TW201308220A - 運用類神經網路之全瓷燒成輔助托具製造方法 - Google Patents

Abstract

本發明為一種運用類神經網路之全瓷燒成輔助托具製造方法，主要係利用類神經網路能自動學習之特性，將全瓷燒成輔助托具之考量變數作為類神經網路輸入層之參數，並提供過去之測試結果作為類神經網路訓練樣本，藉以提昇全瓷燒成之良率。

Description

運用類神經網路之全瓷燒成輔助托具製造方法

本發明係有關一種全瓷燒成輔助托具製造方法，尤指一種運用類神經網路之全瓷燒成輔助托具製造方法，利用類神經網路能自動學習之特性，將全瓷燒成輔助托具之考量變數作為類神經網路輸入層之參數，並提供已知之測試結果作為類神經網路訓練樣本，藉以提昇全瓷燒成之良率。

瓷器是一種由瓷石、高嶺土等組成物，外表施有釉或彩繪之物器，瓷器的形成要通過窯內高溫1280℃~1400℃的燒製方能形成，而瓷器依照土添加不同物質或化學元素，會導致其強度、硬度、延展性及特性有所改變，且目前瓷的種類可分為骨瓷、半瓷及全瓷，骨瓷和半瓷主要是於瓷土中加入不同比例的動物骨粉，也就是磷酸三鈣，因此在經過高溫燒成時，骨瓷和半瓷較不易因環境因素導致不良之成品。

而全瓷主要是以土和水的結合，並在其中添加少許化學元素，經過1300℃的高溫燒成使得液態的土胚成為固態的瓷胚，在這過程中土胚會因為高溫燒成而脫水，產生11%~15%的收縮現象，收縮過程時間長達十幾個小時，同時因為地心引力的關係，土胚的收縮會根據土胚的薄厚程度及結構，產生整體不均勻的收縮，若是創作的作品是以一體成型的方式呈現，在進窯之前就已經是一個完整的全瓷作品，在窯中產生的變化是整體性的，因此，影響高溫燒成的因素就變得更為複雜，而這些因素的變化會導致設計的產品收縮變形、破裂，而成為不良品，由於這些變化使得傳統的全瓷作品在設計理念及形體的表達上就會有所侷限，因此目前的全瓷作品多為高度落差小、形體上採取厚底上小下大之設計，讓土胚在燒製過程中可撐起整體重量，不致因地心引力與收縮的緣故造成形體上的改變。此外，市面上為了提升全瓷作品的良率，大多是退而求其次利用窯後釉接或是瓷雕來迴避窯中變形、破裂等可能性，但是其創作作品的就無法達到一體成型的境界。

中華民國發明專利公開號第200538417號「功能型瓷器製造方式及其燒成方法」裡面揭露了利用一支撐具來支撐重量，使其燒成時能在收縮過程中繼續保持原型胚體胚身，不至因重力下垂而讓瓷器變形；此一方法雖能有效增進各種幾何和圖形主體的燒成良率，但是非專門應用於全瓷的輔助托具，除了材質不同則其輔助托具的致作考量就不盡相同外，對於不同的主體所採取的支撐具形狀也不相同，如在形體上較為特殊的設計，如薄片，鏤空、上大下小之創作設計，需充分考慮主體與配件的收縮方向和收縮時間，因此在燒成時支撐具有許多變數必須參酌，如此綜多的變數必須仰賴經驗和技術的累積，經過長時間的試驗與磨合，方能找出對應不同主體之支撐具達成最佳燒成，提高良率，但現實上往往因時間及金錢成本的考量，並無法一一測試這些變數所造成的良率或失敗率，因此，如何在各種幾何和圖形主體之全瓷燒成中，提出一支撐具製造方法來有效改善其燒成良率，並能降低花費時間與減少金錢成本，實為現在急迫解決的課題。

本發明之主要目的在於提供一種運用類神經網路之全瓷燒成輔助托具製造方法，利用類神經網路能夠自動學習之特性，自動學習產生全瓷燒成輔助托具之預測變數。

本發明之次要目的在於提供一種運用類神經網路之全瓷燒成輔助托具製造方法，可有效縮短在各種幾何和圖形主體之全瓷燒成對應之輔助托具所需花費的測試時間，尤其在形體上較為特殊的設計，如薄片，鏤空、上大下小之創作設計，運用類神經網路對於各種特別的結構製作輔助托具，提高燒成的良率以減少金錢成本。

為達上述發明之目的與解決上述全瓷燒成中需要耗費大量的時間與金錢才能找出最佳輔助托具之缺點，本發明主要提出一種運用類神經網路之全瓷燒成輔助托具製造方法，將全瓷燒成輔助托具之考量變數，如全瓷設計大小、全瓷設計厚度、窯燒溫度、全瓷設計含水量、全瓷設計型態、窯燒時間或天候因素等，作為類神經網路輸入層之參數輸入一類神經網路模型，本發明以倒傳遞式類神經網路模型作為選定之類神經網路模型，並提供過去全瓷燒成時所測得之數據作為本類神經網路模型之訓練樣本，利用訓練完成之類神經網路來得出一全瓷燒成輔助托具之預測變數，藉以提昇全瓷燒成之良率。

