TW202223560A - 製造設備製造參數調整控制系統及其方法 - Google Patents
製造設備製造參數調整控制系統及其方法 Download PDFInfo
- Publication number
- TW202223560A TW202223560A TW109142252A TW109142252A TW202223560A TW 202223560 A TW202223560 A TW 202223560A TW 109142252 A TW109142252 A TW 109142252A TW 109142252 A TW109142252 A TW 109142252A TW 202223560 A TW202223560 A TW 202223560A
- Authority
- TW
- Taiwan
- Prior art keywords
- manufacturing
- parameter
- manufacturing equipment
- parameters
- equipment information
- Prior art date
Links
Images
Landscapes
- General Factory Administration (AREA)
- Feedback Control In General (AREA)
Abstract
一種製造設備製造參數調整控制系統及其方法,建置自組織映像網路將所有該組製造參數紀錄數據與製造設備資訊的製造參數對應的製造參數輸入至自組織映像網路以生成數據映像結果網格圖,選取數據映像結果網格圖中最高的網格映像數量所對應的該組製造參數紀錄數據為製造設備資訊的製造參數,再以製造設備資訊的製造參數中選定至少一目標參數為輸出參數以及製造設備資訊的製造參數中未被選定的製造參數與一組檢測參數為輸入參數建置DeepFM模型,經過訓練與驗證的DeepFM模型所輸出的輸出參數進行非線性回歸並配合輸入參數以生成至少一目標參數,依據至少一目標參數動態調整對應的製造設備資訊的製造參數,藉此可以達成提供製造設備的製造參數具備智能化調整的技術功效。
Description
一種調整控制系統及其方法,尤其是指一種先由自組織映像網路計算製造設備資訊的製造參數以提供製造設備的製造使用,再由DeepFM模型動態計算出至少一目標參數以動態調整對應的製造設備資訊的製造參數的製造設備製造參數調整控制系統及其方法。
目前在製造生產過程中,製造設備所使用的製造參數通常由有經驗的工程師在生產開機時進行人工設定,或者事先將設定好的製造參數存儲於製造設備中,在製造設備要進行生產時,進行製造參數紀錄數據的讀取與使用。
上述對於製造設備的製造參數設定方式需要對技術人員有一定的經驗或是技術水準,除此之外,製造設備的製造參數由於是被設定為固定值,製造設備無法綜合利用變化的生產狀態資訊來實現更高效、優質以及節能的製造生產。
綜上所述,可知先前技術中長期以來一直存在製造設備的製造參數不具備智能化調整的問題,因此有必要提出改進的技術手段,來解決此一問題。
有鑒於先前技術存在製造設備的製造參數不具備智能化調整的問題,本發明遂揭露一種製造設備製造參數調整控制系統及其方法,其中:
本發明所揭露的製造設備製造參數調整控制系統,其包含:參數資料庫、接收模組、查詢模組、類神經網路計算模組、參數選取模組以及傳送模組。
參數資料庫是用以儲存儲存時間、製造設備資訊、生產產品資訊以及對應的一組製造參數紀錄數據;接收模組是用以接收製造設備資訊以及生產產品資訊,以及自製造設備接收一組檢測參數,其中該組檢測參數透過設置於製造設備的感測器檢測得到;查詢模組是用以依據接收模組所接收到的製造設備資訊以及生產產品資訊對應查詢出符合預設數量的該組製造參數紀錄數據;類神經網路計算模組是將製造設備資訊的製造參數設定數量乘以製造設備資訊的製造參數設定數量以建置自組織映像網路(Self-Organizing Map,SOM),將被查詢出的所有該組製造參數紀錄數據與製造設備資訊的製造參數對應的製造參數輸入至自組織映像網路以生成數據映像結果網格圖;將製造設備資訊的製造參數中選定至少一目標參數為輸出參數以及製造設備資訊的製造參數中未被選定的製造參數與該組檢測參數為輸入參數建置DeepFM模型,再將被查詢出的該組製造參數紀錄數據依據預設比率分為訓練參數集合以及測試參數集合,將訓練參數集合對DeepFM模型進行訓練,再將測試參數集合對被訓練好的DeepFM模型進行驗證,經過訓練與驗證的DeepFM模型所輸出的輸出參數進行非線性回歸並配合輸入參數以生成至少一目標參數;參數選取模組,用以選取數據映像結果網格圖中最高的網格映像數量所對應的該組製造參數紀錄數據為製造設備資訊的製造參數;及傳送模組是用以傳送製造設備資訊的製造參數至製造設備以使用製造設備資訊的製造參數進行產品的生產製造;傳送至少一目標參數至製造設備以依據至少一目標參數動態調整對應的製造設備資訊的製造參數。
