TW202022633A - 基於特徵擷取與機器學習的優化方法及其模組 - Google Patents

基於特徵擷取與機器學習的優化方法及其模組 Download PDF

Info

Publication number
TW202022633A
TW202022633A TW107144367A TW107144367A TW202022633A TW 202022633 A TW202022633 A TW 202022633A TW 107144367 A TW107144367 A TW 107144367A TW 107144367 A TW107144367 A TW 107144367A TW 202022633 A TW202022633 A TW 202022633A
Authority
TW
Taiwan
Prior art keywords
mold
data
parameters
historical
simulation analysis
Prior art date
Application number
TW107144367A
Other languages
English (en)
Inventor
謝其瑾
謝彥守
Original Assignee
財團法人資訊工業策進會
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 財團法人資訊工業策進會 filed Critical 財團法人資訊工業策進會
Priority to TW107144367A priority Critical patent/TW202022633A/zh
Priority to US16/424,168 priority patent/US11182519B2/en
Publication of TW202022633A publication Critical patent/TW202022633A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/22—Moulding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一種基於特徵擷取與機器學習的優化方法，包括：接收至少一輸入參數。檢索第一歷史模具資料。根據輸入參數與第一歷史模具資料執行一相似度演算。根據相似度演算選擇多筆候選模具資料。以每一輸入參數取代候選模具資料中與每一輸入參數相對應的模具設計參數，並生成用以進行第一次模擬分析的多個第一代表性模具資料。找出多種關鍵特徵參數，並根據此些關鍵特徵參數檢索多筆第二歷史模具資料。找出一筆期望資料，過濾及優化此筆期望資料中的模具設計參數，以找出用以進行第二次模擬分析的第二代表性模具資料。產生至少一筆模具生產參數。

