TWI742693B - 感測器安裝最佳化裝置及其方法 - Google Patents
感測器安裝最佳化裝置及其方法 Download PDFInfo
- Publication number
- TWI742693B TWI742693B TW109117546A TW109117546A TWI742693B TW I742693 B TWI742693 B TW I742693B TW 109117546 A TW109117546 A TW 109117546A TW 109117546 A TW109117546 A TW 109117546A TW I742693 B TWI742693 B TW I742693B
- Authority
- TW
- Taiwan
- Prior art keywords
- temperature sensors
- sensor
- arithmetic circuit
- sensor installation
- contribution
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
- G01K1/026—Means for indicating or recording specially adapted for thermometers arrangements for monitoring a plurality of temperatures, e.g. by multiplexing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K15/00—Testing or calibrating of thermometers
- G01K15/002—Calibrated temperature sources, temperature standards therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
- G01K7/02—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using thermoelectric elements, e.g. thermocouples
- G01K7/021—Particular circuit arrangements
Abstract
一種感測器安裝最佳化裝置,其可包含前處理電路及運算電路。前處理電路可對安裝於工具機之複數個溫度感測器之感測訊號進行前處理以產生經前處理後的數據。運算電路可對經前處理後的數據進行正規化以產生正規化數據,且可執行主成份分析對正規化數據進行降維以產生降維數據,並可執行主成份迴歸分析對降維數據進行分析以獲得該些溫度感測器之貢獻度。然後,運算電路可根據該些溫度感測器之貢獻度對該些溫度感測器進行排序以產生排序結果,再根據排序結果執行篩選程序由該些溫度感測器中選擇至少一個冗餘感測器,並移除此冗餘感測器。
Description
本發明係有關於一種感測器安裝最佳化裝置及感測器安裝最佳化方法。
工具機機台內部與外部熱源都將導致工具機元件產生熱變形,造成加工後之工件其幾何精度不佳,因此如何降低熱變位誤差或如何進行補償以降低誤差一直是工具機追求高精度加工急欲解決的問題。
已有許多現有技術探討溫升對於熱變位誤差的影響及補償方法。在熱補償模型建立的過程中,溫度感測器佈置的數量與位置非常重要,其將影響熱補償模型的準確度與穩健性。另外,溫度感測器是否佈置在正確的位置更是決定熱變位誤差補償有效性的重要因素。
一般而言,為了提升熱補償模型的準確度與穩健性,使用者需要安裝大量的溫度感測器,使溫度感測器的配置成本大幅提升。
此外,溫度感測器佈置的數量與位置通常由使用者自身的知識及經驗來判斷,需耗費大量的人力成本及時間成本,極度缺乏效率。
現有技術也沒有提出有效率的方法可以快速獲得溫度感測器佈置的數目與最佳位置,故無法有效地提升熱補償模型的準確度及穩健性。
