TWI600987B - Method of constructing processing expert system and electronic device using the method - Google Patents
Method of constructing processing expert system and electronic device using the method Download PDFInfo
- Publication number
- TWI600987B TWI600987B TW105137243A TW105137243A TWI600987B TW I600987 B TWI600987 B TW I600987B TW 105137243 A TW105137243 A TW 105137243A TW 105137243 A TW105137243 A TW 105137243A TW I600987 B TWI600987 B TW I600987B
- Authority
- TW
- Taiwan
- Prior art keywords
- processing
- expert system
- objective function
- constructing
- function
- Prior art date
Links
Description
本發明係關於一種專家系統，特別係一種建構加工專家系統的方法及使用此方法的電子裝置。
因應於不同產品特性，CNC工具機進行加工時通常會以切削速度（speed）、幾何精度（accuracy）及表面品質（surface quality）等性能指標作為加工需求目標。而影響這些性能指標的因素有很多種，其中CNC控制器運作時所使用之加工參數（例如，最大加速度、加加速度、轉角速度等）對加工結果影響甚多，因此該CNC控制器即扮演著該加工結果是否能符合加工需求目標的重要角色。傳統CNC控制器的控制參數通常係選用出廠時的標準設定，使用者很少會進一步考慮機台的組裝製成、機械特性、加工目標來動態地調整控制器加工參數。而隨著社會與科技的演進，現今加工產品已逐漸朝向少量、樣式多元及作工精緻等趨勢發展，客戶更有許多客製化的要求，套用標準設定的單一控制器加工參數通常無法達到預設的加工需求目標。雖然使用者可依據經驗或使用廠商所提供的資料來自行調整控制器加工參數，但使用者可能需要多次反覆試驗且廠商的資料甚少，最後不僅造成使用者的困擾與不便，更可能影響加工效率與品質。由此可知，如何建構一種適用於CNC控制器的加工專家系統，以提供較佳的控制器加工參數來達到所欲的加工需求目標是相關業者努力的目標之一。
有鑑於上述之缺失，本發明之目的在於提供一種建構加工專家系統的方法及使用此方法的電子裝置，其能有效率地得出控制器加工參數與加工特性之間的對應關係。
為達成上述目的，本發明提供一種建構加工專家系統的方法，該加工專家系統適用於一CNC工具機，而該建構加工專家系統的方法包括下列步驟：取得多組實際運作樣本，其中每一該實際運作樣本包含有多個既有控制參數及對應之多個加工特性，而該CNC工具機係基於該些既有控制參數得出具有該些加工特性的結果，該些加工特性包含有一加工時間、一輪廓誤差及一追蹤誤差；依據該些實際運作樣本並透過一機器學習演算法得出一目標函數，以建構該加工專家系統，其中該目標函數可依據三加工需求指標得出該CNC工具機的多個控制器加工參數，而該三加工需求指標係一速度指標、一精度指標及一表面品質指標。
此外，本發明另一提供一種電子裝置，適用於建構一加工專家系統，該加工專家系統可應用於一CNC工具機，而該電子裝置包含有一輸入單元、以及一處理單元耦接該輸入單元；該輸入單元用以取得多組實際運作樣本，其中每一該實際運作樣本包含有多個既有控制參數及對應之多個加工特性，而該CNC工具機係基於該些既有控制參數得出具有該些加工特性的結果，該些加工特性包含有一加工時間、一輪廓誤差及一追蹤誤差；該處理單元，耦接該輸入單元，該處理單元依據該些實際運作樣本並透過一機器學習演算法得出一目標函數，以建構該加工專家系統，其中該目標函數可依據三加工需求指標得出該CNC工具機的多個控制器加工參數，而該三加工需求指標係一速度指標、一精度指標及一表面品質指標。
藉由該機器學習演算法，本發明可自該些實際運作樣本中自動且有效率地分析控制器加工參數與加工特性之間的對應關係，從而建構出能基於該三加工需求指標精確預測出控制器加工參數的加工專家系統。
請參照第1圖係本發明一較佳實施例的電子裝置1，其包含有一顯示單元10、一輸入單元30、一處理單元50耦接該顯示單元10及該輸入單元30、以及一儲存單元70耦接該處理單元50。該電子裝置1可以係個人電腦、筆記型電腦、智慧型手機、平板電腦、伺服器等裝置，亦可內建於一CNC工具機（圖未示）中。
該顯示單元10可以係LCD、LED等類型的視訊顯示單元，該顯示單元10並用以顯示一使用者介面供使用者操作，該使用者介面待後續實施例詳細說明。
該輸入單元30可以係可透過無線信號、光纖、纜線或匯流排等傳輸媒介接收資料的任何類型單元（例如，行動通訊單元、乙太網路模組、藍芽模組、匯流排埠等）。該輸入單元30亦可以結合電容式、電阻式等類型的觸控面板、按鈕、鍵盤或滑鼠等，以接收使用者對於該使用者介面上的輸入操作所取得之輸入資訊。