Description

基於特徵擷取與機器學習的優化方法及其模組
本發明是有關於一種優化方法，且特別是有關於一種基於特徵擷取與機器學習的優化方法及其模組。
電腦輔助工程 (Computer Aided Engineering, CAE)常用於處理模具研發階段中的模流分析，用以模擬實際模具製造時，可能產生的缺陷並找出最佳的生產參數。CAE可提升模具的產品品質及降低製造成本，然而，使用CAE時還是需要透過大量試誤(Try and Error)，因而模具的開發時程無法縮短。
此外，新模具的關鍵特徵選擇沒有一定的參考依據，只能靠經驗判斷，因而人為經驗依賴程度過高。另外，新模具建模的考量因子多且雜，相對的參數組合過於龐大，因此運算過程耗時。再者，由於新模具的參數波動範圍大，無法更有效限縮參數範圍，使得後續試模成本無法降低。
有鑑於此，如何開發能縮短CAE的模流分析的時程及降低試模成本的方法，為業界亟待解決的課題。
本發明係有關於一種基於特徵擷取與機器學習的優化方法及其模組，可藉由特徵擷取以有效尋找到關鍵特徵參數，並可藉由過濾及優化模具設計參數，以限縮參數變動範圍。
根據本發明之一方面，提出一種基於特徵擷取與機器學習的優化方法，包括下列步驟。接收至少一輸入參數。從一資料庫中檢索與輸入參數相關的多筆第一歷史模具資料。根據輸入參數與多筆第一歷史模具資料執行一相似度演算。根據相似度演算的一第一結果從第一歷史模具資料選擇至少二筆作為多筆候選模具資料，其中每一候選模具資料包含多種模具設計參數。以每一輸入參數取代候選模具資料中與每一輸入參數相對應的模具設計參數，並生成用以進行第一次模擬分析的多筆第一代表性模具資料。根據第一次模擬分析的多個分析結果，找出多種關鍵特徵參數，並根多種關鍵特徵參數從資料庫中檢索符合輸入參數的多筆第二歷史模具資料。從多筆第二歷史模具資料中找出一筆期望資料，過濾及優化此筆期望資料的模具設計參數，以找出用以進行第二次模擬分析的第二代表性模具資料。根據第二次模擬分析結果，產生至少一筆模具生產參數。
根據本發明之一方面，提出一種基於特徵擷取與機器學習的優化模組，可與一資料檢索單元以及一模擬分析單元一起運作，此優化模組包括一資料庫、一數據篩選單元、一特徵擷取單元、一模型資料比對單元、一參數優化單元以及一建檔單元。資料庫用以儲存歷史模具資料，其中資料檢索單元接收至少一輸入參數，並從資料庫中檢索與至少一輸入參數相關的多筆第一歷史模具資料。數據篩選單元根據至少一輸入參數與此些第一歷史模具資料執行一相似度演算，並根據相似度演算的一第一結果從多筆第一歷史模具資料選擇至少二筆作為多筆候選模具資料，其中每一候選模具資料包含多種模具設計參數，且以每一輸入參數取代每一筆候選模具資料中與每一輸入參數相對應的模具設計參數並生成用以進行第一次模擬分析的多筆第一代表性模具資料。特徵擷取單元根據第一次模擬分析的多個分析結果，找出多種關鍵特徵參數。模型資料比對單元根據此些關鍵特徵參數從資料庫中檢索符合至少一輸入參數的多筆第二歷史模具資料。參數優化單元從多筆第二歷史模具資料中找出一筆期望資料，過濾及優化此筆期望資料的模具設計參數，以找出用以進行第二次模擬分析的第二代表性資料，其中模擬分析單元根據第二次模擬分析結果，產生至少一筆模具生產參數。
為了對本發明之上述及其他方面有更佳的瞭解，下文特舉實施例，並配合所附圖式詳細說明如下：
以下係提出實施例進行詳細說明，實施例僅用以作為範例說明，並非用以限縮本發明欲保護之範圍。以下是以相同/類似的符號表示相同/類似的元件做說明。以下實施例中所提到的方向用語，例如：上、下、左、右、前或後等，僅是參考所附圖式的方向。因此，使用的方向用語是用來說明並非用來限制本發明。
依照本發明之一實施例，提出一種基於特徵擷取與機器學習的優化方法，可先將模具的基本資料輸入到資料檢索單元中做為檢索條件，以從資料庫中取得與檢索條件相關的歷史模具資料。此外，根據相似度演算法，可篩選出與模具的基本資料相似度較高的歷史模具資料，做為第一次模擬分析的輸入資料。因此，本實施例之優化方法可避免新模具建模時的基本資料過於龐雜及運算過程耗時等問題。