本發明之一實施例提出一種感測器安裝最佳化裝置,其包含前處理電路及運算電路。前處理電路對安裝於工具機之複數個溫度感測器之感測訊號進行前處理以產生經前處理後的數據。運算電路對經前處理後的數據進行正規化以產生正規化數據,且執行主成份分析對正規化數據進行降維以產生降維數據,並執行主成份迴歸分析對降維數據進行分析以獲得該些溫度感測器之貢獻度。然後,運算電路根據該些溫度感測器之貢獻度對該些溫度感測器進行排序以產生排序結果,再根據排序結果執行篩選程序由該些溫度感測器中選擇至少一個冗餘感測器,並移除此冗餘感測器。
在一實施例中,感測器安裝位置篩選裝置更包含訊號擷取電路,其與該些熱感測器連接,並接收該些溫度感測器之感測訊號。
在一實施例中,前處理將該些溫度感測器之感測訊號之雜訊、異常值及離群值移除,並將該些溫度感測器之感測訊號平滑化。
在一實施例中,運算電路對實際熱變位誤差與降維數據進行主成份迴歸分析以獲得各個溫度感測器之感測訊號對熱變位的靈敏度,以決定該些溫度感測器的貢獻度,再根據該些溫度感測器的貢獻度對該些溫度感測器進行排序以產生排序結果。
在一實施例中,運算電路根據該些溫度感測器的貢獻度以遞降次序該些溫度感測器以產生排序結果。
在一實施例中,運算電路根據不包含冗餘感測器的該些溫度感測器的感測精確度對該些溫度感測器重新進行排序,並選擇前k個該些溫度感測器。
在一實施例中,若運算電路判斷不包含冗餘感測器之該些溫度感測器不符合預設標準,運算電路在冗餘感測器重新佈設於工具機後再次進行前處理、正規化、主成份分析、主成份迴歸分析及篩選程序。
在一實施例中,運算電路透過標準分數對經前處理後的數據進行正規化。
在一實施例中,篩選程序可為但不限於奇異值分解、皮爾森相關、肯德爾相關、史皮爾曼相關及重要性排序。
本發明之另一實施例提出一種感測器安裝最佳化方法,其包含下列步驟:透過前處理電路對安裝於工具機之複數個溫度感測器之感測訊號進行前處理以產生經前處理後的數據;由運算電路對經前處理後的數據進行正規化以產生正規化數據;經由運算電路執行主成份分析對正規化數據進行降維以產生降維數據;以運算電路執行主成份迴歸分析對降維數據進行分析以獲得該些溫度感測器之貢獻度;經由運算電路根據該些溫度感測器之貢獻度對該些溫度感測器進行排序以產生排序結果;以及透過運算電路根據排序結果執行篩選程序由該些溫度感測器中選擇至少一個冗餘感測器,並移除此冗餘感測器。
在一實施例中,感測器安裝最佳化方法更包含下列步驟:經由訊號擷取電路接收該些溫度感測器之感測訊號。
在一實施例中,對該些溫度感測器之感測訊號進行前處理以產生經前處理後的數據之步驟包含下列步驟:透過前處理電路將該些溫度感測器之感測訊號之雜訊、異常值及離群值移除,並將該些溫度感測器之感測訊號平滑化。
在一實施例中,執行主成份迴歸分析對降維數據進行分析以獲得該些溫度感測器之貢獻度,又根據該些溫度感測器之貢獻度對該些溫度感測器進行排序以產生排序結果之步驟包含下列步驟:透過運算電路根據實際熱變位誤差與降維數據進行主成份迴歸分析以獲得各個溫度感測器之感測訊號對熱變位的靈敏度,以決定該些溫度感測器的貢獻度;以及由運算電路根據該些溫度感測器的貢獻度對該些溫度感測器進行排序以產生排序結果。
在一實施例中,運算電路根據該些溫度感測器的貢獻度以遞降次序該些溫度感測器以產生排序結果。
在一實施例中,感測器安裝最佳化方法更包含下列步驟:由運算電路根據不包含冗餘感測器的該些溫度感測器的感測精確度對該些溫度感測器重新進行排序,並選擇前k個該些溫度感測器。
在一實施例中,感測器安裝最佳化方法更包含下列步驟:若運算電路判斷不包含冗餘感測器之該些溫度感測器不符合預設標準,由運算電路在冗餘感測器重新佈設於工具機後再次進行前處理、正規化、主成份分析、主成份迴歸分析及篩選程序。
在一實施例中,運算電路透過標準分數對該經前處理後的數據進行正規化。
在一實施例中,篩選程序可為但不限於奇異值分解、皮爾森相關、肯德爾相關、史皮爾曼相關及重要性排序。
承上所述,依本發明之感測器安裝最佳化裝置及其方法,其可具有一或多個下述優點:
(1)本發明之一實施例中,感測器安裝最佳化裝置及其方法能快速量化溫度感測器的感測訊號及貢獻度,並以此進行排序,再進一步執行篩選程序決定溫度感測器最佳數量及位置,故能達到極高的效率,有效地減少人力成本及時間成本。
(2)本發明之一實施例中,感測器安裝最佳化裝置及其方法能執行篩選程序以去除冗餘感測器,僅留下貢獻度較高的溫度感測器,故可以有效地減少溫度感測器的數量,故能有效地降低溫度感測器的配置成本。