本發明所揭露的製造設備製造參數調整控制方法,其包含下列步驟:
首先,儲存儲存時間、製造設備資訊、生產產品資訊以及對應的一組製造參數紀錄數據;接著,接收製造設備資訊以及生產產品資訊;接著,依據製造設備資訊以及生產產品資訊對應查詢出符合預設數量的該組製造參數紀錄數據;接著,將製造設備資訊的製造參數設定數量乘以製造設備資訊的製造參數設定數量以建置自組織映像網路,將被查詢出的所有該組製造參數紀錄數據與製造設備資訊的製造參數對應的製造參數輸入至自組織映像網路以生成數據映像結果網格圖;接著,選取數據映像結果網格圖中最高的網格映像數量所對應的該組製造參數紀錄數據為製造設備資訊的製造參數;接著,傳送製造設備資訊的製造參數至製造設備以使用製造設備資訊的製造參數進行產品的生產製造;接著,自製造設備接收一組檢測參數,其中該組檢測參數透過設置於製造設備的感測器檢測得到;接著,將製造設備資訊的製造參數中選定至少一目標參數為輸出參數以及製造設備資訊的製造參數中未被選定的製造參數與該組檢測參數為輸入參數建置DeepFM模型,再將被查詢出的該組製造參數紀錄數據依據預設比率分為訓練參數集合以及測試參數集合,將訓練參數集合對DeepFM模型進行訓練,再將測試參數集合對被訓練好的DeepFM模型進行驗證,經過訓練與驗證的DeepFM模型所輸出的輸出參數進行非線性回歸並配合輸入參數以生成至少一目標參數;最後,傳送至少一目標參數至製造設備以依據至少一目標參數動態調整對應的製造設備資訊的製造參數。
本發明所揭露的系統及方法如上,與先前技術之間的差異在於依據製造設備資訊以及生產產品資訊對應查詢出符合預設數量的該組製造參數紀錄數據,依據製造設備資訊的製造參數建置自組織映像網路以將所有該組製造參數紀錄數據與製造設備資訊的製造參數對應的製造參數輸入至自組織映像網路以生成數據映像結果網格圖,選取數據映像結果網格圖中最高的網格映像數量所對應的該組製造參數紀錄數據為製造設備資訊的製造參數,再以製造設備資訊的製造參數中選定至少一目標參數為輸出參數以及製造設備資訊的製造參數中未被選定的製造參數與一組檢測參數為輸入參數建置DeepFM模型,經過訓練與驗證的DeepFM模型所輸出的輸出參數進行非線性回歸並配合輸入參數以生成至少一目標參數,即可依據至少一目標參數動態調整對應的製造設備資訊的製造參數。
透過上述的技術手段,本發明可以達成提供製造設備的製造參數具備智能化調整的技術功效。
以下將配合圖式及實施例來詳細說明本發明的實施方式,藉此對本發明如何應用技術手段來解決技術問題並達成技術功效的實現過程能充分理解並據以實施。
以下首先要說明本發明所揭露的製造設備製造參數調整控制系統,並請參考「第1圖」所示,「第1圖」繪示為本發明製造設備製造參數調整控制系統的系統方塊圖。
本發明所揭露的製造設備製造參數調整控制系統,其包含:參數資料庫21、接收模組22、查詢模組23、類神經網路計算模組24、參數選取模組25以及傳送模組26,前述的參數資料庫21、接收模組22、查詢模組23、類神經網路計算模組24、參數選取模組25以及傳送模組26是執行於參數計算裝置20中。
製造設備10是提供產品生產製造的設備,製造設備10與參數計算裝置20是透過有線傳輸方式或是無線傳輸方式建立連線,前述的有線傳輸方式例如是:電纜網路、光纖網路…等,前述的無線傳輸方式例如是:Wi-Fi、行動通訊網路(例如是:3G、4G、5G…等)…等,在此僅為舉例說明之,並不以此侷限本發明的應用範疇。
參數資料庫21是用以儲存儲存時間、製造設備資訊、生產產品資訊以及對應的一組製造參數紀錄數據,具體而言,製造設備資訊例如是對應製造設備的設備號,生產產品資訊例如是生產產品的名稱,製造參數紀錄數據31例如是:Front Pressure、Rear Pressure、Front Print Speed、Rear Print Speed、Front Print Limit、Rear Print Limit、Forward X Offset、Reverse X Offset、Forward Y Offset、Reverse Y Offset、Forward Theta Offset、Reverse Theta Offset、Separation