TWI684839B - 扣件成型機之模具狀態診斷方法及其電腦程式產品 - Google Patents
扣件成型機之模具狀態診斷方法及其電腦程式產品 Download PDFInfo
- Publication number
- TWI684839B TWI684839B TW107143105A TW107143105A TWI684839B TW I684839 B TWI684839 B TW I684839B TW 107143105 A TW107143105 A TW 107143105A TW 107143105 A TW107143105 A TW 107143105A TW I684839 B TWI684839 B TW I684839B
- Authority
- TW
- Taiwan
- Prior art keywords
- mold
- sample
- pressure sensing
- sensing data
- target
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004590 computer program Methods 0.000 title claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 20
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000000465 moulding Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
- G07C3/146—Quality control systems during manufacturing process
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Manufacturing & Machinery (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
- General Factory Administration (AREA)
Abstract
一種扣件成型機之模具狀態診斷方法,包含:獲取扣件成型機和樣本模具處理樣本工件時之樣本壓力感測資料。進行模具狀態定義步驟,獲得對應至樣本壓力感測資料的複數個模具狀態。使用樣本壓力感測資料並根據自動編碼演算法建立編碼模型,編碼模型壓縮每一組樣本壓力感測資料為數組樣本編碼特徵。使用樣本編碼特徵和其對應之模具狀態建立模具狀態預測模型。使用扣件成型機和標的模具處理標的工件,獲得標的壓力感測資料。輸入標的壓力感測資料至編碼模型,獲得一組標的編碼特徵。輸入標的編碼特徵至預測模型,推估出標的模具之預測模具狀態。
Description
本發明是有關於一種模具狀態診斷方法,且特別是有關於一種扣件成型機之模具狀態診斷方法。
為了解決加工機在加工過程無法立即檢測加工品質的缺失,現有作法是利用一種預測系統,來在加工機進行加工作業的過程中來預測加工品質。
然而,不同加工機具有不同的運作方式與加工坊是,如何找出影響扣件成型機之加工品質的關鍵特徵,來作為提供預測系統的輸入值,以達到預測加工品質已成為相關業者努力的目標。
因此,本發明之一目的是在提供一種扣件成型機之模具狀態診斷方法,其可在扣件成型機的加工過程中快速取得模具狀態變化,進而能夠提早偵測出扣件成型機的異
常狀態。
根據本發明之上述目的,提出一種扣件成型機之模具狀態診斷方法,包含以下步驟。安裝至少一壓力感測器至扣件成型機上。安裝樣本模具至扣件成型機上。使用扣件成型機和樣本模具分別處理複數個樣本工件,而獲得複數組樣本壓力感測資料。進行模具狀態的定義步驟,以獲得一對一對應至樣本壓力感測資料的複數個模具狀態。使用樣本壓力感測資料並根據一自動編碼(Autoencoder)演算法建立編碼模型,其中編碼模型分別壓縮樣本壓力感測資料為複數組樣本編碼特徵,這些樣本編碼特徵一對一對應至該些模具狀態。使用樣本編碼特徵和其對應之模具狀態並根據推估演算法,來建立模具狀態預測模型。安裝標的模具至扣件成型機上。使用扣件成型機和標的模具分別處理數個標的工件,而獲得標的壓力感測資料。輸入標的壓力感測資料至編碼模型,以獲得一組標的編碼特徵。輸入標的編碼特徵至預測模型中,而推估出針對標的模具所對應之預測模具狀態。
根據本發明之上述目的,提出另一種扣件成型機之模具狀態診斷方法,包含以下步驟。獲取扣件成型機和樣本模具分別處理複數個樣本工件時之樣本壓力感測資料,其中組樣本壓力感測資料係由安裝在扣件成型機之壓力感測器所獲得。進行模具狀態的定義步驟,以獲得一對一對應至樣本壓力感測資料的複數個模具狀態。使用樣本壓力感測資料並根據一自動編碼(Autoencoder)演算法建立編碼模型,其中編碼模型分別壓縮樣本壓力感測資料為複數組樣