該處理單元50可以係中央處理單元、晶片或其他可程式化之一般用途或特殊用途的微控制器等具有訊號處理、參數運算等功能的類似元件或上述元件的組合，該處理單元50用以控制該電子裝置1的所有功能運作。
該儲存單元70可以係隨機存取記憶體、快閃記憶體、唯讀記憶體、可抹除可編程唯讀記憶體或電子抹除式可複寫唯讀記憶體等類型的儲存媒介，該儲存單元70用以儲存用於該CNC工具機的各種控制參數（例如，最大加速度、加加速度（jerk）、轉角速度等CNC控制器（圖未示）加工參數、直線、方形以及圓形加工軌跡、透過該CNC工具機之光學尺（圖未示）所取得之加工路徑（即座標位置資訊）等）、該輸入資訊、多組實際運作樣本等參數及資料。每一該實際運作樣本包含有多個既有控制參數及對應之多個加工特性（例如，一加工時間、一輪廓誤差及一追蹤誤差等），而該CNC工具機之CNC控制器係基於每一該既有控制參數中的控制器加工參數而實際運作後得出具有對應之加工特性的結果。
前述說明是相關於該電子裝置1之結構與元件設計，以下將搭配第2圖進一步說明該電子裝置1的建構加工專家系統的方法，此加工專家系統適用於該CNC工具機。
請參照第2圖，在步驟S21中，該處理單元50透過該輸入單元30取得多組實際運作樣本。例如，該處理單元50透過該輸入單元30而自網際網路、儲存設備、其他電子裝置或使用者輸入資料等方式取得該些實際運作樣本。需說明的是，該輸入單元30接收資料的實施範例可能有很多種，只要能使該處理單元50取得該些實際運作樣本即可。
該處理單元50取得該CNC控制器實際運作下的該些實際運作樣本之後，即可進一步分析該些加工特性及該些既有控制參數之間的對應關係，以得知控制器加工參數的變動對於每一該加工特性的影響趨勢。而能夠理解前述對應關係及影響趨勢的系統便係適用於該CNC控制器的加工專家系統。本發明即係藉由該處理單元50依據該些實際運作樣本並透過一機器學習演算法得出一目標函數，以建構該加工專家系統（步驟S23）。該加工專家系統所載入的目標函數便係能依據三加工需求指標得出該CNC工具機的多個控制器加工參數。而該三加工需求指標即係相關於加工效能指標的一速度指標、一精度指標及一表面品質指標。
值得注意的是，本實施例的機器學習演算法係採用一倒傳遞類神經網路演算法。該倒傳遞類神經網路演算法係一種模仿生物神經網路架構發展出來的演算法，其係基於一監督式學習。而該處理單元50便係透過該監督式學習並依據該些實際運作樣本得出該些加工特性（輸出層神經元）與該些既控制參數（輸入層神經元）之間的所有連結權重（包含隱藏層神經元），該處理單元50並基於該些連接權重建構該目標函數。而前述建構方式請參照第3圖，該處理單元50初始化該些連接權重，並基於該些既有控制參數及該些連接權重而得出多個預估特性（例如，一預估加工時間、一預估輪廓誤差及一預估追蹤誤差等）。該處理單元50計算該些加工特性及該些預估特性之間的預估誤差，並透過最小化該些實際運作樣本的預估誤差而調整該些連接權重，最終該處理單元50可得出該目標函數。相較於利用經驗法則或廠商資料，本發明透過該機器學習演算法能更有效率地分析出不同情況下的控制器加工參數會產生何種加工特性。
需說明的是，該機器學習演算法事實上有很多種，諸如支援向量機、決策樹、線性回歸等演算法皆可應用於建構該目標函數或形成一目標模型，而該些實際運作樣本之內容則需依據不同演算法而調整。
在建構出具有該目標函數的加工專家系統之後，本發明更提供使用者介面以方便使用者操作該電子裝置1所載入之加工專家系統。於本實施例中，該處理單元50透過該顯示單元10顯示具有該三加工需求指標的一使用者介面。由於該三加工需求指標彼此相互牴觸，因此實際的加工結果並無法同時讓該三加工需求指標皆達到最高的偏好需求量。例如，第4圖係一較佳實施例的使用者介面80，該使用者介面80具有一以該速度指標、該精度指標及該表面品質指標為頂點的三角形區域81。使用者可在該三角形區域81中選取對於該三加工需求指標的一目標位置P，此目標位置P即代表該使用者對於每一該加工需求指標的偏好需求量。
需說明的是，該三角形區域81之界定係由於該三加工需求指標彼此的對應關係，然該使用者介面80的變化可能有很多種，其可能係可調整該些偏好需求量之百分比的介面、供選項直接輸入該些偏好需求量之介面等。
而當使用者選取該三角形區域81中的目標位置P時，該處理單元50可透過該輸入單元30接收在該使用者介面上80對應於該三加工需求指標的一輸入資訊，該輸入資訊即係該三角形區域81中的該目標位置P。
接著，該處理單元50依據該輸入資訊並透過一最佳化演算法計算該目標函數之結果，以得出對應於該輸入資訊的該些控制器加工參數。於本實施例中，該最佳化演算法之目標函數定義為方程式(1)：
…(1)
為該目標函數，
r為該目標位置P與三頂點位置之間的距離（
、
、
）之倒數（即
，
i為1、2、3），
為一加工時間函數（直線、方形與圓形加工軌跡之加工時間的平均），
為一輪廓誤差函數（方形與圓形加工軌跡之輪廓誤差的平均），
為一追蹤誤差函數（直線、方形與圓形加工軌跡之追蹤誤差的平均）。
該處理單元50計算該目標位置P與三頂點位置之間的距離之倒數（