Speed、Separation Distance、Print Gap、Clean Rate1、Clean Rate2、Paste While Clean、Paste Dispense Rate以及Alternative Dispense Rate,在此僅為舉例說明之,並不以此侷限本發明的應用範疇,製造參數紀錄數據31的示意請參考「第2圖」所示,「第2圖」繪示為本發明製造設備製造參數調整控制的製造參數紀錄數據示意圖,除此之外,製造參數紀錄數據也可以是下列製造參數:Actual Separation Speed、Actural Front Pressure、Actual Front Print Speed、Actual Humidity、Actual Temperature、Actual Rear Pressure、Actual Cycle Time、State、Squeegee、Product Name以及DateTime,在此僅為舉例說明之,並不以此侷限本發明的應用範疇。
接收模組22是透過參數計算裝置20所提供的使用者操作介面(例如是:鍵盤滑鼠、觸控螢幕…等,在此僅為舉例說明之,並不以此侷限本發明的應用範疇)由使用者輸入製造設備資訊以及生產產品資訊加以接收。
在接收模組22接收製造設備資訊以及生產產品資訊時,查詢模組23即可依據接收模組22所接收到的製造設備資訊以及生產產品資訊對應查詢出符合預設數量的該組製造參數紀錄數據,預設數量例如是10000、15000、20000…等,在此僅為舉例說明之,並不以此侷限本發明的應用範疇。
接著,類神經網路計算模組24即可將製造設備資訊的製造參數設定數量乘以製造設備資訊的製造參數設定數量以建置自組織映像網路,將被查詢出的所有該組製造參數紀錄數據與製造設備資訊的製造參數對應的製造參數輸入至自組織映像網路以生成數據映像結果網格圖。
具體而言,假設製造設備資訊的製造參數設定數量為20,類神經網路計算模組24即可建置20X20的自組織映像網路,再將被查詢出的所有該組製造參數紀錄數據輸入至自組織映像網路以生成數據映像結果網格圖32,數據映像結果網格圖32的示意請參考「第3圖」所示,「第3圖」繪示為本發明製造設備製造參數調整控制的數據映像結果網格圖,映射到一個網格的設備參數組可能為0、1或是多個,透過統計該組製造參數紀錄數據映射到網格內的數量表示該組製造參數紀錄數據的使用頻率,再將使用頻率線性以不同的灰階色彩映射對應的網格,網格灰階色彩的深淺表示對應該組製造參數紀錄數據被使用的頻率,網格灰階色彩越深的網格表示常使用或是重視度最高的製造參數紀錄數據。
在類神經網路計算模組24生成數據映像結果網格圖時,參數選取模組25即可選取數據映像結果網格圖中最高的網格映像數量所對應的該組製造參數紀錄數據為製造設備資訊的製造參數33,除此之外,參數選取模組25亦可選取數據映像結果網格圖中前N高的網格映像數量所對應的該組製造參數紀錄數據以對各別的製造參數進行平均以生成製造設備資訊的製造參數33,其中N為大於等於2的正整數,N的選擇可以依據實際需求進行對應的設定,請參考「第4圖」所示,「第4圖」繪示為本發明製造設備製造參數調整控制的製造參數示意圖,「第4圖」中即為參數選取模組25選取數據映像結果網格圖中前3高的網格映像數量所對應的該組製造參數紀錄數據的示意,在此僅為舉例說明之,並不以此侷限本發明的應用範疇。
在參數選取模組25選取製造設備資訊的製造參數時,傳送模組26即可將製造設備資訊的製造參數傳送至製造設備10,製造設備10即可依據製造設備資訊的製造參數進行產品的生產製造。
在製造設備10依據製造設備資訊的製造參數進行產品的生產製造時,製造設備10更進一步透過設置於製造設備10上的感測器或是外部設置的感測器對製造設備10進行製造設備10生產過程的檢測,製造設備10生產過程的檢測包含有對製造設備10的檢測以及/或是對製造設備10所處環境的檢測,在此僅為舉例說明之,並不以此侷限本發明的應用範疇,製造設備10即可透過感測器接收一組檢測參數。
在製造設備10透過感測器接收該組檢測參數時,製造設備10即可將該組檢測參數傳送至接收模組22,接收模組22即可自製造設備10接收該組檢測參數。
在此同時,類神經網路計算模組24會將製造設備資訊的製造參數中選定至少一目標參數為輸出參數以及製造設備資訊的製造參數中未被選定的製造參數與該組檢測參數為輸入參數建置DeepFM模型40,再將被查詢出的該組製造參數紀錄數據依據預設比率分為訓練參數集合以及測試參數集合,將訓練參數集合對DeepFM模型40進行訓練,再將測試參數集合對被訓練好的DeepFM模型40進行驗證,經過訓練與驗證的DeepFM模型40所輸出的輸出參數進行非線性回歸並配合輸入參數以生成至少一目標參數。