本編碼特徵,這些樣本編碼特徵一對一對應至該些模具狀態。使用樣本編碼特徵和其對應之模具狀態並根據推估演算法,來建立模具狀態預測模型。使用扣件成型機和標的模具分別處理數個標的工件,而獲得標的壓力感測資料。輸入標的壓力感測資料至編碼模型,以獲得一組標的編碼特徵。輸入標的編碼特徵至預測模型中,而推估出針對標的模具所對應之預測模具狀態。
依據本發明之一實施例,上述之編碼模型包含壓縮器以及解碼器。其中,壓縮器可將每一個樣本壓力感測資料以及標的壓力感測資料壓縮後形成一壓縮資料。解碼器可將壓縮資料解碼還原成對應每一個壓縮資料之解碼資料。
依據本發明之一實施例,上述之扣件成型機之模具狀態診斷方法更包含判斷該些壓縮資料是否可靠,其中解碼資料與其對應之樣本壓力感測資料的差異小於一門檻值時,壓縮資料可做為對應之樣本壓力感測資料之樣本編碼特徵。
依據本發明之一實施例,上述之推估演算法包括支持向量機(Support Vector Machines,SVM)演算法或深度神經網路(Deep neural network,DNN)演算法。
依據本發明之一實施例,上述之模具狀態的定義步驟包含將每一該些樣本模具之該組樣本壓力感測資料轉換成頻域訊號。進行判斷步驟,以根據頻域訊號獲得對應每一個樣本模具之模具狀態。
據本發明之一實施例,上述之壓力感測器是安
裝在扣件成型機的模座上。
根據本發明之上述目的,另提出一種用於診斷扣件成型機之模具狀態之電腦程式產品,當電腦載入此電腦程式產品並執行後,可完成前述之扣件成型機之模具狀態診斷方法。
由上述可知,本發明利用自動編碼演算法來建立編碼模型,並利用編碼模型尋找出能夠代表扣件成型機所取得的壓力感測資料之最適特徵,然後再利用最適特徵與專家評估之對應模具狀態建立預測模型。如此一來,當有不同的待測模具(標的模具)在使用期間所產生之壓力感測資料時,編碼模型可即時從壓力感測資料中找到標的編碼特徵,當標的編碼特徵輸入至預測模型中後,可準確預測出標的模具之模具狀態,進而達到節省資料處理時間、提早偵測出扣件成型機的異常狀態等目的。
100‧‧‧模具狀態診斷方法
101~110‧‧‧步驟
210‧‧‧壓力感測器
220‧‧‧模座
230‧‧‧樣本模具
300‧‧‧編碼模型
310‧‧‧壓縮器
320‧‧‧解碼器
500‧‧‧模具狀態診斷方法
501~507‧‧‧步驟
為了更完整了解實施例及其優點,現參照結合所附圖式所做之下列描述,其中:〔圖1〕係繪示依照本發明之一實施方式之一種扣件成型機之模具狀態診斷方法的流程示意圖;〔圖2〕係繪示依照本發明之一實施方式之一種扣件成型機之局部裝置示意圖;
〔圖3〕係繪示依照本發明之一實施方式之模具狀態示意圖;〔圖4〕係繪示依照本發明之一實施方式之編碼模型的運作示意圖;〔圖5〕係繪示依照本發明之一實施方式之編碼模型與預測模型的運作示意圖;以及〔圖6〕係繪示依照本發明之一實施方式之另一種扣件成型機之模具狀態診斷方法的流程示意圖。
請同時參照圖1及圖2,圖1係繪示依照本發明之一實施方式之一種扣件成型機之模具狀態診斷方法的流程示意圖,圖2係繪示依照本發明之一實施方式之一種扣件成型機之局部裝置示意圖。本實施方式之模具狀態診斷方法100主要包含以下步驟。首先,進行步驟101,以將至少一壓力感測器210安裝置至扣件成型機的模座220上。接著,進行步驟102,以將樣本模具230安裝至扣件成型機的模座220上。然後,進行步驟103,以使用扣件成型機和樣本模具230分別處理複數個樣本工件230,而獲得複數組樣本壓力感測資料。在一些實施例中,樣本壓力感測資料為鍛造力波形變化圖。在本實施例中,樣本壓力感測資料是當樣本模具220在進行扣件成形步驟時,由壓力感測器210所測得之壓力對時間的關係曲線圖。
請繼續參照圖1及圖2,在獲得樣本壓力感測資
料後,接著進行步驟104,以進行模具狀態的定義,進而獲得一對一對應至樣本壓力感測資料的數個模具狀態。在本實施例中,模具狀態的定義步驟包含將每一個樣本模具之樣本壓力感測資料轉換成頻域訊號。接著,再進行一判斷步驟,以根據頻域訊號獲得對應每一個樣本模具之模具狀態。請一併參照圖3,其係繪示依照本發明之一實施方式之模具狀態示意圖。圖3的特徵線趨勢代表樣本模具在使用時之模具狀態變化。在本示範例子中,模具狀態包含四種狀態,分別為第一狀態(Green)、第二狀態(Blue)、第三狀態(Yellow)以及第四狀態(Red)。其中,第一狀態是以尚未使用過的新樣本模具的初始狀態為基準,特徵線趨勢的振幅差異小於15%。第二狀態是相較於第一狀態,特徵線趨勢的振幅差異介於15~30%之間。第三狀態是相較於第一狀態,特徵線趨勢的振幅差異介於30~45%之間。第四狀態是相較於第一狀態,特徵線趨勢的振幅差異超過50%。在一些例子中,模具狀態示意圖可根據專家根據歷史資料(例如樣本壓力感測資料)所判斷之狀態。