依照本發明之一實施例，提出一種基於特徵擷取與機器學習的優化方法，可先利用模流分析軟體（例如MoldFlow、3D TIMON或Moldex 3D等）進行第一次模擬分析，找出對模擬分析結果有影響力的關鍵特徵參數，並以此關鍵特徵參數當作後續進行資料優化的追蹤標的。因此，本實施例之優化方法可避免傳統對於特徵選擇沒有一定的參考依據，只能靠經驗判斷關鍵特徵參數，造成人為經驗依賴程度過高的問題。
在一實施例中，當模擬分析結果判斷某一輸入參數為關鍵特徵參數時，可先以此關鍵特徵參數做為檢索條件，從資料庫中檢索多筆第二歷史模具資料，並進行一模型相似度比對且從多筆第二歷史模具資料中找出一筆期望資料。接著，對此筆期望資料中的模具設計參數做變動量細化與過濾，且以田口法直交表找出用以進行第二次模擬分析的多筆第二代表性模具資料。由於經過過濾及優化之後，第二代表性模具資料為最接近輸入參數的模具生產參數，因此，本實施例之優化方法不需要透過大量試誤(Try and Error)，以使模具的開發時程可以縮短。
在一實施例中，當找到用以進行第二次模擬分析的第二代表性模具資料之後，可將第二次模擬分析結果及第二代表性模具資料建檔於模具資料庫中，以供下一次新模具建模時之參考。同時，第一次模擬分析的多個結果及多筆第一代表性模具資料亦可建檔於模具資料庫中，以做為下一次新模具建模時的訓練資料及比對依據。因此，本實施例之優化方法可使模擬結果更為精確。
在一實施例中，透過上述的優化方法，可將第二次模擬分析後取得合格的至少一筆模具生產參數應用在實際試模生產中，用以製造一模具，以驗證其模流分析結果是否正確。因此，本實施例之優化方法可降低試模成本。
請參照第1圖，依照本發明之一實施例，基於特徵擷取與機器學習的優化模組200可包括一模具資料庫210、一數據篩選單元220、一特徵擷取單元230、一模型資料比對單元240、一參數優化單元250以及一建模單元260。優化模組200可配合一資料檢索單元110以及一模擬分析單元120一起運作，以找出適合進行試模140生產的至少一筆模具生產參數130。
請一併參照第1及2圖，先將模具基本資料100輸入到資料檢索單元110中做為檢索條件，以從資料庫210中取得與檢索條件相關的歷史模具資料。如第2圖之步驟S11所示，資料檢索單元110接收一輸入參數，輸入參數可為模具基本資料100的至少一參數。接著，如步驟S12所示，資料檢索單元110可從一資料庫210中檢索與輸入參數相關的多筆第一歷史模具資料。
在一實施例中，模具基本資料100的輸入參數例如是澆道口口徑、流體黏滯係數、射出壓力、原料硬度、出模方向、閉合高度等。資料檢索單元110例如是一搜尋引擎，其可應用模糊理論、類神經網路及/或語意搜尋等技術來開發模糊搜尋引擎，設定檢索條件，使搜尋引擎可根據檢索條件找出與模具基本資料100的輸入參數相關的多筆歷史模具資料。
資料庫210例如是一模具知識庫，可存放現有模具的相關資料以及建模單元260回饋的資料，例如現有模具的種類、澆道口口徑、使用原料、出模方向、閉合高度等基本資料、歷史模擬資料、模擬分析結果與錯誤類型、最佳生產參數以及通過建模單元260建置後的訓練模型等。
請一併參照第1及2圖，完成檢索之後，數據篩選單元220可根據相似度演算法，篩選出與輸入參數相似度較高的歷史模具資料，做為第一次模擬分析的輸入資料。如第2圖之步驟S13所示，數據篩選單元220根據輸入參數與多筆第一歷史模具資料執行一相似度演算，及步驟S14所示，根據相似度演算的一第一結果從第一歷史模具資料選擇至少二筆作為多筆候選模具資料，以及步驟S15所示，以每一輸入參數取代候選模具資料中與每一輸入參數相對應的模具設計參數，並生成用以進行第一次模擬分析的多筆第一代表性模具資料。
請參照第3圖，數據篩選單元220執行下列步驟S21~S24。當數據篩選單元220取得第一歷史模具資料之後，進行相似度演算，從第一歷史模具資料中選擇相似度演算結果較高的多筆候選模組資料，以輸入參數取代候選模組資料中與輸入參數相對應的模具設計參數並生成用以進行第一次模擬分析的多筆第一代表性模具資料，其中數據篩選單元220可根據輸入參數的數量決定第一代表性資料的數量。在一實施例中，相似度演算例如計算輸入參數與相對應的第一歷史模具資料之間的歐氏距離，表示如下：