值得注意的是,本發明所建置的DeepFM模型40是移除原DeepFM模型的最後一層並增加Concat層,DeepFM模型40中的FM部分實現二維特徵組合,Deep部分實現n維特徵組合(即高階特徵提取),n為大於等於3的正整數,Concat部分實現FM部分和Deep部分輸出結果融合,Concat層的最終輸出維度等於目標參數的數量,再進行非線性回歸以得到最終的輸出參數,本發明所建置的DeepFM模型40請參考「第5圖」所示,「第5圖」繪示為本發明製造設備製造參數調整控制的DeepFM模型示意圖。
DeepFM模型40中模型建構的數據包含DeepFM模型40中模型建構的數據包含設定學習率(learning rate)為0.01並使用指數下降、設定反覆運算次數(epoch)為600、設定批次大小(batch size)為16、設定正規化係數(regression rate)為0.001、設定Deep層網路大小為[300, 100, 50]、設定Concat層網路大小為[30, 3]、設定embedding層網路大小為[200]、設定梯度優化方法採用AdaDelta梯度下降方法以及設定損失函數採用 Huber loss函數。
具體而言,假設類神經網路計算模組24所選定的目標參數分別為“Rear Pressure”、“Front Pressure”以及“Paste dispense Rate”,將被查詢出的該組製造參數紀錄數據(例如是:20000組製造參數紀錄數據)依據預設比率分為訓練參數集合為“14000組製造參數紀錄數據”(即訓練參數集合的預設比率為70%)以及測試參數集合為“6000組製造參數紀錄數據”(即測試參數集合的預設比率為30%)。
類神經網路計算模組24將訓練參數集合對DeepFM模型40進行訓練,再將測試參數集合對被訓練好的DeepFM模型40進行驗證,以確保訓練好的DeepFM模型40沒有發生過度擬合,經過訓練與驗證的DeepFM模型40所輸出的輸出參數進行非線性回歸並配合輸入參數以生成至少一目標參數。
在類神經網路計算模組24生成至少一目標參數時,傳送模組26即可將類神經網路計算模組24所生成的至少一目標參數傳送至製造設備10。
製造設備10在自傳送模組26接收到至少一目標參數時,製造設備10即可依據至少一目標參數動態調整對應的製造設備資訊的製造參數以進行產品的生產製造,值得注意的是,傳送模組26是透過Tensorflow-Serving進行服務的部署以傳送至少一目標參數至製造設備10。
接著,以下將說明本發明的運作方法,並請同時參考「第6A圖」以及「第6B圖」所示,「第6A圖」以及「第6B圖」繪示為本發明製造設備製造參數調整控制方法的方法流程圖。
首先,儲存儲存時間、製造設備資訊、生產產品資訊以及對應的一組製造參數紀錄數據(步驟101);接著,接收製造設備資訊以及生產產品資訊(步驟102);接著,依據製造設備資訊以及生產產品資訊對應查詢出符合預設數量的該組製造參數紀錄數據(步驟103);接著,將製造設備資訊的製造參數設定數量乘以製造設備資訊的製造參數設定數量以建置自組織映像網路,將被查詢出的所有該組製造參數紀錄數據與製造設備資訊的製造參數對應的製造參數輸入至自組織映像網路以生成數據映像結果網格圖(步驟104);接著,選取數據映像結果網格圖中最高的網格映像數量所對應的該組製造參數紀錄數據為製造設備資訊的製造參數(步驟105);接著,傳送製造設備資訊的製造參數至製造設備以依據製造設備資訊的製造參數進行產品的生產製造(步驟106);接著,自製造設備接收一組檢測參數,其中該組檢測參數透過設置於製造設備的感測器檢測得到(步驟107);接著,將製造設備資訊的製造參數中選定至少一目標參數為輸出參數以及製造設備資訊的製造參數中未被選定的製造參數與該組檢測參數為輸入參數建置DeepFM模型,再將被查詢出的該組製造參數紀錄數據依據預設比率分為訓練參數集合以及測試參數集合,將訓練參數集合對DeepFM模型進行訓練,再將測試參數集合對被訓練好的DeepFM模型進行驗證,經過訓練與驗證的DeepFM模型所輸出的輸出參數進行非線性回歸並配合輸入參數以生成至少一目標參數(步驟108);最後,傳送至少一目標參數至製造設備以依據至少一目標參數動態調整對應的製造設備資訊的製造參數(步驟109)。