請同時參照圖1及圖4,其中圖4係繪示依照本發明之一實施方式之編碼模型的運作示意圖。在獲得對應至樣本壓力感測資料的數個模具狀態後,可進行步驟105,使用樣本壓力感測資料並根據自動編碼(AutoEncoder)演算法建立編碼模型300。AutoEncoder演算法主要是使用對稱的模型結構,將原始資料進行壓縮和解壓縮資料訓練模型,當解壓縮後的資料趨近於原始資料,則在壓縮後所產生的資
料可直接作為原始資料的代表特徵。在本實施例中,編碼模型300可分別壓縮樣本壓力感測資料為複數個樣本編碼特徵,這些樣本編碼特徵一對一對應至該些模具狀態。AutoEncoder演算法的原理為本領域中的技術人員所熟知,故於此不再贅述。
請繼續參照圖1及圖4,編碼模型300包含壓縮器310以及解碼器320。其中,壓縮器310可將每一個樣本壓力感測資料壓縮後形成壓縮資料。解碼器320可將壓縮資料解碼還原成對應每一個壓縮資料之解碼資料。如圖4所示,若要判斷壓縮資料是否可作為代表樣本壓力感測資料的樣本編碼特徵,可透過比對解碼資料與其對應之樣本壓力感測資料的差異,若差異小於門檻值時,代表壓縮資料可做為對應之樣本壓力感測資料之樣本編碼特徵。若差異大於門檻值時,則調整編碼模型的相關參數。欲陳明者,步驟104及步驟105的可依實際需要而調動、結合或省略。
另請一併參照圖1及圖5,其中圖5係繪示依照本發明之一實施方式之編碼模型與預測模型的運作示意圖。在取得樣本編碼特徵及其對應的模具狀態後,可進行步驟106,以使用樣本編碼特徵和其對應之模具狀態並根據推估演算法,來建立模具狀態預測模型400。在一些例子中,推估演算法包括支持向量機(Support Vector Machines,SVM)演算法或深度神經網路(Deep neural network,DNN)演算法。其中,SVM演算法與DNN演算法的原理為本領域中的技術人員所熟知,故於此不再贅述。
請繼續參照圖1及圖5,在建立完模具狀態預測模型400後,可進行步驟107,將標的模具安裝至如圖2所示的模座220上。在本實施例中,標的模具為未知狀態之待預測的模具。接著,進行步驟108,以使用扣件成型機和標的模具分別處理數個標的工件,而獲得標的壓力感測資料。在本實施例中,標的壓力感測資料是當標的模具在進行扣件成形步驟時,由壓力感測器210所測得之壓力對時間的關係曲線圖。
請繼續參照圖1及圖5,在獲得標的壓力感測資料後,接著進行步驟109,輸入標的壓力感測資料至編碼模型300,以獲得標的編碼特徵,此標的編碼特徵可作為標的壓力感測資料的代表特徵。在獲得標的壓力感測資料後,可進行步驟110。在步驟110中,輸入標的編碼特徵至預測模型400中,而推估出針對標的模具所對應之預測模具狀態。
請再次參照圖1及圖5,本發明之模具狀態診斷方法100主要分為訓練階段以及推估階段。在訓練階段中,圖5之壓力感測資料為樣本壓力感測資料,而透過編碼模型將樣本壓力感測資料壓縮為樣本編碼特徵後,可將樣本編碼特徵連同專家根據歷史(樣本)資料所判斷的模具狀態,共同建立預測模型400。在預測模型400建立後,則可進入推估階段。在推估階段中,圖5之壓力感測資料為標的壓力感測資料,當一個未知狀態的標的模型在使用時,編碼模型同樣可將壓力感測器所取得的標的壓力感測資料壓縮為標的編碼特徵。使用標的編碼特徵作為預測模型400的輸入值後,
預測模型400則可推估出標的模型的模具狀態。
為了評估前述模具狀態診斷方法的效能,本發明先使用了56000筆資料用於建立預測模型,另使用了24000筆資料用於驗證,以評估模具狀態診斷方法之準確性。當使用SVM演算法來建立預測模型,且自動編碼(Autoencoder)演算法使用的層數為7、9及11時,使用兩個編碼特徵的預測準確度從80.15%增加到82.06%;若使用三個編碼特徵時,其預測狀態的準確度與兩個編碼特徵相似(81.65%、82.96%和84.76%)。當使用DNN演算法來建立預測模型,且隱藏層數量從8-12時,預測準確率從77.7%增加到93.4%。由此可知,不論是使用SVM演算法或DNN演算法來建立預測模型,只要透過自動編碼演算法來尋找建立預測模型所使用的特徵,均有良好的預測效果。
另請參照圖6,其係繪示依照本發明之一實施方式之另一種扣件成型機之模具狀態診斷方法的流程示意圖。本實施方式之模具狀態診斷方法500主要包含以下步驟。首先,進行步驟501,獲取扣件成型機和樣本模具分別處理複數個樣本工件時之樣本壓力感測資料,其中組樣本壓力感測資料係由安裝在如圖2所示之扣件成型機之模座220上的壓力感測器210所獲得。