、
、
），以作為該三加工需求指標的權重值（即偏好需求量）。而本實施例的最佳化演算法係採用一粒子群最佳化演算法，該處理單元50並依據該些權重值而透過該粒子群最佳化演算法計算該目標函數之最小值（並限制該CNC控制器之多個加工參數的範圍）的結果，以得出該些控制器加工參數（例如，該CNC控制器之加工參數）。例如，該處理單元50依據該目標函數定義一解空間，初始化多個粒子之在該解空間中的位置（即解或結果）及速度，並評估該些粒子的適應值以決定是否更新該些粒子的最佳位置及該些粒子所組成之群體的最佳位置而移動該些粒子，並迭代演算搜尋找到該些粒子的最佳位置以作為該些控制參數。
需說明的是，該粒子群最佳化演算法係一種利用群體智慧所發展出來的演算法，其能夠在最佳化的問題中得出最佳解，並有效地節省成本與時間。然該最佳化演算法事實上有很多種，於其他實施例中，最佳化演算法亦可依據需求而變更為模擬退化、基因等類型的演算法，而該目標函數及該些權重值需適當調整以符合對應演算法。
該處理單元50便可透過該顯示單元10在該使用者介面80的一訊息顯示欄位83中顯示該些控制器加工參數，或者透過一通訊單元（圖未示，例如利用USB、WiFi等有線或無線通訊技術）將該些控制器加工參數傳送並設定於該CNC工具機的CNC控制器。
而由於該三角形區域81中不同位置對應於該三加工需求指標之不同偏好需求量，因此使用者可選取的偏好需求量之組合有非常多種，即便使用者透過經驗法則或廠商資料亦難以推論出精確的對應控制器加工參數（即該三加工需求指標與基於該些控制器加工參數所產生之加工特性相差過大）。反觀本發明實施例結合該機器學習演算法及該最佳化演算法，其可基於部份已知的實際運作樣本而推算出特定數值範圍內的不同控制器加工參數與該三加工需求指標之間對應連結（即該目標函數），再快速地推算出該目標函數之最佳結果以作為對應的控制器加工參數。藉此，使用者只要依據所欲之加工需求指標輕鬆地選取該三角形區域81中的目標位置P，該處理單元50便可快速地得出精確的控制器加工參數（即該三加工需求指標接近基於該些控制器加工參數所產生之加工特性），更能進一步提昇該CNC控制器的性能、加工效率及加工品質。
上述僅為本發明實施例的說明，不可用來限制本發明的專利範圍，舉凡未超脫本發明精神所作的簡易結構潤飾或變化，仍應屬於本發明申請專利範圍涵蓋的範疇。
1‧‧‧加工專家系統
10‧‧‧顯示單元
30‧‧‧輸入單元
50‧‧‧處理單元
70‧‧‧儲存單元
S21～S23‧‧‧步驟
80‧‧‧使用者介面
81‧‧‧三角形區域
83‧‧‧訊息顯示欄位
P‧‧‧目標位置
‧‧‧距離
第1圖係本發明一較佳實施例之加工專家系統的元件方塊圖。 第2圖係本發明一較佳實施例之建構加工專家系統的方法的流程圖。 第3圖係本發明一較佳實施例之倒傳遞神經網路學習架構之示意圖。 第4圖係本發明一較佳實施例之使用者介面的示意圖。
S21~S23‧‧‧步驟
Claims (4)
- 一種建構加工專家系統的方法，該加工專家系統適用於一CNC工具機，而該建構加工專家系統的方法包括下列步驟：取得多組實際運作樣本，其中每一該實際運作樣本包含有多個既有控制參數及對應之多個加工特性，而該CNC工具機係基於該些既有控制參數得出具有該些加工特性的結果，該些加工特性包含有一加工時間、一輪廓誤差及一追蹤誤差；以及依據該些實際運作樣本並透過一倒傳遞類神經網路演算法得出一目標函數，以建構該加工專家系統，包括：基於該些既有控制參數得出多個預估特性；計算該些加工特性及該些預估特性之間的預估誤差；以及最小化該些實際運作樣本的預估誤差以得出該目標函數，其中該目標函數可依據三加工需求指標得出該CNC工具機的多個控制器加工參數，而該三加工需求指標係一速度指標、一精度指標及一表面品質指標。
- 如請求項1所述建構加工專家系統的方法，其中該目標函數係f(.)=r 1 f 1+r 2 f 2+r 3 f 3，f(.)為該目標函數，r 1、r 2、r 3為該三加工需求指標的權重值，f 1為一加工時間函數，f 2為一輪廓誤差函數，且f 3為一追蹤誤差函數。
- 一種電子裝置，適用於建構一加工專家系統，該加工專家系統可應用於一CNC工具機，而該電子裝置包含有：一輸入單元，用以取得多組實際運作樣本，其中每一該實際運作樣本包含有多個既有控制參數及對應之多個加工特性，而該CNC工具機係基於該些既有 控制參數得出具有該些加工特性的結果，該些加工特性包含有一加工時間、一輪廓誤差及一追蹤誤差；以及一處理單元，耦接該輸入單元，該處理單元依據該些實際運作樣本並透過一倒傳遞類神經網路演算法，基於該些既有控制參數得出多個預估特性，該處理單元計算該些加工特性及該些預估特性之間的預估誤差，該處理單元並最小化該些實際運作樣本的預估誤差得出一目標函數，以建構該加工專家系統，其中該目標函數可依據三加工需求指標得出該CNC工具機的多個控制器加工參數，而該三加工需求指標係一速度指標、一精度指標及一表面品質指標。
