TWI729627B

TWI729627B - 扣件尺寸的線上預測方法與扣件尺寸的線上預測系統

Info

Publication number: TWI729627B
Application number: TW108146134A
Authority: TW
Inventors: 詹家銘; 鄭淳宏
Original assignee: 財團法人金屬工業研究發展中心
Priority date: 2019-12-17
Filing date: 2019-12-17
Publication date: 2021-06-01
Also published as: TW202125300A

Abstract

一種扣件尺寸的線上預測方法，包括：在扣件的鍛造過程中線上取得感測參數，且感測參數包括鍛造模具的合模距離、溫度與鍛造力；提供一尺寸預測模型；以及輸入感測參數至預測模型，以藉由尺寸預測模型預測出扣件的尺寸。另提供一種扣件尺寸的線上預測系統。

Description

扣件尺寸的線上預測方法與扣件尺寸的線上預測系統

本發明是有關於一種構件的線上預測方法與預測系統，且特別是有關於一種扣件尺寸的線上預測方法與扣件尺寸的線上預測系統。

傳統上，鍛造是金屬成形方法之一，指利用壓力改變金屬原料的形狀，以獲得具有一定機械性能的扣件。

以金屬扣件而言，其需藉由模具沖壓手段而加以鍛造而成，然在其製作過程中，模具的性質以及相關鍛造條件皆會影響其品質，故而在現有技術中，仍須對製作完成的金屬扣件進行尺寸檢測（全檢或抽檢），其除了耗費時間與人工之外，還會因人工檢測的手法不同而產生不同結果。

再者，現有以在鍛造機上加裝位移量測裝置，以期對扣件提供尺寸判斷的依據，但除了需耗費額外成本，還會受到鍛造機上的空間的限制。同時，隨著製造時程推進，模具磨損程度也會逐漸對扣件尺寸造成影響，故而上述方式並無法對扣件的尺寸提供具效益的精確的判斷依據。

本發明提供一種扣件尺寸的線上預測方法與扣件尺寸的線上預測系統，其藉由機器學習模型而對扣件的尺寸提供穩定且精確的預測。

本發明的扣件尺寸的線上預測方法，包括：在扣件的鍛造過程中線上取得一感測參數，且一感測參數包括鍛造模具的合模距離、溫度與鍛造力；提供尺寸預測模型；以及輸入感測參數至預測模型，以藉由尺寸預測模型預測出扣件的尺寸。

本發明的扣件尺寸的線上預測系統，適用於鍛造機，扣件尺寸的線上預測系統包括控制單元、運算單元以及多個感測單元。運算單元電性連接控制單元，且運算單元具有尺寸預測模型。感測單元配置於鍛造機上的鍛造模具，且電性連接控制單元。感測單元在扣件的鍛造過程中線上量測並取得感測參數，感測參數包括鍛造模具的合模距離、溫度與鍛造力，其中控制單元將鍛造模具的合模距離、溫度與鍛造力輸入運算單元，以藉由尺寸預測模型預測扣件的尺寸。

在本發明的一實施例中，上述建立所述尺寸預測模型包括：取得鍛造力成型曲線的原始資料；取得與所述鍛造力成型曲線對應的扣件尺寸；透過機器學習方式特徵化所述原始資料；以及比對特徵化後的所述原始資料與所述扣件尺寸，以檢出與所述扣件尺寸相關性最高的特徵。

在本發明的一實施例中，上述透過機器學習方式特徵化所述原始資料包括：以二維自編碼器（2D autoencoder）學習且分辨出標準鍛造力曲線與異常鍛造力曲線；排除異常鍛造力曲線之後，藉由自編碼器（autoencoder）將通過的鍛造力曲線減少維度至5個特徵值。

在本發明的一實施例中，上述透過機器學習方式特徵化所述原始資料還包括：提供鍛造模具的最大鍛造力至減少維度至5個特徵值的鍛造力曲線。

在本發明的一實施例中，上述建立尺寸預測模型還包括：提供模具狀態預測模型以結合特徵化後的原始資料，模具狀態預測模型是以仿製樣本生成方法與失效診斷方法所構成。

在本發明的一實施例中，還包括：提供鍛造模具的最大鍛造力與鍛造模具的漸變狀態至模具狀態預測模型。

在本發明的一實施例中，上述的運算單元還具有模具狀態預測模型。

基於上述，扣件尺寸的線上預測方法及預測系統提供了機器學習的尺寸預測模型來預測成型過程中成型力變異狀況，以讓鍛造過程中所取得的感測參數，包括鍛造模具的合模距離、溫度與鍛造力，能藉由所述尺寸預測模型的運算而預測出扣件的尺寸，進而作為判斷扣件在其鍛造過程中的品質依據。