接著,進行步驟502,以進行模具狀態的定義步驟,以獲得一對一對應至樣本壓力感測資料的複數個模具狀態。然後,進行步驟503,使用樣本壓力感測資料並根據自動編碼演算法建立如圖4及圖5所示之編碼模型300。接
著,進行步驟504,以使用樣本編碼特徵和其對應之模具狀態並根據推估演算法,來建立如圖5所示模具狀態預測模型400。在步驟504後,接著進行步驟505,以使用扣件成型機和標的模具分別處理數個標的工件,而獲得標的壓力感測資料。在步驟505後,接著進行步驟506,輸入標的壓力感測資料至如圖4及圖5所示之編碼模型300,以獲得標的編碼特徵。在獲得標的壓力感測資料後,可進行步驟507。在步驟507中,輸入標的編碼特徵至預測模型400中,而推估出針對標的模具所對應之預測模具狀態。
欲陳明者,圖6所示實施方式之步驟501、502、503、504、505、506及507的具體進行方式分別與圖1所示的步驟103、104、105、106、108、109及110相同,故於此不再贅述。
可理解的是,本發明之模具狀態診斷方法500為以上所述之實施步驟。上述實施例所說明的各實施步驟的次序可依實際需要而調動、結合或省略。上述實施例可利用電腦程式產品來實現,其可包含儲存有多個指令之機器可讀取媒體,這些指令可程式化(programming)電腦來進行上述實施例中的步驟。機器可讀取媒體可為但不限定於軟碟、光碟、唯讀光碟、磁光碟、唯讀記憶體、隨機存取記憶體、可抹除可程式唯讀記憶體(EPROM)、電子可抹除可程式唯讀記憶體(EEPROM)、光卡(optical card)或磁卡、快閃記憶體、或任何適於儲存電子指令的機器可讀取媒體。再者,本發明之實施例也可做為電腦程式產品來下載,其可藉由使
用通訊連接(例如網路連線之類的連接)之資料訊號來從遠端電腦轉移本發明之電腦程式產品至請求電腦。
由上述實施方式可知,由上述可知,本發明利用自動編碼演算法來建立編碼模型,並利用編碼模型尋找出能夠代表扣件成型機所取得的壓力感測資料之最適特徵,然後再利用最適特徵與專家評估之對應模具狀態建立預測模型。如此一來,當有不同的待測模具(標的模具)在使用期間所產生之壓力感測資料時,編碼模型可即時從壓力感測資料中找到標的編碼特徵,當標的編碼特徵輸入至預測模型中後,可準確預測出標的模具之模具狀態,進而達到節省資料處理時間、提早偵測出扣件成型機的異常狀態等目的。
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,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100‧‧‧模具狀態診斷方法
101~110‧‧‧步驟
Claims (10)
- 一種扣件成型機之模具狀態診斷方法,包含:安裝至少一壓力感測器至一扣件成型機上;安裝一樣本模具至該扣件成型機上;使用該扣件成型機和該樣本模具分別處理複數個樣本工件,而獲得複數組樣本壓力感測資料;進行一模具狀態的定義步驟,以獲得一對一對應至該些組樣本壓力感測資料的複數個模具狀態;使用該些組樣本壓力感測資料並根據一自動編碼(Autoencoder)演算法建立一編碼模型,其中該編碼模型分別壓縮該些組樣本壓力感測資料為複數組樣本編碼特徵,該些組樣本編碼特徵一對一對應至該些模具狀態;使用該些組樣本編碼特徵和其對應之該些模具狀態並根據一推估演算法,來建立一模具狀態預測模型;安裝一標的模具至該扣件成型機上;使用該扣件成型機和該標的模具分別處理一標的工件,而獲得一組標的壓力感測資料;輸入該組標的壓力感測資料至該編碼模型,以獲得一組標的編碼特徵;以及輸入該組標的編碼特徵至該預測模型中,而推估出針對該標的模具所對應之一預測模具狀態。
- 如申請專利範圍第1項所述之扣件成型機 之模具狀態診斷方法,其中該編碼模型包含一壓縮器以及一解碼器,其中該壓縮器可將每一該些樣本壓力感測資料以及標的壓力感測資料壓縮後形成一壓縮資料,該解碼器可將該些壓縮資料解碼還原成對應每一該些壓縮資料之一解碼資料。
- 如申請專利範圍第2項所述之扣件成型機之模具狀態診斷方法,更包含:比對解碼資料與其對應之該些樣本壓力感測資料的差異,其中當該解碼資料與其對應之該些樣本壓力感測資料的差異小於一門檻值時,該壓縮資料可做為對應之該些樣本壓力感測資料之該組樣本編碼特徵。
- 如申請專利範圍第1項所述之扣件成型機之模具狀態診斷方法,其中該推估演算法包括一支持向量機(Support Vector Machines,SVM)演算法或一深度神經網路(Deep neural network,DNN)演算法。
