【S021】 工具機的加工誤差補償技術論壇

Thursday, 18 November, 14:30 ~ 16:00, Conference Room ROOM 9
Organizer: Wei-Chang Li,
Chair: Wei-Chang Li


14:30 ~ 14:45 (15')
0047  船廠塢修作業風險管理之研究
Chih-Yung Sue and Reui-Kuo Lin
本研究主要是針對的不同船型的保養與維修、物料配件等相關作業,分別以麗娜輪、臺馬輪、臺馬之星及海試二號四艘船型為主,於台灣造船廠基隆廠塢修作業上相關風險管理評估與處理方式進行測試及進行測試。
因應不同船齡、航程時間,進行維修保養工程時,主要的維修項目,包括年度歲修、例行保養、零組件替換等相關設備壽命統計與分類建檔,制度這四艘不同的風險管理評估報告。本研究可從結果發現,麗娜輪機艙以油管或輔機耗損頻率高、主機故障診斷最常發生;臺馬輪則以發電機發生故障進廠維修為主;臺馬之星機艙則以主機故障最為頻繁;而海試二號以發電機、滑油淨油機與給水泵最常發生故障。最後,本研究將建置一套船廠塢修作業風險管理資料庫,透過本系統讓維修人員可以快速地通報並取得零件或設備SOP標準作業流程與管控,縮短保修時間與降低船舶診斷評估風險與時程延宕所造成的影響,藉此提升船舶營運成本與公司競爭力。
關鍵詞:船廠塢修;風險管理;資料庫;標準作業流程

一、前言
目前全球造船市場已形成了油輪、散裝輪、貨櫃輪、特種船與海上工程裝備船等多種船型齊發展的態勢,2019年船舶成交量中,油輪、散裝輪、貨櫃輪與離岸工程所佔比例分別為20.95%、41.9%、13.44%與2.37%,相較於2018年造船市場,油輪衰退17.19%、散裝輪衰退34.57%、貨櫃輪衰退45.16%、離岸工程衰退14.29%。
海運相關界對於商船塢修有關的技術成本分析,已有諸多參考文獻已供參考,相對雜貨船相關資料較少,本研究以一艘現年16歲(2010年日本建造)傳統雜貨船,在歷經三次入塢大修(2010、2013及2015年),巧合的是三次入塢大修皆在同一修造船廠及船塢,利用此一難得機會,統計常規費修理費用及船在塢修期間所產生的技術成本,進行逐一項目蒐集其完整的資料數據,並加以彙整分析,瞭解實際塢修成本結構的組成,提供日後船東在塢修前置準備工作、維修保養、檢驗和工作週期的工作安排上作為參考,進而在塢修期間達到最有效的成本控管,和最妥善的塢修安排及修理,為船東節省不必要的成本開支,創造最大的經濟效益。
近年來,我國沿海港口的船舶流量日益增大,隨之而來的是船舶修造作業的加大和船舶安全事故的增加,其中船舶塢修作業事故在船舶安全事故佔有一定的比例。船舶塢修作業的作用:(1)船舶塢修作業是保障船舶正常運營和安全管理的重要保證;(2)船舶塢修是船舶結合期間檢驗或特別檢驗的需要、保持船級的必要措施;(3)船舶塢修是船舶發生交通事故後糾正存在問題的有效措施;(4)船舶通過塢修對船體、修理部位、機電設備等進行綜合修理或維護保養,滿足船舶規範、公約的最新要求,使船舶始終保持安全適航工作狀態。
二、研究方法
臺灣的海運擁有良好的發展條件,而船舶正是海運運輸的承載體,造船產業是綜合性工業,是海運業及國防產業海洋戰略發展的重點,同時也是經濟、貿易、國防及航運的重要支柱,台船公司是臺灣造船產業唯一大型造船廠但在市場上面臨來自韓國,日本及中國大陸的激烈競爭,只能在有限資源下推動創新與節能船舶的開發工作,船舶建造技術方面雖已能與日韓船廠競爭,但臺灣造船業屬於傳統產業普遍嚴重缺工,年輕人難以留住,即使近年來大量招募新血的台船公司員工平均年齡仍然超過50歲以上,在新血難覓情況下造船技術很難傳承下去,因此,臺灣造船業界除進一步發展高附加價值船舶外,並建構發展智慧船舶相關產品如船上各類裝備儀器數據收集建置(輪控、航儀、質量流量、馬力計等)、各類船舶強度及性能資料收集建立(震動、船體變形、流體計算、航速),來規劃建置船廠知識整合與資訊分享的環境,作為造船工程的主要技術,才能累積實力與國際船舶大廠繼續競爭。
隨著造船業的衰退,發展多角化經營積極轉型成為唯一方向,台船公司並將事業分成造船(修船)、造艦(國艦國造)、海工(離岸風電)三大區塊,本研究探討船廠該如何有效利用維修紀錄資料庫進行修船作業,並透過本系統讓維修人員可以快速地通報並取得零件或設備SOP標準作業流程與管控,縮短保修時間與降低船舶診斷評估風險與時程延宕所造成的影響,藉此提升船舶營運成本與公司競爭力。近年來由於資訊科技及網路技術的快速發展,各行業紛紛導入電子化系統,期望利用這些科技來提高企業獲利能力,同時也讓維修紀錄資料庫的概念透過資訊系統的建制來加速實現。
三、結果與討論
本研究將以維修紀錄資料庫的概念分析研究並應用於船廠的可能性。出塢前,輪機長應對下列修理工程仔細檢查,認可後方可允許出塢。(1)檢查海底閥箱的格柵是否裝妥,箱中是否有遺忘的工具、雜物。所有海底閥和出海閥是否裝妥。(2)檢查舵、螺槳和艉軸是否裝妥,保護將軍帽是否塗好水泥。艉軸密封裝置裝妥後做油壓試驗、轉舵試驗。(3)檢查船底塞及各處鋅板是否裝好。(4)塢內放水前應關閉全部通海閥,塢內進水後應檢查各通海閥及管路,然後分別開啟各閥檢查所有管路是否漏水。(5)內進水後對海水系統放空氣,使其充滿海水。(6)冷卻系統、燃油系統和滑油系統正常工作後,啟動柴油發電機,切斷岸電,由船上自行供電。(7)出塢後,待船舶靜漂24h以上使船舶恢復彈性變形後,進行軸線檢查。