Figure 02_image001
其中，D為歐氏距離，n 為輸入參數的數量，xi 表示第i個輸入參數，yi表示相對應的第一歷史模具資料中第i個模具設計參數。歐氏距離愈小，表示相似度愈高。在一實施例中，當數量n小於10時，第一代表性資料的數量可為n；當數量n介於10至100時，第一代表性資料的數量可設定為10；當數量n大於100時，第一代表性資料的數量可設定為n/10。因此，可減少運算量。
請一併參照第1及2圖，利用模流分析軟體（例如MoldFlow、3D TIMON或Moldex 3D等）進行第一次模擬分析，特徵擷取單元230再從模擬分析結果中找出對模擬分析結果有影響力的關鍵特徵參數，以供模型資料比對單元240進行比對。如第2圖之步驟S16所示，特徵擷取單元230根據第一次模擬分析的多個分析結果，找出多種關鍵特徵參數，之後，模型資料比對單元240再根據多種關鍵特徵參數從資料庫210中檢索符合輸入參數的多筆第二歷史模具資料。
請參照第4圖，特徵擷取單元230執行下列步驟S31~S35。當特徵擷取單元230取得第一次模擬分析結果之後，判斷第一次模擬分析的多個分析結果全部符合一預期模流表現、或是全部不符合預期模流表現時，比較多筆第一代表性模具資料的每一種模具設計參數，特徵擷取單元230擷取變動量最小的多種模具設計參數作為關鍵特徵參數，或者特徵擷取單元230判斷該第一次模擬分析的多個分析結果部分符合一預期模流表現且部分不符合預期模流表現時，根據特徵挑選演算法來找出多種關鍵特徵參數。變動量小的參數是指特徵穩定且不易受其他參數影響而大幅變動的參數，以百分比表示，數值愈高，變動量愈大。在一實施例中，當變動量小的參數的數量小於5時，可全部做為關鍵特徵參數；當變動量小的參數的數量大於5時，可挑選其中5個做為關鍵特徵參數。
特徵挑選演算法例如主成份分析法（Principle Component Analysis, PCA）、獨立分量分析法（Independent Component Analysis, ICA）或是線性鑑別分析法（Linear Discriminant Analysis, LDA）等，用以挑選關鍵特徵參數。線性鑑別分析法例如是費雪理論。
接著，請參照第5圖，模型資料比對單元240執行下列步驟S41~S45。當模型資料比對單元240取得多種關鍵特徵參數之後，以此些種關鍵特徵參數做為檢索條件，從資料庫210中檢索相似特徵參數並進行一模型運算（model calculation），以從該資料庫中檢索多筆第二歷史模具資料並進行一模型相似度比對，以從多筆第二歷史模具資料中找出一筆期望資料，期望資料可為最接近輸入參數的最佳生產參數。第一歷史模具資料與第二歷史模具資料不同之處在於第二歷史模具資料是以關鍵特徵參數為檢索條件，因此第二歷史模具資料中關鍵特徵參數的變動量可被限定在一預定範圍中，以限縮參數變動範圍。在一實施例中，模型運算例如將關鍵特徵參數取代第二歷史模具資料中相對應的模具設計參數，以得到多數筆新的模具資料。透過第二歷史模具資料與新的模具資料的模型相似度比對之後，可去除不合格的模型，保留合格的模型，並從合格的模型中找出最接近輸入參數的一筆期望資料（相似度比對最高者），以做為後續資料優化的資料集。模型運算是一個類似判斷式的運算，例如決策樹(Decision tree)或其他預測模型。相似度比對可以歐式距離運算為代表。
在一實施例中，多筆第二歷史模具資料中的第一組模具設計參數例如為A1-A10，第二組模具設計參數例如為B1-B10，第三組模具設計參數例如為C1-C10，將關鍵特徵參數Y3, Y4, Y5分別取代第一組模具設計參數中的相對應參數A3, A4, A5、第二組模具設計參數中的相對應參數B3, B4, B5以及第三組模具設計參數中的相對應參數C3, C4, C5，以得到三筆新的模具資料，以供模型相似度比對。若模型相似度比對結果顯示其中一筆新的模具設計參數符合期望（相似度比對結果最高者），則可依此做為後續資料優化的資料集。