- 如申請專利範圍第1項所述之扣件成型機之模具狀態診斷方法,其中該模具狀態的定義步驟包含:將每一該些樣本模具之該組樣本壓力感測資料轉換成一頻域訊號;以及進行一判斷步驟,以根據該頻域訊號獲得對應每一該些樣本模具之該模具狀態。
- 如申請專利範圍第1項所述之扣件成型機之模具狀態診斷方法,其中該至少一壓力感測器是安裝在該扣件成型機的一模座上。
- 一種扣件成型機之模具狀態診斷方法,包含:獲取一扣件成型機和一樣本模具分別處理複數個樣本工件時之樣本壓力感測資料,其中該些組樣本壓力感測資料係由安裝在該扣件成型機之上的至少一壓力感測器所獲得;進行一模具狀態的定義步驟,以獲得一對一對應至該些組樣本壓力感測資料的複數個模具狀態;使用該些組樣本壓力感測資料並根據一自動編碼演算法建立一編碼模型,其中該編碼模型分別壓縮該些組樣本壓力感測資料為複數組樣本編碼特徵,該些組樣本編碼特徵一對一對應至該些模具狀態;使用該些組樣本編碼特徵和其對應之該些模具狀態並根據一推估演算法,來建立一模具狀態預測模型;使用該扣件成型機和一標的模具分別處理一標的工件,而獲得一組標的壓力感測資料;輸入該組標的壓力感測資料至該編碼模型,以獲得一組標的編碼特徵;以及輸入該組標的編碼特徵至該預測模型中,而推估出針 對該標的模具所對應之一預測模具狀態。
- 如申請專利範圍第7項所述之扣件成型機之模具狀態診斷方法,其中該編碼模型包含一壓縮器以及一解碼器,其中該壓縮器可將每一該些樣本壓力感測資料以及標的壓力感測資料壓縮後形成一壓縮資料,該解碼器可將該些壓縮資料解碼還原成對應每一該些壓縮資料之一解碼資料。
- 如申請專利範圍第8項所述之扣件成型機之模具狀態診斷方法,更包含:比對解碼資料與其對應之該些樣本壓力感測資料的差異,其中當該解碼資料與其對應之該些樣本壓力感測資料的差異小於一門檻值時,該壓縮資料可做為對應之該些樣本壓力感測資料之該組樣本編碼特徵。
- 一種用於診斷扣件成型機之模具狀態之電腦程式產品,當電腦載入此電腦程式產品並執行後,可完成如申請專利範圍第7項至第9項中任一項所述之扣件成型機之模具狀態診斷方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107143105A TWI684839B (zh) | 2018-11-30 | 2018-11-30 | 扣件成型機之模具狀態診斷方法及其電腦程式產品 |
CN201910795297.8A CN111260818B (zh) | 2018-11-30 | 2019-08-27 | 扣件成型机的模具状态诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107143105A TWI684839B (zh) | 2018-11-30 | 2018-11-30 | 扣件成型機之模具狀態診斷方法及其電腦程式產品 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI684839B true TWI684839B (zh) | 2020-02-11 |
TW202022515A TW202022515A (zh) | 2020-06-16 |
Family
ID=70413491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107143105A TWI684839B (zh) | 2018-11-30 | 2018-11-30 | 扣件成型機之模具狀態診斷方法及其電腦程式產品 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111260818B (zh) |
TW (1) | TWI684839B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160349737A1 (en) * | 2015-05-29 | 2016-12-01 | Chun-Tai Yen | Manufacturing efficiency optimization platform and tool condition monitoring and prediction method |
US20170308057A1 (en) * | 2014-10-31 | 2017-10-26 | Cloudbased Industry 4.0 Technologies Ag | Computer-implemented method for part analytics of a workpiece machined by at least one cnc machine |
