智慧切削路徑優化技術

臺灣工具機產業受日圓貶值影響，面臨來自日本及中國的價格競爭。為突破困境，國內廠商需增強設備的附加功能，提升市場競爭力。全球氣候變遷問題加劇，各國推動2050淨零排放，企業要求供應鏈執行減碳，這使得節能技術成為競爭關鍵。減少能源消耗成為金屬加工領域的重要目標，工具機設備商需透過附加軟體協助客戶達成減碳目標。為此，開發針對工具機的節能技術，成為未來競爭的關鍵技術。
路徑分析技術
在建立工具機伺服軸的能耗模型之前，需先分析各軸的移動距離，首先藉由解譯NC程式以獲取加工路徑，進而計算工具機各軸的移動距離，作為後續模型訓練與最佳化參數運算之用。透過解譯NC程式的加工路徑，配合工具機的逆向運動學轉換，記錄各軸在不同轉動角度下的移動距離變化，最終在功率計算上得以計算出最低能耗的移動比例。
功率消耗計算
現今工具機所搭配的驅動器皆支援EtherCAT通訊格式，因此在進行資料擷取的時候，可透過網路線取得驅動器訊號，再由控制器進行資料整合並將資料回傳。利用馬達扭力與速度命令的關係式，如式(1)(2)所示，可計算出各軸的功率變化，τ為扭矩、ω為角速度、p為功率。此方法無需額外安裝功率計，相較於傳統方式更具成本優勢，且能滿足區分各軸能耗變化的需求。
p(t)=τω              式(1)

pavg=1∆tτ×ω dt             式(2)

伺服軸能耗模型建立  
    目前類神經網路技術已廣泛應用於工業領域，主因在於其可建立複雜的非線性模型。故本文利用類神經網路架構建立工具機伺服軸的能耗模型。然而此模型採用監督式學習的方式，須先蒐集相應的輸入及輸出資料，作為模型訓練之用。因此本文採用全因子實驗法，將會影響加工能耗的因子納入實驗之中，規劃加工路徑、進給速度、主軸轉速3項因子，每項因子分成5個水準，並設計3個反應變數X軸、Y軸、主軸的加工耗能，在相同刀具、切削深度與同材質的條件下進行加工，記錄不同條件下加工能耗的數據變化，作為後續模型訓練用。

完成全因子法實驗，收集工具機能耗的數據，透過這些數據建立類神經網路模型，但在訓練模型前需先將數據做正規化[1]的程序，再透過t-SNE可視化方式判斷實驗資料的可行性，整理完數據後，開始建立類神經網路模型，並利用HyperBand超參數最佳化演算法[2][3][4]計算最佳的隱藏層數、神經元數量、學習率及丟棄率。經計算，最佳超參數為2層隱藏層、224/240 個神經元、0.3/0.2的丟棄率及0.0012334的學習率。最後，利用HyperBand計算出的參數訓練類神經網路模型，並使模型訓練至收斂，如圖1所示。

圖1訓練結果與參數
最佳化低能耗參數計算
本文使用非凌越排序基因演算法 (NSGA-II)，進行最佳參數的計算，以下是NSGAII非凌越排序基因演算法的流程圖，如圖2所示。

圖2非凌越排序基因演算法
將完成NC路徑分析技術與工具機能耗模型，整合至NSGA-II演算法中，計算NC路徑各軸移動所需之距離、主軸轉速、進給速度，作為模型輸入，定義輸入參數範圍即可進行最佳化參數計算。以旋轉角度範圍0至90度、進給速度範圍1000至3000 mm/min、主軸轉速範圍5000至9000 rpm為例，計算結果如圖3所示，紅色為能耗最少的輸入參數，藍色為能耗最多輸入的參數，如圖3 (a)所示，根據最好與最壞輸入參數，得到對應輸出結果，紅色為低耗能，藍色為高耗能，如圖3 (b)。根據平面加工最佳化結果顯示，最低能耗下所需平台旋轉角度為86度、進給速度為3000 mm/min，主軸轉速為5223 rpm如圖3 (b)。

圖3最佳化計算結果(a)輸入(b)輸出
加工實驗  
完成伺服軸能耗模型與最佳化低能耗參數計算，可解析NC程式以計算各軸移動距離、主軸轉速、進給速度，進而推導出最低能耗的加工參數。最後將此技術應用於凱柏U250i五軸工具機搭配工研院M100控制器，驗證工具機的節能技術。實施流程如圖4所示，首先將 NC加工路徑輸入至NC路徑分析技術中，並計算各軸移動距離。隨後，藉由工具機能耗模型與最佳化參數計算功能，求得最低能耗的加工路徑與加工參數，有效提升工具機的能源效率，達到節能減碳的目標。

圖4節能技術流程圖
分析加工路徑，並計算最佳參數，計算結果平台轉動86.62度、進給速度2952 mm/min、主軸轉速5004 rpm，將原本加工程式X為主要移動軸，轉換成Y是主要移動軸。比較最佳路徑與原始路徑的功率消耗，原始路徑需消耗大15.6kw的功率，但最佳路徑只需大約消耗12.5 kw功率，由此結果可了解目前使用的凱柏U250i五軸工具機Y軸移動比X軸移動消耗功率還要少，如圖5所示。

圖5驗證結果
結論
根據技術成果的驗證，工具機節能技術顯示出良好的節能效果。在凱柏U250i五軸工具 機搭配工研院M100控制器加工驗證，原始路徑的功率消耗為15.6 kW，經過最佳參數計算與路徑轉換後，最佳路徑的功率消耗降低為12.5 kW，相較於原始路徑，節省了30.5%的功率消耗。這項研究結果表明，所提出的節能技術在Y軸移動方面能有效節省功率消耗。對於需要大量生產的工件而言，導入此節能技術將能大幅改善整體能源消耗，協助國內業者提供具附加價值的節能技術，進而提升產業競爭力。
參考文獻 
 

1. Stanford Weisberg, “Applied Linear Regression,” John Wiley & Sons,530, 1985.
2. R.H. Myers. “Classical and Modern Regression with Applications,” Duxbury Press, 1990.
3. J.Snoek, H. Larochelle, and R.P. Adams. “Practical bayesian optimization of machine learning algorithms,” Advances in neural information processing systems 25, 2012.
4. K. Jamieson and A. Talwalkar, “Nonstochastic best arm identification and hyperparameter optimization,” Proceedings of the 19th International Conference on Artificial Intelligence and Statistics, PMLR 51, 240-248, 2016.
5. API Documentation, TensorFlow Core v2.9.1.[Online].available: https://www. tensorflow.org/api_docs
6. “Multi-objective optimization in Python,” pymoo. [Online].available:https://pymoo.org/