圖1是依據本發明一實施例的扣件尺寸的線上預測方法。圖2是扣件尺寸的線上預測系統的方塊圖。請同時參考圖1與圖2，在本實施例中，扣件尺寸的線上預測系統10適用於鍛造機400，其包括控制單元100、運算單元200以及多個感測單元300（在此僅繪示單一感測單元300為例），其中運算單元200電性連接控制單元100，且運算單元200具有尺寸預測模型，感測單元300配置於鍛造機400上的鍛造模具500，且電性連接控制單元100。據此，扣件尺寸的線上預測系統10便能對鍛造過程中的扣件進行尺寸預測。

進一步地說，如圖1所示步驟S1，在鍛造過程中，藉由感測單元300進行量測並取得感測參數，且所述感測參數包括鍛造模具500的合模距離、溫度與鍛造力。接著，在步驟S2中，控制單元100將藉由感測單元300所取得的感測參數輸入運算單元200，並依據設置於運算單元200內的尺寸預測模型而對鍛造過程中的每一個扣件進行尺寸預測。之後，即能對尺寸預測結果採取對應的步驟，例如調整鍛造模具500或/與鍛造機400的相關參數，而能據以提高下一次鍛造過程的良率。

圖3是尺寸預測模型的建立流程示意圖。請參考圖3，詳細來說，本實施例用以建立尺寸預測模型的步驟包括：在步驟S10中，取得鍛造力成型曲線的原始資料，而後在步驟S20中，透過機器學習方式特徵化所述原始資料；以及在步驟S30中，取得與鍛造力成型曲線對應的扣件尺寸，且比對特徵化後的原始資料及所述與鍛造力成型曲線對應的扣件尺寸，以檢出與扣件尺寸相關性最高的特徵。其中原因即在於，對於扣件尺寸而言，鍛造模具500的鍛造力是直接影響扣件模具狀態的主因，而模具狀態又是影響扣件尺寸的主因，因此一旦取得與上述扣件尺寸相關性最高的鍛造力成型曲線特徵，即代表了完成與扣件尺寸直接相關的訊息建立，後續便能在鍛造過程中，藉由感測單元300所取得的感測參數而直接反映出當下製成扣件的尺寸。也就是說，有別於現有技術須經歷完整鍛造過程後才能對扣件進行尺寸檢測，本實施例所揭示的尺寸預測模型能線上地對每一道次的成型扣件提供預測結果。一旦出現異常尺寸，即能立刻停止鍛造過程，以利提供對應的修整動作，因此對鍛造製成提供了更精確且穩定的檢測手段。

請再參考圖3，在本實施例中，步驟S20更進一步地包括：以二維自編碼器（2D autoencoder）學習且分辨出標準鍛造力曲線與異常鍛造力曲線；以及排除異常鍛造力曲線後，藉由自編碼器（autoencoder）將通過的鍛造力曲線減少維度至5個特徵值，據以讓所述減少維度至5個特徵值的鍛造力曲線能成為反映鍛造模具500之鍛造力的主要特徵。再者，在本步驟中，還提供鍛造模具的最大鍛造力至所述減少維度至5個特徵值的鍛造力曲線，以此作為鍛造力成型曲線的臨界條件。

圖4是另一實施例的尺寸預測模型的建立流程示意圖。與前述實施例不同的是，本實施例還包括步驟S40，即提供模具狀態預測模型以結合特徵化後的原始資料，其中模具狀態預測模型是以仿製樣本生成方法與失效診斷方法所構成。

進一步地說，上述仿製樣本生成方法是透過不同比例之正常與異常資料生成仿製樣本，並提供判別器分辨資料真偽，同時給出回饋，再提供生成器根據所述回饋而重複訓練模型，直到判別器分辨不出真偽後，如此即可生成仿製真正資料的效果。舉例來說，先以非監督式學習模型（生成對抗網絡，GAN）作為一處，並透過模型內的生成器將正常模具之資料與異常模具之資料以不同比例生成仿製資料，再透過判別器分辨資料的真假，並給出回饋，而生成器根據所述回饋來訓練，並調整模型的參數，最終兩個網絡相互對抗、不斷調整參數到判別器分辨不出來真假，如此，即可生成仿製真正資料分佈的模型。