JP2018081487A (ja) * | 2016-11-16 | 2018-05-24 | 東芝機械株式会社 | 工作機械およびその制御方法 |
TWI625615B (zh) * | 2016-11-29 | 2018-06-01 | 財團法人工業技術研究院 | 預測模型建立方法及其相關預測方法與電腦程式產品 |
CN108334033A (zh) * | 2018-02-28 | 2018-07-27 | 中国科学院重庆绿色智能技术研究院 | 基于物联网与机器学习的冲床组故障预测方法及其系统 |
TWI638251B (zh) * | 2017-01-20 | 2018-10-11 | 國立中興大學 | Modal detection system |
CN108803492A (zh) * | 2018-07-20 | 2018-11-13 | 南京梵科智能科技有限公司 | 一种数控机床刀头故障诊断系统 |
TW201841086A (zh) * | 2017-03-03 | 2018-11-16 | 日商電裝股份有限公司 | 診斷系統 |
CN108873814A (zh) * | 2018-06-25 | 2018-11-23 | 深圳精匠云创科技有限公司 | 监测系统、监测方法及存储设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102601166A (zh) * | 2012-03-05 | 2012-07-25 | 上海海事大学 | 一种基于支持向量机的工件变形矫正方法 |
TWI463334B (zh) * | 2012-07-20 | 2014-12-01 | Univ Nat Cheng Kung | 標的裝置的基底預測保養方法與其電腦程式產品 |
CN104657526B (zh) * | 2013-11-21 | 2017-09-29 | 郑芳田 | 工具机的加工品质的预测方法 |
KR101748559B1 (ko) * | 2015-12-04 | 2017-06-20 | 주식회사 원프레딕트 | 회전체 진단 장치 및 방법 |
CN106156430B (zh) * | 2016-07-06 | 2019-04-05 | 大连理工大学 | 一种基于刀具磨损效应的微铣削力建模方法 |
US10739764B2 (en) * | 2016-07-15 | 2020-08-11 | Ricoh Company, Ltd. | Diagnostic apparatus, diagnostic system, diagnostic method, and recording medium |
CN108621393A (zh) * | 2017-03-17 | 2018-10-09 | 爱信精机株式会社 | 树脂成型品的变形预测方法 |
CN108491878B (zh) * | 2018-03-06 | 2022-02-11 | 宁波大学 | 一种基于多个误差生成模型的故障分类诊断方法 |
CN108898254A (zh) * | 2018-07-03 | 2018-11-27 | 柳州市木子科技有限公司 | 一种基于lr的生产线备件损坏率预测系统 |
-
2018
- 2018-11-30 TW TW107143105A patent/TWI684839B/zh active
-
2019
- 2019-08-27 CN CN201910795297.8A patent/CN111260818B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170308057A1 (en) * | 2014-10-31 | 2017-10-26 | Cloudbased Industry 4.0 Technologies Ag | Computer-implemented method for part analytics of a workpiece machined by at least one cnc machine |
US20160349737A1 (en) * | 2015-05-29 | 2016-12-01 | Chun-Tai Yen | Manufacturing efficiency optimization platform and tool condition monitoring and prediction method |
JP2018081487A (ja) * | 2016-11-16 | 2018-05-24 | 東芝機械株式会社 | 工作機械およびその制御方法 |