綜上所述,可知本發明與先前技術之間的差異在於依據製造設備資訊以及生產產品資訊對應查詢出符合預設數量的該組製造參數紀錄數據,依據製造設備資訊的製造參數建置自組織映像網路以將所有該組製造參數紀錄數據與製造設備資訊的製造參數對應的製造參數輸入至自組織映像網路以生成數據映像結果網格圖,選取數據映像結果網格圖中最高的網格映像數量所對應的該組製造參數紀錄數據為製造設備資訊的製造參數,再以製造設備資訊的製造參數中選定至少一目標參數為輸出參數以及製造設備資訊的製造參數中未被選定的製造參數與一組檢測參數為輸入參數建置DeepFM模型,經過訓練與驗證的DeepFM模型所輸出的輸出參數進行非線性回歸並配合輸入參數以生成至少一目標參數,即可依據至少一目標參數動態調整對應的製造設備資訊的製造參數。
藉由此一技術手段可以來解決先前技術所存在製造設備的製造參數不具備智能化調整的問題,進而達成提供製造設備的製造參數具備智能化調整的技術功效。
雖然本發明所揭露的實施方式如上,惟所述的內容並非用以直接限定本發明的專利保護範圍。任何本發明所屬技術領域中具有通常知識者,在不脫離本發明所揭露的精神和範圍的前提下,可以在實施的形式上及細節上作些許的更動。本發明的專利保護範圍,仍須以所附的申請專利範圍所界定者為準。
10:製造設備
20:參數計算裝置
21:參數資料庫
22:接收模組
23:查詢模組
24:類神經網路計算模組
25:參數選取模組
26:傳送模組
31:製造參數紀錄數據
32:數據映像結果網格圖
33:製造參數
40:DeepFM模型
步驟 101:儲存儲存時間、製造設備資訊、生產產品資訊以及對應的一組製造參數紀錄數據
步驟 102:接收製造設備資訊以及生產產品資訊
步驟 103:依據製造設備資訊以及生產產品資訊對應查詢出符合預設數量的該組製造參數紀錄數據
步驟 104:將製造設備資訊的製造參數設定數量乘以製造設備資訊的製造參數設定數量以建置自組織映像網路,將被查詢出的所有該組製造參數紀錄數據與製造設備資訊的製造參數對應的製造參數輸入至自組織映像網路以生成數據映像結果網格圖
步驟 105:選取數據映像結果網格圖中最高的網格映像數量所對應的該組製造參數紀錄數據為製造設備資訊的製造參數
步驟 106:傳送製造設備資訊的製造參數至製造設備以依據製造設備資訊的製造參數進行產品的生產製造
步驟 107:自製造設備接收一組檢測參數,其中該組檢測參數透過設置於製造設備的感測器檢測得到
步驟 108:將製造設備資訊的製造參數中選定至少一目標參數為輸出參數以及造設備資訊的製造參數中未被選定的製造參數與該組檢測參數為輸入參數建置DeepFM模型,再將被查詢出的該組製造參數紀錄數據依據預設比率分為訓練參數集合以及測試參數集合,將訓練參數集合對DeepFM模型進行訓練,再將測試參數集合對被訓練好的DeepFM模型進行驗證,經過訓練與驗證的DeepFM模型所輸出的輸出參數並配合輸入參數以生成至少一目標參數
步驟 109:傳送至少一目標參數至製造設備以依據至少一目標參數動態調整對應的製造設備資訊的製造參數
第1圖繪示為本發明製造設備製造參數調整控制系統的系統方塊圖。
第2圖繪示為本發明製造設備製造參數調整控制的製造參數紀錄數據示意圖。
第3圖繪示為本發明製造設備製造參數調整控制的數據映像結果網格圖。
第4圖繪示為本發明製造設備製造參數調整控制的製造參數示意圖。
第5圖繪示為本發明製造設備製造參數調整控制的DeepFM模型示意圖。
第6A圖以及第6B圖繪示為本發明製造設備製造參數調整控制方法的方法流程圖。
10:製造設備
20:參數計算裝置
21:參數資料庫
22:接收模組
23:查詢模組
24:類神經網路計算模組
25:參數選取模組
26:傳送模組
27:儲存模組
Claims (10)
- 一種製造設備製造參數調整控制系統,其包含: 一參數資料庫,用以儲存一儲存時間、一製造設備資訊、一生產產品資訊以及對應的一組製造參數紀錄數據; 一接收模組,用以接收所述製造設備資訊以及所述生產產品資訊,以及自一製造設備接收一組檢測參數,其中該組檢測參數透過設置於所述製造設備的感測器檢測得到; 一查詢模組,用以依據所述接收模組所接收到的所述製造設備資訊以及所述生產產品資訊對應查詢出符合預設數量的該組製造參數紀錄數據; 一類神經網路計算模組,將所述製造設備資訊的製造參數設定數量乘以所述製造設備資訊的製造參數設定數量以建置一自組織映像網路(Self-Organizing Map,SOM),將被查詢出的所有該組製造參數紀錄數據中與所述製造設備資訊的製造參數對應的製造參數輸入至所述自組織映像網路以生成一數據映像結果網格圖;及將所述製造設備資訊的製造參數中選定至少一目標參數為輸出參數以及所述製造設備資訊的製造參數中未被選定的製造參數與該組檢測參數為輸入參數建置DeepFM模型,再將被查詢出的該組製造參數紀錄數據依據預設比率分為一訓練參數集合以及一測試參數集合,將所述訓練參數集合對所述DeepFM模型進行訓練,再將所述測試參數集合對被訓練好的所述DeepFM模型進行驗證,經過訓練與驗證的所述DeepFM模型所輸出的輸出參數進行非線性回歸並配合輸入參數以生成所述至少一目標參數; 