請一併參照第1及2圖，參數優化單元250取得一筆期望資料之後，從此筆期望資料的每一種模具設計參數中找出多種模具設計參數，並針對多種模具設計參數做變動量細化與過濾，且以田口法直交表進行優化，以找到用以進行第二次模擬分析的多筆第二代表性模具資料。如第2圖之步驟S17所示，參數優化單元250從多筆第二歷史模具資料中找出一筆期望資料，過濾及優化此筆期望資料的模具設計參數，以找出用以進行第二次模擬分析的一組第二代表性模具資料。
請參照第6圖，參數優化單元250執行下列步驟S51~S52。當參數優化單元250取得期望資料之後，以此期望資料的模具設計參數為基準，將多種模具設計參數的最大值、最小值作為變動範圍之上下限，並將變動範圍細分為多個等級之後，各模具設計參數例如取得5個等級的設計值。此外，參數優化單元250還可依據田口法直交表對各模具設計參數進行優化，以得到多筆第二代表性模具資料，做為第二次模擬分析的輸入資料。
請一併參照第1及2圖，利用模流分析軟體（例如MoldFlow、3D TIMON或Moldex 3D等）進行第二次模擬分析，並根據模擬分析結果得到適合進行試模140生產的至少一筆模具生產參數130。如第2圖之步驟S16所示，根據第二次模擬分析結果，產生至少一筆模具生產參數130。在本實施例中，根據模擬分析結果，使用者可得到合格或不合格的模擬資料、分析報告與可能產生的問題等，以判斷是否可應用在實際試模140生產中。若可應用於試模140生產中，利用此筆模具生產參數130製造一模具，以驗證其結果。若無法應用於試模140生產中，可將此些模擬資料通過建模單元260建置後成為一訓練模型。
請參照第7圖，建模單元260執行下列步驟S61~S67。當建模單元260取得模擬分析結果之後，建立模具基本資料以及最佳生產參數於資料庫210中，若模擬結果判斷模擬資料不適合進行試模140，可建立不合格模型並建檔於資料庫210中，若模擬結果判斷模擬資料適合進行試模140，可建立合格模型並建檔於資料庫210中，以做為下一次新模具建模時的訓練資料及比對依據。
本發明上述實施例所揭露之基於特徵擷取與機器學習的優化方法，可應用於CAE的模流分析中或其他方面的模擬分析中，例如零件生產、機械加工品質的模擬分析中，本發明對此不加以限制。此外，本實施例之優化方法可透過機械學習將合格與不合格的資料皆記錄並建立模型，做為新模具建模時的參考依據，因此模具的開發時程可以縮短。另外，本實施例之優化方法利用特徵擷取以有效尋找到關鍵特徵參數，並藉由參數優化更快速找到最佳生產參數，因此試模成本可以降低。
綜上所述，雖然本發明已以實施例揭露如上，然其並非用以限定本發明。本發明所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾。因此，本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100:模具基本資料110:資料檢索單元120:模擬分析單元130:生產參數140:試模200:優化模組210:模具資料庫220:數據篩選單元230:特徵擷取單元240:模型資料比對單元250:參數優化單元260:建模單元S21~S24:步驟S31~S35:步驟S41~S45:步驟S51~S52:步驟S61~S67:步驟
第1圖繪示依照本發明一實施例的基於特徵擷取與機器學習的優化模組的系統方塊圖。 第2圖繪示依照本發明一實施例的基於特徵擷取與機器學習的優化方法的流程示意圖。 第3圖繪示第1圖的數據篩選單元選取代表性資料的操作示意圖。 第4圖繪示第1圖的特徵擷取單元找出對模擬分析結果有影響力的關鍵特徵參數的操作示意圖。 第5圖繪示第1圖的模型資料比對單元從資料庫中找出最接近輸入參數的第二歷史模具資料的操作示意圖。 第6圖繪示第1圖的參數優化單元過濾及優化關鍵特徵參數以找出多筆第二代表性資料的操作示意圖。 第7圖繪示第1圖的建模單元根據第二次模擬分析結果產生至少一筆模具生產參數的操作示意圖。
100:模具基本資料
110:資料檢索單元
120:模擬分析單元
130:生產參數
140:試模
200:優化模組
210:模具資料庫
220:數據篩選單元
230:特徵擷取單元
240:模型資料比對單元
250:參數優化單元
260:建模單元