TWI625615B (zh) * | 2016-11-29 | 2018-06-01 | 財團法人工業技術研究院 | 預測模型建立方法及其相關預測方法與電腦程式產品 |
TWI638251B (zh) * | 2017-01-20 | 2018-10-11 | 國立中興大學 | Modal detection system |
TW201841086A (zh) * | 2017-03-03 | 2018-11-16 | 日商電裝股份有限公司 | 診斷系統 |
CN108334033A (zh) * | 2018-02-28 | 2018-07-27 | 中国科学院重庆绿色智能技术研究院 | 基于物联网与机器学习的冲床组故障预测方法及其系统 |
CN108873814A (zh) * | 2018-06-25 | 2018-11-23 | 深圳精匠云创科技有限公司 | 监测系统、监测方法及存储设备 |
CN108803492A (zh) * | 2018-07-20 | 2018-11-13 | 南京梵科智能科技有限公司 | 一种数控机床刀头故障诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111260818A (zh) | 2020-06-09 |
CN111260818B (zh) | 2022-02-08 |
TW202022515A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20150371134A1 (en) | Predicting circuit reliability and yield using neural networks | |
CN106649755B (zh) | 一种多维度实时变电设备数据的阈值自适应设置异常检测方法 | |
JP7102941B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
CN112666918B (zh) | 一种基于在线压缩keca自适应工业过程故障检测方法 | |
TWI684839B (zh) | 扣件成型機之模具狀態診斷方法及其電腦程式產品 | |
CN117131035B (zh) | 一种化工染料生产数据智能储存方法及系统 | |
CN110987676A (zh) | 随机多轴载荷下考虑裂纹闭合效应的全寿命预测方法 | |
KR20220061360A (ko) | 딥러닝 이상 감지 기반 생산 제품 불량 검출 방법 및 시스템 | |
CN117131530A (zh) | 一种智慧工厂敏感数据加密防护方法 | |
CN111428329A (zh) | 基于模型的机器学习系统 | |
TWI729627B (zh) | 扣件尺寸的線上預測方法與扣件尺寸的線上預測系統 | |
TWI700566B (zh) | 扣件成型機之模具異常診斷方法及其電腦程式產品 | |
KR20110070411A (ko) | 불량 판정 시스템 | |
TWI709054B (zh) | 預測模型的建立裝置、建立方法與產品品質監控系統 | |
CN114556350A (zh) | 无需晶粒级输入数据的晶粒级产品建模 | |
CN115544772B (zh) | 一种救生伞动态开伞仿真数据多元回归与拟合的方法、装置及终端 | |
CN101996316A (zh) | 一种用于辨别拉深件裂纹的模糊识别方法 | |
KR102658296B1 (ko) | Mbs 입경 예측 방법 | |
RU2017102911A (ru) | Способ удаленного мониторинга и прогнозирования состояния отдельных агрегатов и сложных технологических комплексов | |
TW201918809A (zh) | 生產排程監控方法 | |
CN103370666A (zh) | 用于生成指数以量化连续过程的操作转变效能的系统和方法 | |
CN111377598B (zh) | 模造镜片的制造设备及方法 | |
JP2007030322A (ja) | グリーンタイヤの加硫制御方法及びその装置 | |
TW202021791A (zh) | 模造鏡片的製造設備及方法 | |
San Matías et al. | Some Modifications of the Classical Pre‐control Technique |