為了使　貴審查委員能更進一步了解本發明位達成預定目的所採取之技術、手段及功效，請參閱以下有關本發明之詳細說明與附圖，相信本發明之目的、特徵與特點，當可由此得一深入且具體之了解，然而所附圖式僅提供參考與說明用，並非用來對本發明加以限制者。

請參閱圖1，圖1為本發明運用類神經網路之全瓷燒成輔助托具製造方法流程圖，步驟10為定義全瓷燒成輔助托具之考量變數，該考量變數可為全瓷設計大小、全瓷設計厚度、窯燒溫度、全瓷設計含水量、全瓷設計型態、窯燒時間或天候因素等，而步驟20為收集全瓷燒成時所測得該些考量變數之數據，步驟30、40為將該些考量變數作為類神經網路輸入層之參數，輸入一類神經網路模型，在此類神經網路模型為倒傳遞式類神經網路模型，但本發明並不以此為限，該類神經網路模型包含一或複數組輸入層、一或複數組隱藏層以及一或複數組輸出層，接著於步驟50則提供已知之測試結果作為類神經網路訓練樣本，該測試結果即是步驟20中所收集的過去全瓷燒成時所測得之數據，經由類神經網路計算後，可得到一訓練完成的類神經網路模型，而步驟60中，即是利用訓練完成之類神經網路來得出一全瓷燒成輔助托具之預測變數，作為全瓷燒成輔助托具之設定參數，藉由使用這輔助托具之設定參數來設計出對應該全瓷之輔助托具，並利用此輔助托具進行全瓷燒成作業，可有效提昇全瓷燒成之良率。

類神經網路是一種複雜但有效率的計算系統，其優點在於並不需要真正的了解系統之於輸入及輸出的關係為何，而直接以神經網路模型取代系統的實作部份，以運算學習的方式來建立出適合解決問題的解決方案之運算模型，使用者可以完全不需了解其內部是如何進行運算的過程，一樣可以得到適合用來提供輸入與輸出之間關係的運算式，因此，對於本發明要解決之各種幾何和圖形主體之全瓷燒成輔助托具而言，此些幾何和圖形可為正圓、正方、直線、平面、空心、懸空及鏤空等等造型，每一不同的幾何和圖形主體都對應一相同的類神經網路模型，本發明可以取用不同的幾何和圖形主體進行全瓷燒成輔助托具所必須考量之變數，作為類神經網路輸入層之參數，如全瓷設計大小、全瓷設計厚度、窯燒溫度、全瓷設計含水量、全瓷設計型態、窯燒時間或天候因素等等，並將過去全瓷燒成時所測得之數據作為訓練的樣本，使得類神經網路在學習過程中有一個參考，而類神經網路訓練的目的，就是讓類神經網路的輸出盡可能的接近目標輸出值，而本發明即可利用此一訓練完成的類神經網路模型，來得到針對某種幾何和圖形主體進行全瓷燒成時輔助托具之預測變數，進而改良如支撐具所支撐主體之支撐點、推算瓷土之收縮率或是輔助托具整體結構等等，爾後利用該預測變數製造出的輔助托具來進行全瓷燒成，來提昇全瓷燒成之良率，達到降低花費時間與減少金錢成本之功效。

圖2及圖3則分別揭露瓷器有無輔助托具之整體示意圖，在圖2由於底部具有輔助托具70，因此在燒成時良率可以提高，而圖3則是無輔助托具，因此在燒成時較容易失敗。

職是，本發明確能藉由上述所揭露之技術，解決習知全瓷燒成時對應之輔助托具必須耗費大量的時間與金錢成本進行測試之缺點，並能提昇全瓷燒成之良率，對於瓷器生產領域有了革命性的改變，賦予瓷器新的格局和型體之美。

上述實施例僅為說明本發明之原理及其功效，並非限制本發明。因此習於此技術之人士對上述實施例進行修改及變化仍不脫離本發明之精神。本發明之權利範圍應如後述之申請專利範圍所列。

10~60．．．步驟

70．．．輔助托具

圖1為本發明運用類神經網路之全瓷燒成輔助托具製造方法流程圖。

圖2具輔助托具之瓷器整體示意圖。

圖3無輔助托具之瓷器整體示意圖。

10~60．．．步驟

Claims (5)

1. 一種運用類神經網路之全瓷燒成輔助托具製造方法，包含下列步驟：(a)　將全瓷燒成輔助托具之考量變數作為類神經網路輸入層之參數；(b)　將該參數輸入一類神經網路模型；(c)　提供已知之測試結果作為類神經網路訓練樣本；以及(d)　利用訓練完成之類神經網路來得出一全瓷燒成輔助托具之預測變數作為全瓷燒成輔助托具之設定參數，藉以提昇全瓷燒成之良率。
2. 如請求項1所述之全瓷燒成輔助托具製造方法，其中該考量變數可為全瓷設計大小、全瓷設計厚度、窯燒溫度、全瓷設計含水量、全瓷設計型態、窯燒時間或天候因素。
3. 如請求項1所述之全瓷燒成輔助托具製造方法，其中該類神經網路模型包含一或複數組輸入層、一或複數組隱藏層以及一或複數組輸出層。
4. 如請求項1所述之全瓷燒成輔助托具製造方法，其中該類神經網路模型可為倒傳遞式類神經網路模型。
5. 如請求項1所述之全瓷燒成輔助托具製造方法，其中該測試結果是以過去全瓷燒成時所測得之數據作為訓練的樣本。