Claims (18)

  1. 一種基於特徵擷取與機器學習的優化方法，包括： 接收至少一輸入參數； 從一資料庫中檢索與該至少一輸入參數相關的複數筆第一歷史模具資料； 根據該至少一輸入參數與該複數筆第一歷史模具資料執行一相似度演算； 根據該相似度演算的一第一結果從該複數筆第一歷史模具資料選擇至少二筆作為複數筆候選模具資料，其中每一該候選模具資料包含複數種模具設計參數； 以每一該輸入參數取代每一筆候選模具資料中與每一該輸入參數相對應的模具設計參數並生成用以進行第一次模擬分析的複數筆第一代表性模具資料； 根據該第一次模擬分析的複數個分析結果，找出複數種關鍵特徵參數，並根據該複數種關鍵特徵參數從該資料庫中檢索符合該至少一輸入參數的複數筆第二歷史模具資料； 從該複數筆第二歷史模具資料中找出一筆期望資料，過濾及優化該筆期望資料的模具設計參數，以找出用以進行第二次模擬分析的複數筆第二代表性模具資料；以及 根據該第二次模擬分析結果，產生至少一筆模具生產參數。
  2. 如申請專利範圍第1項所述之優化方法，更包括將該第二次模擬分析結果及該第二代表性模具資料建檔於該資料庫中。
  3. 如申請專利範圍第1項所述之優化方法，更包括將該第一次模擬分析的該複數個結果及該複數筆第一代表性模具資料建檔於該資料庫中。
  4. 如申請專利範圍第1項所述之優化方法，更包括根據該至少一筆模具生產參數製造該模具。
  5. 如申請專利範圍第1項所述之優化方法，其中該相似度演算包括計算該輸入參數與該複數筆第一歷史模具資料之間的歐氏距離。
  6. 如申請專利範圍第1項所述之優化方法，其中利用一模流分析軟體進行第一次模擬分析，並判斷該第一次模擬分析的該複數個分析結果全部符合一預期模流表現、或是全部不符合該預期模流表現時，比較該複數筆第一代表性模具資料的每一種模具設計參數，以變動量最小的複數種模具設計參數作為該複數種關鍵特徵參數。
  7. 如申請專利範圍第1項所述之優化方法，其中利用一模流分析軟體進行第一次模擬分析，並判斷該第一次模擬分析的該複數個分析結果部分符合一預期模流表現且部分不符合該預期模流表現時，根據特徵挑選演算法來找出該複數種關鍵特徵參數。
  8. 如申請專利範圍第1項所述之優化方法，其中取得該複數種關鍵特徵參數之後，更包括以該複數種關鍵特徵參數做為檢索條件，從該資料庫中檢索該複數筆第二歷史模具資料並進行一模型運算以及一模型相似度比對，其中該模型運算包括將該複數種關鍵特徵參數取代該複數筆第二歷史模具資料中相對應的模具設計參數，以得到複數筆新的模具資料，透過該複數筆第二歷史模具資料與該複數筆新的模具資料的該模型相似度比對的一結果中取得相似度最高者，以從該複數筆第二歷史模具資料中找出該筆期望資料。
  9. 如申請專利範圍第8項所述之優化方法，其中取得該筆期望資料之後，更包括從該筆期望資料的每一種模具設計參數中找出複數種模具設計參數，並針對該複數種模具設計參數做變動量細化與過濾，且以田口法直交表找出用以進行該第二次模擬分析的該複數筆第二代表性模具資料。
  10. 如申請專利範圍第9項所述之優化方法，其中該變動量細化包括以該筆期望資料的模具設計參數為基準，將該複數種模具設計參數的最大值、最小值作為變動範圍之上下限，並將該變動範圍細分多個等級之後，取得各該模具設計參數的該些等級的設計值。