14:45 ~ 15:00 (15')
0079  具無線遠端功能之彈性排程派工整合系統
政道 李, 畯毅 楊, 鈺佳 周 and 彥文 賴
目前精實生產觀念,其中心思想為:「消除浪費,並提升作業附加價值」,從中可以解決人員在製程上浪費的時間並將多餘的時間創造更多的效益,但精實生產並未進入全自動化,還需要人工的階段,由於精實人員大多數花費時間鑽研如何精實,較少具備自動化科技的相關技術及知識。而後於工廠應用方面也有人發現其重要性,而進行相關研究。本研究為了將精實工廠管理相關的模擬理論,運用到實際產線設備上,經由Flexsim模擬軟體,可模擬出工廠動作情況,並得知各工作站之稼動率、以及各個時間段的工作狀態,利用軟體匯出設備之相關資料後,再匯入至C#撰寫的智慧工廠人機介面,經由撰寫內部程式,進行條件式之判斷,使其派工輸出數據至各站,並執行相對應之動作。目前使用了八站可程式邏輯控制器(programmable logic controller, PLC)與人機介面(human machine interface, HMI)進行C#派工動畫模擬,未來可應用到智能工廠場域應用,利用C#整合各廠商機械手臂、ROS系統無人運輸車…等,且利用資料庫作為媒介進行溝通以及監控。

15:00 ~ 15:15 (15')
0105  工具機切削系統之優化
丞峰 蔡 and 毓忠 胡
CNC工具機的加工精度取決於以下三種「定位精度」和「運動精度」及「切削系統」[1]等三項因素。「切削系統」是指在機械加工過程中,由工具機,夾治具,及刀具和工件的系統。切削系統產生的誤差,可歸類為兩大部分。第一部分為加工方法的選擇,是否選用合適的切削製程,切削刀具幾何形狀和材料以及切削參數的調整影響了整體加工的精密度。另一部分則是在切削過程中存在切削力、切削熱、摩擦等因素,使切削過程中產生受力變形、受熱變形、刀具磨損、顫振等,所引起的加工誤差。然而許多誤差並沒有辦法在工具機的機構設計階段有效的修正,因此利用誤差補償的技術減少各類誤差帶來的影響。本研究建立一套固定參數的切削製程,減少切削製程之誤差。