- 如請求項3所述的電子裝置，其中該目標函數係f(.)=r 1 f 1+r 2 f 2+r 3 f 3，f(.)為該目標函數，r 1、r 2、r 3為該三加工需求指標的權重值，f 1為一加工時間函數，f 2為一輪廓誤差函數，且f 3為一追蹤誤差函數。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW105137243A TWI600987B (zh) | 2016-11-15 | 2016-11-15 | Method of constructing processing expert system and electronic device using the method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW105137243A TWI600987B (zh) | 2016-11-15 | 2016-11-15 | Method of constructing processing expert system and electronic device using the method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI600987B true TWI600987B (zh) | 2017-10-01 |
| TW201818169A TW201818169A (zh) | 2018-05-16 |
Family
ID=61011333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW105137243A TWI600987B (zh) | 2016-11-15 | 2016-11-15 | Method of constructing processing expert system and electronic device using the method |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI600987B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110873699A (zh) * | 2018-08-30 | 2020-03-10 | 广东生益科技股份有限公司 | 粘结片的在线质量控制方法、装置、系统和存储介质 |
| FI20195790A1 (en) * | 2019-09-20 | 2021-03-21 | Maillefer Extrusion Oy | QUALITY FORECAST BASED ON MACHINE LEARNING OF MANUFACTURED FIBER OPTIC CABLE |
| TWI737497B (zh) * | 2020-09-18 | 2021-08-21 | 中國鋼鐵股份有限公司 | 品質設計方法與電子裝置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0359378A2 (en) * | 1988-09-12 | 1990-03-21 | Ford Motor Company Limited | Artificial intelligence for adaptive machining control of surface finish |
| US20030187624A1 (en) * | 2002-03-27 | 2003-10-02 | Joze Balic | CNC control unit with learning ability for machining centers |
| CN101738981A (zh) * | 2009-12-04 | 2010-06-16 | 清华大学 | 基于机器学习的机器人磨削方法 |
| TW201518887A (zh) * | 2013-11-01 | 2015-05-16 | Ind Tech Res Inst | 工作機械控制系統及其方法 |
-
2016
- 2016-11-15 TW TW105137243A patent/TWI600987B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0359378A2 (en) * | 1988-09-12 | 1990-03-21 | Ford Motor Company Limited | Artificial intelligence for adaptive machining control of surface finish |
| US20030187624A1 (en) * | 2002-03-27 | 2003-10-02 | Joze Balic | CNC control unit with learning ability for machining centers |
| CN101738981A (zh) * | 2009-12-04 | 2010-06-16 | 清华大学 | 基于机器学习的机器人磨削方法 |