據此，由於鍛造模具500的狀態與扣件尺寸息息相關，故而透過上述方式構成的模具狀態預測模型，透過正常與異常比例之資料生成模具老化樣本，再藉由失效診斷方法以同時判別多失效模式，便能線上預測出鍛造機400以致鍛造模具500的異常狀態，進而提早採取對應措施。

綜上所述，在本發明的上述實施例中，扣件尺寸的線上預測方法及預測系統提供了機器學習的尺寸預測模型來預測成型過程中成型力變異狀況，以讓鍛造過程中所取得的感測參數，包括鍛造模具的合模距離、溫度與鍛造力，能藉由所述尺寸預測模型的運算而線上預測出扣件的尺寸，有別於現有技術需加裝額外裝置來進行感測，或是需在鍛造過程完畢後方能對扣件進行檢測而延誤時機，本發明更能因此增加量測線上性、精確度與穩定性，進而有效且線上地作為判斷扣件在其鍛造過程中的品質依據。

10:扣件尺寸的線上預測系統 100:控制單元 200:運算單元 300:感測單元 400:鍛造機 500:鍛造模具 S1、S2、S10、S20、S21、S22、S23、S30、S40:步驟

圖1是依據本發明一實施例的扣件尺寸的線上預測方法。圖2是扣件尺寸的線上預測系統的方塊圖。圖3是尺寸預測模型的建立流程示意圖。圖4是另一實施例的尺寸預測模型的建立流程示意圖。

S1、S2:步驟

Claims

一種扣件尺寸的線上預測方法，包括：在扣件的鍛造過程中線上取得感測參數，所述感測參數包括鍛造模具的合模距離、溫度與鍛造力；提供尺寸預測模型；以及輸入所述感測參數至所述預測模型，以藉由所述尺寸預測模型預測所述扣件的尺寸。
如申請專利範圍第1項所述的扣件尺寸的線上預測方法，其中建立所述尺寸預測模型包括：取得鍛造力成型曲線的原始資料；取得與所述鍛造力成型曲線對應的扣件尺寸；透過機器學習方式特徵化所述原始資料；以及比對特徵化後的所述原始資料與所述與鍛造力成型曲線對應的扣件尺寸，以檢出與所述扣件尺寸相關性最高的特徵。
如申請專利範圍第2項所述的扣件尺寸的線上預測方法，其中透過機器學習方式特徵化所述原始資料包括：以二維自編碼器（2D autoencoder）學習且分辨出標準鍛造力曲線與異常鍛造力曲線；以及排除異常鍛造力曲線後，藉由自編碼器（autoencoder）將通過的鍛造力曲線減少維度至5個特徵值。
如申請專利範圍第3項所述的扣件尺寸的線上預測方法，其中透過機器學習方式特徵化所述原始資料還包括：提供所述鍛造模具的最大鍛造力至所述減少維度至5個特徵值的鍛造力曲線。
如申請專利範圍第2項所述的扣件尺寸的線上預測方法，其中建立所述尺寸預測模型還包括：提供模具狀態預測模型以結合特徵化後的所述原始資料，所述模具狀態預測模型是以仿製樣本生成方法與失效診斷方法所構成。
如申請專利範圍第5項所述的扣件尺寸的線上預測方法，還包括：提供所述鍛造模具的最大鍛造力與所述鍛造模具的漸變狀態至所述模具狀態預測模型。
一種扣件尺寸的線上預測系統，適用於鍛造機，所述扣件尺寸的線上預測系統包括：一控制單元；一運算單元，電性連接所述控制單元，且所述運算單元具有尺寸預測模型；以及多個感測單元，配置於所述鍛造機上的鍛造模具，且電性連接所述控制單元，所述多個感測單元在扣件的鍛造過程中線上量測並取得感測參數，所述感測參數包括所述鍛造模具的合模距離、溫度與鍛造力，其中所述控制單元將所述鍛造模具的合模距離、溫度與鍛造力輸入所述運算單元，以藉由所述尺寸預測模型預測所述扣件的尺寸。
如申請專利範圍第7項所述的扣件尺寸的線上預測系統，其中所述運算單元還具有模具狀態預測模型。
如申請專利範圍第8項所述的扣件尺寸的線上預測系統，其中所述模具狀態預測模型是以仿製樣本生成方法與失效診斷方法所構成。