimizing machining efficiency and automation, with a clear trend toward digital twin machining. This article presents a case study using Siemens RMVM (Run My Virtual Machine) software to simulate the Tongtai CT-350 five-axis machine tool. By leveraging RMVM, cutting parameters such as position, velocity, acceleration, and load are provided. GCODE is used for data classification, and cutting force models are built using system identification techniques such as the nonlinear Hammerstein-Wiener model, wavelet networks, and Gaussian processes. These models enable the identification of feed systems along different axes, predicting the recognition accuracy between simulated outputs and real-world results. The findings demonstrate that when identifying signals from the actual machine using the wavelet network model, the recognition accuracy reached 96.7 % in most scenarios. When analyzing RMVM signals under the same model, recognition accuracy exceeded 90 %, and GCODE classification accuracy consistently surpassed 95 %. After adjusting segmented parameters, accuracy improved to over 99 %. The article further analyzed and calculated the outputs of current and energy consumption, enabling real-time adjustment of machining parameters for energy optimization. Ultimately, the model allows for energy consumption prediction without the need to interact with the actual machine.

前言

工具機在製造業中占有關鍵地位，依據美國能源部於2012年發布的能源年鑑，工具機的用電量占製造業整體用電量的75%，顯示其能耗比例相當大，因此開發節能加工製造程式及設備成為企業及政府共同關注的焦點。在全球永續發展（SDGs的趨勢下各國紛紛投入資源研發節能技術，特別是在工具機產業為了實現工具機的綠色生產，國際標準化組織訂定「工具機環境評價」標準（ISO 14955-1, 2014），詳細完整規範金屬切削的能耗測試程式與節能機台的設計準則。可以預見未來節能規格將成為機台產品的重要指標。日本標準協會（JSA）也發布 TSB0024標準（電力消耗測試方法）來測量機台的功耗，以發展高效、環保及節能之工具機。這一趨勢強調透過智慧技術達成生產自動化、數位化及網路化以提升生產效率、降低成本並減少對環境影響。在不影響產品品質的前提下達成能耗的最佳化，以及在多變的生產環境中維持設備的穩定性與可靠性，已成為當前的重要挑戰。隨著設備與工藝的複雜性增加，傳統的嘗試錯誤法與經驗驅動方法已無法滿足這些需求。在這樣的背景下，數位雙生（Digital Twin）技術應運而生，作為一種必要性的解決方案，為製造業提供虛擬與實體相結合的合作模式。通過數位雙生技術，工業界可以在虛擬環境中模擬實際生產過程，進行系統辨識與能耗優化，從而顯著提升生產效率與降低能耗，實現製造業的永續發展，全面推動綠色製造，加速綠色升級，構建高效、潔淨、低碳、循環的綠色製造系統，以減少能源消耗與污染物排放。

西門子的RMVM（Run My Virtual Machine）是當前工業界廣泛應用的一款先進的數位雙生軟體，專為虛擬加工及系統辨識而設計。RMVM 能夠精確模擬機台操作，提供包括位置、速度、加速度以及負載等在內的多種切削加工參數，從而為製造過程的虛擬化提供關鍵數據。不僅能在虛擬環境中進行加工操作的測試與優化，還能提前發現並解決潛在的切削問題，有效避免實際操作中的試錯成本。其主要特色之一是即時模擬功能，可以即時查看加工效果並進行相應調整，透過模擬預測沿著加工路徑各軸向的動作及加工時間，RMVM 都能顯著提升生產效率與品質。RMVM可經由虛擬CNC SINUMERIK 控制器的實際控制動作，其操作介面與實際控制器一致，因此只需輸入NC路徑程式，即可模擬並預測沿著加工路徑各軸向運動及加工時間，由於RMVM內建西門子自有控制器核心演算，模擬準確度可達99 %以上。

GCODE是控制機台操作的程式語言，其主要指令包括G00、G01、G02、G03等。在數位雙生的應用中，GCODE不僅是機台的控制語言，更是一種重要的數據來源。透過對GCODE指令進行數據分類與分析，可以提取所需系統辨識的數據，包括位置、速度、加速度以及電流等。GCODE分類的原理在於根據不同指令對應的操作，將數據進行標記與整理，形成一系列的數據庫，根據這些數據庫可用於後續的模型訓練與驗證[1]。

而在系統辨識建模方面，Matlab的System Identification Toolbox是一款用於構建數學模型的工具軟體，能夠依據實驗或模擬數據，系統辨識出切削動態系統的數學模型表示。該軟體廣泛應用於工程及控制領域，特別適合處理複雜的動態系統。其原理是透過輸入對輸出數據的分析，建構系統的數學模型[2][3]。其中，Hammerstein-Wiener模型是一種結合線性與非線性模型的動態系統模型，特別適用於描述具有非線性行為的系統。該模型將系統的非線性結構與線性結構分開處理，其中Hammerstein結構將非線性模型置於系統的輸入端，而Wiener 結構則將非線性模型置於系統的輸出端。這樣結構設計提供靈活性來說明系統的非線性動態特徵。在工業應用中，許多動態系統都展現出明顯的非線性特徵，特別是在高精度加工過程中，這些非線性特徵對系統的動態響應有重大影響[4][5]。小波網路（Wavelet Network）則是一種結合小波轉換與神經網路的數據處理技術，能夠在多尺度下進行數據分析與模型識別，其原理小波轉換作為一種時間-頻率分析工具，能夠在不同時間尺度上分解訊號，從而捕捉訊號中的局部特徵，而神經網路則是模擬神經系統的計算模型，具有強大的自我學習能力與非線性處理能力，將兩者結合，形成能夠有效處理非線性與非平穩訊號的強大工具。在工業應用中，機械加工過程中的數據往往具有高維度、非線性及複雜性，傳統的數據分析方法難以準確捕捉其中的細節，並構建精確的模型[6]。對於高斯過程(Gaussian Process)則是一種非參數化的統計學習方法，應用於機器學習與數據分析領域，其原理是透過建立一個先驗機率分布來對數據進行建模，該先驗機率分布是根據高斯分布的假設，在給定訓練數據後，透過貝葉斯推理方法獲得後驗機率分布，從而進行預測模型。高斯過程的優勢在於其自然地處理數據中的不確定性，並提供對預測結果的置信區間，使其在處理具有不確定性與複雜性的動態系統時表現優異[7]。

上一篇 - 加拿大英屬哥倫比亞大學製造自動化實驗室控制技術研發現況