(3)本發明之一實施例中,感測器安裝最佳化裝置及其方法能根據各個溫度感測器的貢獻度最佳化溫度感測器最佳數量及位置,故能夠有效地提升熱補償模型的精確度與穩健性。
1,2:感測器安裝最佳化裝置
11,21:訊號擷取電路
12,22:前處理電路
13,23:運算電路
S1~S5:溫度感測器
S21~S27,S41~S47,S461:步驟流程
第1圖 係為本發明之第一實施例之感測器安裝最佳化裝置之方塊圖。
第2圖 係為本發明之第一實施例之感測器安裝最佳化方法之流程圖。
第3圖 係為本發明之第二實施例之感測器安裝最佳化裝置之方塊圖。
第4圖 係為本發明之第二實施例之感測器安裝最佳化方法之流程圖。
以下將參照相關圖式,說明依本發明之感測器安裝最佳化裝置及其方法之實施例,為了清楚與方便圖式說明之故,圖式中的各部件在尺寸與比
例上可能會被誇大或縮小地呈現。在以下描述及/或申請專利範圍中,當提及元件「連接」或「耦合」至另一元件時,其可直接連接或耦合至該另一元件或可存在介入元件;而當提及元件「直接連接」或「直接耦合」至另一元件時,不存在介入元件,用於描述元件或層之間之關係之其他字詞應以相同方式解釋。為使便於理解,下述實施例中之相同元件係以相同之符號標示來說明。
請參閱第1圖,其係為本發明之第一實施例之感測器安裝最佳化裝置之方塊圖。如圖所示,感測器安裝最佳化裝置1包含訊號擷取電路11、前處理電路12及運算電路13。
訊號擷取電路11與安裝於工具機之複數個溫度感測器連接,並接收該些溫度感測器之感測訊號(即原始數據)。
前處理電路12與訊號擷取電路11連接,並對該些溫度感測器之感測訊號進行前處理以產生經前處理後的數據。其中,上述之前處理可將該些溫度感測器之感測訊號之雜訊、異常值及離群值移除,並將該些溫度感測器之感測訊號平滑化。
運算電路13與前處理電路12連接,並對前處理數據進行正規化以產生正規化數據。在本實施例中,運算電路13可透過標準分數(z-score)對經前處理後的數據進行正規化。在另一實施例中,運算電路13也可透過其方法對經前處理後的數據進行正規化
然後,運算電路13執行主成份分析(Principal component analysis,PCA)對正規化數據進行降維以產生降維數據;透過上述的方式,運算電路13可透過線性變換將特徵數據投影於一新座標系統以降低數據維度,保留貢獻度大
之低階特徵移除貢獻度小之高階特徵,以減少數據維數並消除特徵之間的關聯性。
接下來,運算電路13執行主成份迴歸分析(Principal component regression)對降維數據進行分析以獲得該些溫度感測器之貢獻度。其中,運算電路13可根據量測而得的實際熱變位誤差與降維數據進行主成份迴歸分析以獲得該些溫度感測器之感測訊號對熱變形的靈敏度,以決定該些溫度感測器的貢獻度。透過上述的步驟,運算電路13可判斷前述步驟選定的主成份中,哪些原始特徵(例如原始溫度)較為重要。
接著,運算電路13可以根據該些溫度感測器之貢獻度對該些溫度感測器進行遞降次序以產生排序結果,再根據排序結果執行篩選程序由該些溫度感測器選擇一個或者多個冗餘感測器。運算電路13將這些冗餘感測器由該些溫度感測器之中移除。在一實施例中,篩選程序可為但不限於奇異值分解(Singular value decomposition,SVD)。在另一實施例中,篩選程序可為但不限於皮爾森相關(Pearson correlation)、肯德爾相關(Kendall correlation)、史皮爾曼相關(Spearman correlation)或是重要性排序(Importance)等等。上述的篩選程序可以篩選出彼此線性相依的溫度感測器,並移除冗餘感測器。如此,運算電路13則可決定溫度感測器最佳數量以及位置,以達成感測器安裝最佳化,故熱補償模型的精確度與穩健性則可以有效地提升。
透過上述的機制,感測器安裝最佳化裝置1即可快速量化溫度感測器的感測訊號及貢獻度,並根據該些溫度感測器的貢獻度進行排序,並進一步執行篩選程序決定溫度感測器最佳數量以及位置,如此即可有效地減少人力成本以及時間成本,以達到極高的效率。