一參數選取模組,用以選取所述數據映像結果網格圖中最高的網格映像數量所對應的該組製造參數紀錄數據為所述製造設備資訊的製造參數;及 一傳送模組,用以傳送所述製造設備資訊的製造參數至所述製造設備以使用所述製造設備資訊的製造參數進行產品的生產製造;傳送所述至少一目標參數至所述製造設備以依據所述至少一目標參數動態調整對應的所述製造設備資訊的製造參數。
- 如請求項1所述的製造設備製造參數調整控制系統,其中所述參數選取模組更包含選取所述數據映像結果網格圖中前N高的網格映像數量所對應的該組製造參數紀錄數據以對各別的製造參數進行平均以生成所述製造設備資訊的製造參數,其中N為大於等於2的正整數。
- 如請求項1所述的製造設備製造參數調整控制系統,其中所述查詢模組更包含定時查詢出符合預設數量的該組製造參數紀錄數據,所述類神經網路計算模組更包含定時對所述DeepFM模型重新進行訓練。
- 如請求項1所述的製造設備製造參數調整控制系統,其中所述DeepFM模型中模型建構的數據包含設定學習率(learning rate)為0.01並使用指數下降、設定反覆運算次數(epoch)為600、設定批次大小(batch size)為16、設定正規化係數(regression rate)為0.001、設定Deep層網路大小為[300, 100, 50]、設定Concat層網路大小為[30, 3]、設定embedding層網路大小為[200]、設定梯度優化方法採用AdaDelta梯度下降方法以及設定損失函數採用 Huber loss函數。
- 如請求項1所述的製造設備製造參數調整控制系統,其中所述傳送模組是透過Tensorflow-Serving進行服務的部署以傳送所述至少一目標參數至所述製造設備以依據所述至少一目標參數動態調整對應的所述製造設備資訊的製造參數。
- 一種製造設備製造參數調整控制方法,其包含下列步驟: 儲存一儲存時間、一製造設備資訊、一生產產品資訊以及對應的一組製造參數紀錄數據; 接收一製造設備資訊以及一生產產品資訊; 依據所述製造設備資訊以及所述生產產品資訊對應查詢出符合預設數量的該組製造參數紀錄數據; 將所述製造設備資訊的製造參數設定數量乘以所述製造設備資訊的製造參數設定數量以建置一自組織映像網路(Self-Organizing Map,SOM),將被查詢出的所有該組製造參數紀錄數據與所述製造設備資訊的製造參數對應的製造參數輸入至所述自組織映像網路以生成一數據映像結果網格圖; 選取所述數據映像結果網格圖中最高的網格映像數量所對應的該組製造參數紀錄數據為所述製造設備資訊的製造參數; 傳送所述製造設備資訊的製造參數至一製造設備以依據所述製造設備資訊的製造參數進行產品的生產製造; 自所述製造設備接收一組檢測參數,其中該組檢測參數透過設置於所述製造設備的感測器檢測得到; 將所述製造設備資訊的製造參數中選定至少一目標參數為輸出參數以及所述製造設備資訊的製造參數中未被選定的製造參數與該組檢測參數為輸入參數建置DeepFM模型,再將被查詢出的該組製造參數紀錄數據依據預設比率分為一訓練參數集合以及一測試參數集合,將所述訓練參數集合對所述DeepFM模型進行訓練,再將所述測試參數集合對被訓練好的所述DeepFM模型進行驗證,經過訓練與驗證的所述DeepFM模型所輸出的輸出參數進行非線性回歸並配合輸入參數以生成所述至少一目標參數;及 傳送所述至少一目標參數至所述製造設備以依據所述至少一目標參數動態調整對應的所述製造設備資訊的製造參數。
- 如請求項6所述的製造設備製造參數調整控制方法,其中所述製造設備製造參數調整控制方法更包含選取所述數據映像結果網格圖中前N高的網格映像數量所對應的該組製造參數紀錄數據以對各別的製造參數進行平均以生成所述製造設備資訊的製造參數,其中N為大於等於2的正整數的步驟。
- 如請求項6所述的製造設備製造參數調整控制方法,其中所述製造設備製造參數調整控制方法更包含定時查詢出符合預設數量的該組製造參數紀錄數據以定時對所述DeepFM模型重新進行訓練的步驟。