| TW201518887A (zh) * | 2013-11-01 | 2015-05-16 | Ind Tech Res Inst | 工作機械控制系統及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201818169A (zh) | 2018-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6583070B2 (ja) | 設定支援装置、設定支援方法、情報処理プログラム、および記録媒体 | |
| US10552803B2 (en) | Systems and methods for determining a potential failure or other status of a robotic device | |
| TWI600988B (zh) | Machining expert system for CNC machine tool and controller processing parameters generation method | |
| TWI600987B (zh) | Method of constructing processing expert system and electronic device using the method | |
| US9513624B1 (en) | Methods and systems for multirobotic management | |
| TW202032437A (zh) | 物體位姿估計方法及裝置、電腦可讀儲存介質 | |
| JP2019066135A (ja) | 空調制御システム | |
| US10139840B2 (en) | System, device, and method for fluid dispensing control | |
| CN109213080B (zh) | 一种机床的控制方法及其装置 | |
| CN109693234B (zh) | 机器人跌倒预测方法、装置、终端设备及计算机存储介质 | |
| US20220004174A1 (en) | Predictive analytics model management using collaborative filtering | |
| JP2019505889A (ja) | コスト関数設計システム、コスト関数設計方法、およびコスト関数設計プログラム | |
| JP6844023B2 (ja) | 構築前関係を確立し、維持する方法およびシステム | |
| Gebhardt et al. | flapAssist: How the integration of VR and visualization tools fosters the factory planning process | |
| JP2021505990A (ja) | ツールパス仮想化および最適化システム、方法および装置 | |
| JP2019082874A (ja) | 設計支援装置及び設計支援システム | |
| US20170139908A1 (en) | Technology trend predicting method and system and non-transitory computer readable storage medium | |
| Costi et al. | Comparative analysis of model-based predictive shared control for delayed operation in object reaching and recognition tasks with tactile sensing | |
| CN116685996A (zh) | 化学配制剂的数据驱动的多标准优化 | |
| US10805433B2 (en) | System having a protocol independent configuration environment | |
| Cus et al. | Dynamic neural network approach for tool cutting force modelling of end milling operations | |
| WO2017199725A1 (ja) | 情報処理装置、情報処理方法、情報処理システム及び情報処理プログラム | |
| Alkadhim | Application of Computer Numerical Control Machine Based on Internet of Things System | |
| Andres et al. | Calibration and control of a redundant robotic workcell for milling tasks | |
| Dong et al. | Simulation-based comparison between two crane-bunk systems for loading work when considering energy-optimal motion planning |