另外,感測器安裝最佳化裝置1可以找出冗餘感測器,故可減少溫度感測器的數量,有效地降低溫度感測器的配置成本。
在另一實施例中,運算電路13判斷剩餘的該些溫度感測器是否符合預設標準(如預設精確度)?若是,則感測器安裝最佳化完成。若否,運算電路13可在冗餘溫度感測器重新佈設於工具機後再次進行前處理、正規化、主成份分析、主成份迴歸分析及篩選程序,直到達成預設標準。
在又一實施例中,運算電路13也可根據剩餘的該些溫度感測器的感測精確度對該些溫度感測器重新進行排序,並選擇前k個進行量測;選擇的溫度感測器數量k可由實施需求決定。
當然,上述僅為舉例,感測器安裝最佳化裝置1之各元件之功能及其協同關係均可依實際需求變化,本發明並不以此為限。
請參閱第2圖,其係為本發明之第一實施例之感測器安裝最佳化方法之流程圖。本實施例之安裝最佳化方法包含下列步驟:
步驟S21:經由訊號擷取電路接收安裝於工具機之複數個溫度感測器之感測訊號。
步驟S22:透過前處理電路對該些溫度感測器之感測訊號進行前處理以產生經前處理後的數據。
步驟S23:由運算電路對經前處理後的數據進行正規化以產生正規化數據。
步驟S24:經由運算電路執行主成份分析對正規化數據進行降維以產生降維數據。
步驟S25:以運算電路執行主成份迴歸分析對降維數據進行分析以獲得該些溫度感測器之貢獻度。
步驟S26:透過運算電路根據該些溫度感測器之貢獻度對該些溫度感測器進行排序以產生排序結果。
步驟S27:透過運算電路根據排序結果執行篩選程序由該些溫度感測器中選擇至少一個冗餘感測器,並移除此冗餘感測器。
值得一提的是,為了提升熱補償模型的準確度與穩健性,使用者需要安裝大量的溫度感測器,使溫度感測器的配置成本大幅提升。相反的,根據本發明之實施例,感測器安裝最佳化裝置及其方法能快速量化溫度感測器的感測訊號及貢獻度,並以此進行排序,再進一步執行篩選程序決定溫度感測器最佳數量以及位置,因此能夠達到極高的效率,有效地減少人力成本以及時間成本。
另外,溫度感測器佈置的數量與位置通常由使用者自身的知識及經驗來判斷,需耗費大量的人力成本及時間成本,極度缺乏效率。相反的,根據本發明之實施例,感測器安裝最佳化裝置及其方法能執行篩選程序以去除冗餘感測器,僅留下貢獻度較高的溫度感測器,故可以有效地減少溫度感測器的數量,故能有效地降低溫度感測器的配置成本。
此外,現有技術也並沒有提出有效率的方法可以快速獲得溫度感測器佈置的數目與最佳位置,故無法有效地提升熱補償模型的準確度及穩健性。相反的,根據本發明之實施例,感測器安裝最佳化裝置及其方法能根據各個溫度感測器的貢獻度最佳化溫度感測器最佳數量及位置,故能夠有效地提升
熱補償模型的精確度與穩健性。由上述可知,本發明確實可以達到極佳的技術效果。
請參閱第3圖,其係為本發明之第二實施例之感測器安裝最佳化裝置之方塊圖。如圖所示,感測器安裝最佳化裝置2包含訊號擷取電路21、前處理電路22及運算電路23。
訊號擷取電路21與安裝於工具機之複數個溫度感測器S1~S5連接,並接收該些溫度感測器S1~S5之感測訊號。當然,溫度感測器S1~S5的數量可依實際需求變化,並不限定於5個。
前處理電路22進行前處理藉此將該些溫度感測器S1~S5之感測訊號之雜訊、異常值及離群值移除,並且將該些溫度感測器S1~S5之感測訊號平滑化。
運算電路23與前處理電路22連接,並透過標準分數(z-score)對經前處理後的數據進行正規化(Normalization)以產生正規化數據。經前處理後的數據X以矩陣形式表示,如下式(1)所示:
其中,m為樣本數(Sample number),n為特徵數或稱變異數(Variable number)。首先,運算電路23分別計算出經前處理後的數據X的平均值Dj與標準差Sj,如下式(2)及式(3)所示:
因感測訊號各項特徵的尺度範圍不同,藉由標準分數正規化對單一變數減去母體的平均值,並依母體的樣本標準差區分出不同差距,以此代表原始變數和母體平均值之間的距離,如下式(4)所示:
經前處理後的數據X經過標準分數正規化後得一新矩陣Xnor,如下式(5)所示:
然後,運算電路23執行主成份分析(Principal Component Analysis,PCA)對正規化數據進行降維以產生降維數據;Xnor的共變異矩陣(Covariance matrix)Sxx如下式(6)所示:
接下來,運算電路23計算出Sxx的n個特徵值(Eigenvalue)λj及特徵向量(Eigenvector)pj,其滿足下式(7):
將上式所求特徵值λj排列順序由大至小,可得其相對應的特徵向量pj,pj為主成份負載向量(Principal components loading vector,PC loading vector)代表Xnor的主成份座標軸,再將Xnor分別投影至各主成份座標軸pj上得到相對應的權重值tj,如下式(8)所示:
其中,tj為主成份計分向量(Principal components score vector,PC score vector),其表示Xnor在主成份座標軸上所對應之權重(Weights),其可視為經轉換過後的新座標點。透過計算組成比例可得知各主成份座標軸的貢獻率fj,同時排除貢獻率小之特徵,如下式(9)所示:
由式(9)可知每個特徵之貢獻率,捨棄貢獻率較小的特徵,只保留前w個較大貢獻率的特徵值,可得對應之PC loading vector(p' j),並可得降維後的主成份計分向量t' j:如下式(10)所示:
透過式(10),運算電路23可對經前處理後的數據進行正交投影,利用線性轉換可消除特徵之間的相依性,且保留數據中貢獻度最大特徵而不喪失重要訊息,最後將數據映射於新座標系統得到一綜合指標。
接下來,運算電路23執行主成份迴歸分析(Principal Component Regression)對降維數據進行分析以獲得該些溫度感測器S1~S5之貢獻度。自變數為Xnor而應變數為Y的迴歸式如下式(11)所示:
其中Y是實際測得之熱變位誤差,β是主成份迴歸分析所得之原始溫度量測點的權重,ε為迴歸方程式的誤差項。現將各個特徵向量pj組合成特徵矩陣P={p1,p2,...pr},且由於,故式(11)可改寫為下式(12):
式(12)可改寫為下式(13):
因此,可推知式(13.1)及式(13.2),如下:
其中,式(13.1)主要用意是將原溫度量測矩陣轉換至主成份座標系統,在主成份座標系統下只有r個線性獨立之主成份。式(13.2)可視為主成份座標系統下之迴歸係數。欲使式(13)之誤差∥ε∥有最小值,可以最小平方法求其最佳解,如下式(14)所示:
然後,運算電路23可以根據該些溫度感測器S1~S5之貢獻度對該些溫度感測器S1~S5進行遞降次序以產生排序結果。
接著,運算電路23可以根據排序結果執行奇異值分解,以由該些溫度感測器S1~S5選擇一個或者多個冗餘感測器。首先,運算電路23建立一個300×5矩陣A={x1,x2,x3,x4,x5}的虛擬隨機數據;矩陣A的每一列代表由溫度感測器S1~S5之溫度測量訊號的歷史數據。
然後,運算電路23根據該些溫度感測器S1~S5之貢獻度以遞降次序重新排列矩陣A以產生矩陣AR={x4,x2,x5,x1,x3}。接著,運算電路23通過奇異值分解計算矩陣AR的前兩列,其可表示為矩陣AR1={x4,x2}。運算電路23判斷矩陣條件數(Matrix condition number)Cn是否小於一門檻值(在本實施例中,矩陣條件數Cn的門檻值為20);若矩陣條件數Cn小於此門檻值,則溫度感測器S2不是冗餘感測器。接著,運算電路23將排名第三的溫度感測器S5的數據加入至矩陣AR1的第三列,其可表示為矩陣AR2={x4,x2,x5}。在本實施例中,矩陣AR2={x4,x2,x5}的矩陣條件數大於此門檻值;因此,溫度感測器S5為冗餘感測器。同樣的,運算電路23將排名第四的溫度感測器S1的數據加入至矩陣AR1的第三列,其可表示為矩陣AR3={x4,x2,x1};運算電路23重複上述的步驟,直到對所有溫度感測器S1~S5完成篩選。然後,運算電路23對剩餘的溫度感測器S1~S4進行重新排序,新的排名為{S2,S4,S1,S3}。
運算電路23可判斷剩餘的該些溫度感測器S1~S4是否符合預設標準(如預設精確度)?若是,則感測器安裝最佳化完成。若否,運算電路23可在冗餘感測器S5重新佈設於工具機後再次進行前處理、正規化、主成份分析、主成份迴歸分析及奇異值分析,直到達成預設標準。
當然,上述僅為舉例,感測器安裝最佳化裝置2之各元件之功能及其協同關係均可依實際需求變化,本發明並不以此為限。