- 如請求項6所述的製造設備製造參數調整控制方法,其中所述DeepFM模型中模型建構的數據包含設定學習率(learning rate)為0.01並使用指數下降、設定反覆運算次數(epoch)為600、設定批次大小(batch size)為16、設定正規化係數(regression rate)為0.001、設定Deep層網路大小為[300, 100, 50]、設定Concat層網路大小為[30, 3]、設定embedding層網路大小為[200]、設定梯度優化方法採用AdaDelta梯度下降方法以及設定損失函數採用 Huber loss函數。
- 如請求項6所述的製造設備製造參數調整控制方法,其中傳送所述至少一目標參數至所述製造設備以依據所述至少一目標參數動態調整對應的所述製造設備資訊的製造參數的步驟是透過Tensorflow-Serving進行服務的部署以傳送所述至少一目標參數至所述製造設備以依據所述至少一目標參數動態調整對應的所述製造設備資訊的製造參數。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109142252A TWI749925B (zh) | 2020-12-01 | 2020-12-01 | 製造設備製造參數調整控制系統及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109142252A TWI749925B (zh) | 2020-12-01 | 2020-12-01 | 製造設備製造參數調整控制系統及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI749925B TWI749925B (zh) | 2021-12-11 |
TW202223560A true TW202223560A (zh) | 2022-06-16 |
Family
ID=80681294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109142252A TWI749925B (zh) | 2020-12-01 | 2020-12-01 | 製造設備製造參數調整控制系統及其方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI749925B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358966B (zh) * | 2022-03-16 | 2022-06-17 | 希望知舟技术(深圳)有限公司 | 一种基于机器学习的生产排产方法、装置及存储介质 |
CN114663250B (zh) | 2022-04-02 | 2022-08-16 | 成都秦川物联网科技股份有限公司 | 双独立平台式工业物联网系统及其控制方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004097703A1 (ja) * | 2003-05-02 | 2004-11-11 | Fujitsu Limited | 製造工程解析支援方法、その方法をコンピュータに実行させるプログラム、プログラムプロダクトおよび記録媒体 |
US8380642B2 (en) * | 2008-12-03 | 2013-02-19 | Schlumberger Technology Corporation | Methods and systems for self-improving reasoning tools |
EP2413205B1 (en) * | 2009-03-27 | 2014-04-09 | Honda Motor Co., Ltd. | Controller for plant |
EP2568348A1 (de) * | 2011-09-06 | 2013-03-13 | Siemens Aktiengesellschaft | Unterstützung der Fehlerdiagnose einer Industrieanlage |
EP2920658B1 (en) * | 2012-11-19 | 2019-03-27 | Siemens Corporation | Resilient optimization and control for distributed systems |
US9535808B2 (en) * | 2013-03-15 | 2017-01-03 | Mtelligence Corporation | System and methods for automated plant asset failure detection |
