本研究透過工具機加工狀態與刀具磨耗之智能化檢測與預測技術，針對工具機相關量測訊號進行分數階混沌動態誤差吸引子轉換為圖像，再利用人工智慧與深度學習方法進行各種加工狀態分類與刀具磨耗狀態判別與預測。該技術突破國際大廠的既有技術，且已經成功應用於國內之工具機廠，未來對於國內工具機產業加工狀態分類、顫振抑制及刀具磨耗判別與預測提供邁向國際更甚超越國際的突破性技術。

　　目前全球各大工具機大廠對於工具機切削顫振與工具機刀具磨耗均有相關技術發表與實踐，但因為其技術內容與成果都是採用傳統頻域響應的方法進行分析與實現，其準確性與即時性不佳，所以相關技術仍有許多可以突破的地方。為實現加工及刀具狀態即時監控，本研究團隊利用混沌吸引子動態誤差映射轉換技術，將工具機所量到的振動(電流)訊號進行轉換成圖像，再利用人工智能方法進行圖像辨識，以達刀具磨耗狀態判別與預測。此技術主要分成兩大構面說明如下：

1. 在狀態特徵萃取方面：本技術利用分數階混沌系統動態誤差進行特徵萃取，透過分數階混沌系統對於系統中因子變化非常敏感的特殊性質，可以感應出不同程度工具機加工狀態與刀具磨耗之微小信號變異性，該量測訊號透過混沌映射吸引子轉換後的圖像可以明顯呈現不同加工狀態與刀具磨耗之圖形的差異性，易於進行分析。
2. 在智能診斷與預測方面：卷積神經網路進行深度學習，藉此判斷加工狀態及刀具磨耗狀態，再由灰色理論針對混沌動態誤差轉換映射後的圖形之重心座標系，進行顫振抑制與刀具壽命預測，使加工狀態及刀具磨耗監控跳脫傳統之經驗法則，建立可視化之量化指標及依據，作為產業邁向智能化之重要的一大步。本方法目前已經透過科技部專題計畫「國產車床工具機主軸周邊智能化機能技術開發」與國內工具機整機廠及主軸廠進行合作驗證與測試，該技術已經成功應用到車床工具機狀態監控與刀具磨耗狀態診斷與預測上，益於未來台灣工具機產業邁向智慧機械，並提供工具機加工狀態及刀具磨耗診斷與預測的全方位解決方案。

　　另外，在技術之科學突破性方面，學術上根據IEEE Xplore and Thomson Reuters ISI Web of Science資料庫顯示，姚教授所帶領的團隊是全球第一個提出利用分數階混沌系統動態誤差轉換進行機電系統故障特徵萃取的團隊，目前相關研究已經刊登在多個國際頂尖期刊，包括IEEE ACCESS 2019、IEEE Transactions on Smart Grid 2017、IEEE Transactions on Industrial Electronics 2016、IEEE Trans. on Mechatronics 2013、IEEE Journal on Emerging and Selected Topics in Circuits and Systems 2013等。該技術有別於目前傳統訊號分析用於機電系統故障診斷的模式，突破性地提出將訊號轉成影像，再利用影像進行特徵學習與判斷之依據。此研究成果不僅成功應用到工具機切削加工顫振診斷與刀具磨耗監控，亦推廣到其他機電系統，例如再生能源系統與生醫電子領域。未來結合各種人工智能與深度學習方法，將有助於將本技術成功應用到各種研究領域。而在產業創新面，姚教授目前所帶領的團隊也已經成功將該技術引入國內工具機整機廠與主軸廠，部分技術已經申請發明專利，另有部分技術已獲准中華民國發明專利，並已於2020年七月份領證。該技術已經成功導入到整機廠所生產之球型數控車床，搭配國產控制器，驗證了本團隊技術開發之產業創新性。憑藉本技術，團隊亦參加2020年於台北南港展覽館的工具機展，成功驗證該技術之產業實用性。目前正與國內主軸大廠進行最後測試，預計明年推出產品，將該技術應用到主軸狀態監控上，為國內主軸廠建置主軸雲，所有搭配該主軸雲之廠商將得以透過網路連線進行遠端監控與故障預測，其中智慧健康監控與故障預測部分將採用姚教授團隊研發之核心技術，期待可以協助國內各種製造廠，往政府智慧製造之國家政策邁進。