  11. 一種基於特徵擷取與機器學習的優化模組，與一資料檢索單元以及一模擬分析單元一起運作，該優化模組包括： 一資料庫，用以儲存歷史模具資料，其中該資料檢索單元接收至少一輸入參數，並從該資料庫中檢索與該至少一輸入參數相關的複數筆第一歷史模具資料； 一數據篩選單元，根據該至少一輸入參數與該複數筆第一歷史模具資料執行一相似度演算，並根據相似度演算的一第一結果從該複數筆第一歷史模具資料選擇至少二筆作為複數筆候選模具資料，其中每一該候選模具資料包含複數種模具設計參數，且以每一該輸入參數取代每一筆候選模具資料中與每一該輸入參數相對應的模具設計參數並生成用以進行第一次模擬分析的複數筆第一代表性模具資料； 一特徵擷取單元，根據該第一次模擬分析的複數個分析結果，找出複數種關鍵特徵參數； 一模型資料比對單元，根據該複數種關鍵特徵參數從該資料庫中檢索符合該至少一輸入參數的複數筆第二歷史模具資料； 一參數優化單元，從該複數筆第二歷史模具資料中找出一筆期望資料，過濾及優化該筆期望資料的模具設計參數，以找出用以進行第二次模擬分析的複數筆第二代表性模具資料，其中該模擬分析單元根據該第二次模擬分析結果，產生至少一筆模具生產參數。
  12. 如申請專利範圍第11項所述之優化模組，更包括一建模單元，用以將該第二次模擬分析結果及該第二代表性模具資料建檔於該資料庫中。
  13. 如申請專利範圍第11項所述之優化模組，更包括一建模單元，用以將該第一次模擬分析的該複數個結果及該複數筆第一代表性模具資料建檔於該資料庫中。
  14. 如申請專利範圍第11項所述之優化模組，其中該特徵擷取單元判斷該第一次模擬分析的該複數個分析結果全部符合一預期模流表現、或是全部不符合該預期模流表現時，比較該複數筆第一代表性模具資料的每一種模具設計參數，以變動量最小的複數種模具設計參數作為該複數種關鍵特徵參數。
  15. 如申請專利範圍第11項所述之優化模組，其中該特徵擷取單元判斷該第一次模擬分析的該複數個分析結果部分符合一預期模流表現且部分不符合該預期模流表現時，根據特徵挑選演算法來找出該複數種關鍵特徵參數。
  16. 如申請專利範圍第11項所述之優化模組，其中該模型資料比對單元取得該複數種關鍵特徵參數之後，更包括以該複數種關鍵特徵參數做為檢索條件，從該資料庫中檢索該複數筆第二歷史模具資料並進行一模型運算以及一模型相似度比對，其中該模型運算包括將該複數種關鍵特徵參數取代該複數筆第二歷史模具資料中相對應的模具設計參數，以得到複數筆新的模具資料，透過該複數筆第二歷史模具資料與該複數筆新的模具資料的該模型相似度比對的一結果中取得相似度最高者，以從該複數筆第二歷史模具資料中找出該筆期望資料。
  17. 如申請專利範圍第16項所述之優化模組，其中該參數優化單元取得該筆期望資之後，從該期望資料的每一種模具設計參數中找出複數種模具設計參數，並針對該複數種模具設計參數做變動量細化與過濾，且以田口法直交表找出用以進行該第二次模擬分析的該複數筆第二代表性模具資料。
  18. 如申請專利範圍第17項所述之優化模組，其中該變動量細化包括以該筆期望資料的模具設計參數為基準，將該複數種模具設計參數的最大值、最小值作為變動範圍之上下限，並將該變動範圍細分多個等級之後，取得各該模具設計參數的該些等級的設計值。
TW107144367A 2018-12-10 2018-12-10 基於特徵擷取與機器學習的優化方法及其模組 TW202022633A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW107144367A TW202022633A (zh) 2018-12-10 2018-12-10 基於特徵擷取與機器學習的優化方法及其模組
US16/424,168 US11182519B2 (en) 2018-12-10 2019-05-28 Optimization method and module thereof based on feature extraction and machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW107144367A TW202022633A (zh) 2018-12-10 2018-12-10 基於特徵擷取與機器學習的優化方法及其模組