US11774944B2 (en) * | 2016-05-09 | 2023-10-03 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for the industrial internet of things |
WO2018184204A1 (en) * | 2017-04-07 | 2018-10-11 | Intel Corporation | Methods and systems for budgeted and simplified training of deep neural networks |
US20190205736A1 (en) * | 2017-12-29 | 2019-07-04 | Intel Corporation | Compute optimization mechanism for deep neural networks |
US20190302707A1 (en) * | 2018-03-28 | 2019-10-03 | Mitsubishi Electric Research Laboratories, Inc. | Anomaly Detection in Manufacturing Systems Using Structured Neural Networks |
TWI684080B (zh) * | 2018-06-21 | 2020-02-01 | 高聖精密機電股份有限公司 | 智慧型調整系統及其方法 |
-
2020
- 2020-12-01 TW TW109142252A patent/TWI749925B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI749925B (zh) | 2021-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107276816B (zh) | 一种基于云服务的远程监测与故障诊断系统及故障诊断方法 | |
TW202223560A (zh) | 製造設備製造參數調整控制系統及其方法 | |
CN109978403B (zh) | 一种产品装配过程的质量管控方法、装置及设备 | |
WO2020077672A1 (zh) | 一种服务质量评估模型的训练方法及装置 | |
CN101286807B (zh) | 一种基于接收机干扰的认知无线电网络ofdm频谱分配方法 | |
CN104822003B (zh) | 参数设置系统和参数设置装置 | |
CN109088785A (zh) | 一种idc数据中心设备管理系统 | |
CN110390020A (zh) | 语义网关的建模方法和语义网关 | |
CN111126621A (zh) | 在线模型训练方法及装置 | |
CN114357676A (zh) | 一种针对层次化模型训练框架的聚合频率控制方法 | |
CN114040425A (zh) | 一种基于全局资源效用率优化的资源分配方法 | |
CN110601916A (zh) | 一种基于机器学习的流量采样和应用感知的系统 | |
CN104102195B (zh) | 一种存在通信延时的离散事件系统分布式监督控制方法 | |
CN102291276B (zh) | 网络系统中心跳信息的调整方法和系统 | |
JP5362913B2 (ja) | 通信ネットワークにおける方法および構成 | |
CN103957528A (zh) | 一种基于认知无线电的多策略动态频谱接入方法 | |
CN108370404B (zh) | 颜色转换表的创建方法 | |
CN104112035A (zh) | 基于效用和模糊理论的产品设计协同决策方法 | |
CN103281555A (zh) | 基于半参考评估的视频流业务QoE客观评估方法 | |
CN116580824A (zh) | 基于联邦图机器学习的跨地域医疗合作预测方法 | |
CN114547785A (zh) | 制造设备制造参数调整控制系统及其方法 | |
CN115250156A (zh) | 一种基于联邦学习的无线网络多信道频谱接入方法 | |
CN103383743A (zh) | 一种色度空间变换方法 | |
CN114298319A (zh) | 联合学习贡献值的确定方法、装置、电子设备及存储介质 | |
CN114139688A (zh) | 基于马尔可夫链共识的工业物联网分布式联邦学习方法 |