15:15 ~ 15:30 (15')
0109  機器學習於分析工具機主軸重要溫度點與熱誤差模型
Po Han Chen, Pei Zen Chang and Yuh Chung Hu
數值控制加工機(Computer Numerical Control, CNC)為製造機械零件的重要設備,是所有工業製造的設備源頭,素有機械工業之母之稱。目前台灣工具機產業的客戶仍然以傳統工廠生產零件為主,倘若要邁入航太以及生醫產業,勢必須提升工具機的整體精度,其中影響工具機精度以熱誤差為最大,佔整體工具機總誤差 40%~70%,因此改善工具機的熱誤差為提升工具機精度的相關技術之一。
在工具機上架設19個溫度點,其中主軸內部3個溫度點,x、y、z三個進幾軸各架設2個溫度點,主軸外部架設9個溫度點,以及1個環境溫度點。本文分成兩部分,第一部分為選取跟熱誤差較為相關的溫度點,第二部分為運用選取出的溫度點建立機器學習熱誤差模型。選取相關溫度點可降低感測器安裝成本以及改善第二部分熱誤差模型的精度。
透過皮爾森相關係數(Pearson Correlation Coefficient)以及線性回歸(Linear Regression, LR)選取出溫度敏感點,運用迭代方式先將19個溫度點建立LR模型後,淘汰皮爾森相關係數最小的溫度點,剩餘18個溫度點再建立LR模型,以此迭代方式直到剩餘1個溫度點為止,並選擇誤差最小的溫度點個數,並把溫度點記錄下來。選取完溫度點後,運用LR、Random Forest(RF)、以及Long Short-Term Memory(LSTM)模型進行建立熱誤差模型。選取出的溫度點(5個溫度點)透過LR所建立的熱誤差模型之Mean Square Error為6.1,沒有進行溫度點選取(19個溫度點)為32.17; 選取出的溫度點(5個溫度點)透過RF所建立的熱誤差模型之Mean Square Error為24.74,沒有進行溫度點選取(19個溫度點)為31.59; 選取出的溫度點(5個溫度點)透過LSTM所建立的熱誤差模型之Mean Square Error為2.87,沒有進行溫度點選取(19個溫度點)為15.68。從結果得知,選取出的溫度點所建立出的機器學習模型都比沒有進行溫度點選取所建立出的機器學習模型誤差還低,且最好的熱誤差模型為選取溫度點過後所建立的LSTM模型, Mean Square Error為2.87。建立機器學習模型後,可藉由嵌入式系統或工研院所開發的VMX系統,將此模型所預測出的熱誤差值補償回工具機控制器當中,完成及時熱誤差補償的技術。

15:30 ~ 15:45 (15')
0124  工具機之即時幾何誤差補償
Kang-Jui Hsu, Jung-Tang Huang and Yu-Chien Yao
工具機整體的體積誤差是由切削力、熱、震動、機台結構…等各項因素所組成,其中幾何誤差為各項誤差的基礎,工具機組裝的誤差與工作所造成的磨耗會對機台精度造成直接影響,進而影響各項誤差大小。床台結構的角度誤差會因阿貝原理而放大,其俯仰度受阿貝誤差影響最大,是為影響工具機體積誤差的重要主因。
一般幾何誤差的量測方式普遍基於雷射干涉儀系統,但雷射設備無法在工具機日常運作時使用,亦無法對機台進行長期的即時監控。故本研究採用自行開發之解析度為100nm的渦電流微位移感測器,安裝於工具機床台X軸滑塊與滑軌接觸的四點以及滾珠螺桿來進行位移變化量測,並以雷射干涉儀作為誤差準確性驗證工具。藉位移變化量推導床台整體的俯仰度。
本研究將感測器測得之位移量轉換為俯仰度,與雷射干涉儀測得之俯仰度進行對照,發現兩者具有相似趨勢。為釐清感測器測得之位移量與床台俯仰度間的實際關係,本團隊以倒傳遞類神經網路訓練俯仰度模型,卻發現訓練結果準確度僅41%,與預期結果不符。其原因在於工具機滑軌具有螺絲孔洞,渦電流感測器測頭尺寸過大會受到孔洞高低差影響,而無法於孔洞處測得確切數據,導致訓練準確度低下。
本研究後續將進行測頭尺寸縮小以改善孔洞問題,再搭配演算法預測不同位置微位移感測器數值對應的俯仰度誤差,確定最佳演算法、隱藏層層數與神經元數,並通過實驗驗證模型的有效性,最終希望可替代雷射干涉儀之部分功能。

關鍵詞:工具機;角度誤差;雷射干涉儀;渦電流式微位移感測器

15:45 ~ 16:00 (15')
0156  工具機熱特徵分析與熱誤差預測
Yu-Jie Wang, Pei-Zen Chang and Yuh-Chung Hu
隨著得高速加工以及高精度加工蓬勃發展,針對工具機加工誤差的研究也愈加的被重視,而加工受到許多誤差的影響,包括幾何、切削力、熱、振顫等,其中又以溫升膨脹造成的熱誤差影響最大約佔所有誤差的40%~70%。主軸在加工的過程中會因為高速旋轉摩擦形成熱源,使得整體溫度變化,並且主軸連接刀具對工件進行加工,當溫升造成熱誤差將直接影響到刀尖位置,進而大幅影響工具機加工精度,因此若能在加工的過程中,透過模型即時預測熱誤差的變化,並對控制器進行補償,將使得工具機在加工精度上獲得改善。
工具機主軸的熱誤差是影響加工精度的重要因素之一。工具機主軸在高速運轉時,因軸承與接合處之摩擦導致溫度上升,使得主軸產生熱變形伸長量,並且在切削時刀具與工件相互運動產生高溫,進而影響最終成品工件之加工精度。為了提升加工精度,先對於工具機之熱特徵允以分析,透過主軸尺寸、軸承等參數,依據理論訂定熱源的產生與散失以及其造成之熱伸長影響,通過分析建立溫度場和熱變形的初步理論模型。接著,運用實驗數據結果對其熱特徵進行評估,並對初步理論模型進行修改以獲得最終模型,使其提前預知熱變形,並透過控制器進行補償,進而使得成品工件之加工精度得以提升。