Publications (1)

Publication Number Publication Date
TW202022633A true TW202022633A (zh) 2020-06-16

Family

ID=70971396

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107144367A TW202022633A (zh) 2018-12-10 2018-12-10 基於特徵擷取與機器學習的優化方法及其模組

Country Status (2)

Country Link
US (1) US11182519B2 (zh)
TW (1) TW202022633A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI798583B (zh) * 2020-09-01 2023-04-11 中華電信股份有限公司 加速模擬軟體的模擬結果的產生的電子裝置和方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11901204B2 (en) * 2020-05-22 2024-02-13 Applied Materials, Inc. Predictive wafer scheduling for multi-chamber semiconductor equipment
CN112926645B (zh) * 2021-02-22 2022-11-15 国网四川省电力公司营销服务中心 一种基于边缘计算的窃电检测方法
CN114626291B (zh) * 2022-02-18 2023-03-24 杭州杰牌传动科技有限公司 一种传动系统需求适配评估的模型设计方法和系统
CN116290203B (zh) * 2023-01-12 2023-10-03 中港疏浚有限公司 基于神经网络的疏浚施工参数选优模型方法
CN116595889B (zh) * 2023-06-06 2023-10-27 常州市升越模塑股份有限公司 基于peek材料的薄型筋体均布结构加工方法及系统
CN116787698A (zh) * 2023-07-27 2023-09-22 九河精微塑胶工业(深圳)有限公司 一种用于实现双流道注塑的模具及注塑设备配合的工艺

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8078309B1 (en) * 2008-03-31 2011-12-13 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Method to create arbitrary sidewall geometries in 3-dimensions using liga with a stochastic optimization framework
EP3437825B1 (en) * 2017-08-02 2020-09-30 Fundació Eurecat A computer implemented method for generating a mold model for production predictive control and computer program products thereof
TWI625682B (zh) * 2017-12-01 2018-06-01 財團法人工業技術研究院 參數最佳化方法、裝置以及非暫態電腦可讀取媒體

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI798583B (zh) * 2020-09-01 2023-04-11 中華電信股份有限公司 加速模擬軟體的模擬結果的產生的電子裝置和方法

Also Published As

Publication number Publication date
US20200184028A1 (en) 2020-06-11
US11182519B2 (en) 2021-11-23

Similar Documents

Publication Publication Date Title
TW202022633A (zh) 基於特徵擷取與機器學習的優化方法及其模組
JP6475763B2 (ja) 機械加工ナレッジデータベースを検索するシステム及び方法
TWI625682B (zh) 參數最佳化方法、裝置以及非暫態電腦可讀取媒體
CN116859873B (zh) 一种紧固件生产工艺参数控制方法及系统
CN111429980A (zh) 一种材料晶体结构特征的自动化获取方法
WO2005040948A1 (ja) 加工情報作成装置、プログラム及び加工情報作成方法
US10921779B2 (en) Process and system for providing a machining method for manufacturing a feature in a part
JP6694447B2 (ja) ビッグデータの計算方法及びシステム、プログラムならびに記録媒体
US6725112B1 (en) Method, system and storage medium for optimizing a product design
Žapčević et al. Adaptive process control based on a self-learning mechanism in autonomous manufacturing systems
WO2024036709A1 (zh) 一种异常数据检测方法及装置
JP2008243192A (ja) 公差決定方法、公差決定装置、プログラム、および記録媒体
CN113283162B (zh) 塑料光学镜片面形误差预测方法、电子装置及存储介质
CN108537249B (zh) 一种密度峰值聚类的工业过程数据聚类方法
JP5237015B2 (ja) 成形条件の設定方法および多目的最適化方法
Esmaeili et al. Variable reduction for multi-objective optimization using data mining techniques; application to aerospace structures
JP2001297117A (ja) 部品を比較する方法
JP7225688B2 (ja) 解析装置、解析方法、および解析プログラム
JP2008059106A (ja) サンプリング生成装置、サンプリング生成プログラムが記録された媒体及びサンプリング生成方法
CN110047509B (zh) 一种两级子空间划分方法及装置
Tripathi et al. Approaches to Identify Relevant Process Variables in Injection Moulding using Beta Regression and SVM.
CN115470690A (zh) 用于基于机器学习的产品设计自动化和优化的系统和方法
CN109460415B (zh) 一种基于n维向量夹角余弦的相似夹具检索方法
TW202312042A (zh) 診斷模型的自動優化方法及自動優化系統
CN110287521B (zh) 一种模具镶块边界自动生成方法