請參閱第4圖,其係為本發明之第二實施例之感測器安裝最佳化方法之流程圖。本實施例之感測器安裝最佳化方法包含下列步驟:
步驟S41:將複數個溫度感測器安裝至工具機上。
步驟S42:接收該些溫度感測器之感測訊號,並進入步驟S43。
步驟S43:對該些溫度感測器之感測訊號進行前處理以產生經前處理後的數據,並對經前處理後的數據進行正規化以產生正規化數據,並進入步驟S44。
步驟S44:執行主成份分析對正規化數據進行降維以產生降維數據,並執行主成份迴歸分析對降維數據進行分析以獲得該些溫度感測器之貢獻度,並根據該些溫度感測器之貢獻度對該些溫度感測器進行排序以產生排序結果,並進入步驟S45。
步驟S45:根據排序結果執行篩選程序由該些溫度感測器中選擇一個或多個冗餘感測器,並移除該些冗餘感測器,並進入步驟S46。
步驟S46:判斷剩餘的該些溫度感測器是否符合預設標準;若是,則進入步驟S47;若否,則進入步驟S461。
步驟S461:重新將該些冗餘感測器安裝至工具機上,並回到步驟S42。
步驟S47:感測器安裝最佳化完成。
本實施例採用三種演算法,包含多元線性迴歸(Multiple regression)、反向傳遞神經網路(Back Propagation Neural Network,BPNN)及隨機
森林(Random forest)對安裝於工具機的16個溫度感測器進行熱補償精度測試。在本實施例中,反向傳遞神經網路由輸入層,輸出層和三個隱藏層組成。輸入層和輸出層分別是由溫度感測器和熱變位感測器量測而得的溫度變化及主軸熱變位。輸入層之神經元的數量等於經過篩選程序後的溫度感測器的數量。第一隱藏層的神經元數量為200,而第二隱藏層及第三隱藏層的神經元數量均為100。所有隱藏層的主動功能均為修正線性單位(rectified linear unit);時期(epoch)為150,且學習速率為0.005。關於本實施例採用之隨機森林之建構過程為由從訓練集隨機抽取65%的子樣本,並將其訓練為決策樹模型。使用300個決策樹建立一隨機森林模型,而各個決策樹模型之最大深度不設限制,但每個葉節點(Leaf node)的最小樣本數為三個,以避免過度擬合。
表1、表2和表3分別表示自多元線性迴歸、反向傳遞神經網路及隨機森林所計算的熱補償精度。在表1、表2和表3中,第一行表示選擇方法,包括階段I(採用排序後的前四個溫度感測器)及階段I+階段II(採用排序及篩選後的前四個溫度感測器);第二行及第三行分別表示訓練精度和測試精度。
由表1可明顯看出,透過階段I+階段II選擇的該些溫度感測器的熱補償精度明顯優於只透過階段I選擇的該些溫度感測器的熱補償精度。表2及表3也顯示相似的結果。
綜上所述,根據本發明之實施例,感測器安裝最佳化裝置及其方法能快速量化溫度感測器的感測訊號及貢獻度,並以此進行排序,再進一步執行篩選程序決定溫度感測器最佳數量及位置,故能達到極高的效率,有效地減少人力成本及時間成本。
另外,根據本發明之實施例,感測器安裝最佳化裝置及其方法能執行篩選程序以去除冗餘感測器,僅留下貢獻度較高的溫度感測器,故可以有效地減少溫度感測器的數量,故能有效地降低溫度感測器的配置成本。
此外,根據本發明之實施例,感測器安裝最佳化裝置及其方法能根據各個溫度感測器的貢獻度最佳化溫度感測器最佳數量及位置,故能夠有效地提升熱補償模型的精確度與穩健性。
可見本發明在突破先前之技術下,確實已達到所欲增進之功效,且也非熟悉該項技藝者所易於思及,其所具之進步性、實用性,顯已符合專利之申請要件,爰依法提出專利申請,懇請 貴局核准本件發明專利申請案,以勵創作,至感德便。
以上所述僅為舉例性,而非為限制性者。其它任何未脫離本發明之精神與範疇,而對其進行之等效修改或變更,均應該包含於後附之申請專利範圍中。
S21~S27:步驟流程
Claims (20)
- 一種感測器安裝最佳化裝置,係包含:一前處理電路,係對安裝於一工具機之複數個溫度感測器之感測訊號進行一前處理以產生一前處理數據;以及一運算電路,係對該經前處理後的數據進行一正規化以產生一正規化數據,且執行一主成份分析對該正規化數據進行降維以產生一降維數據,並執行一主成份迴歸分析對一實際熱變位誤差及該降維數據進行分析以獲得該些溫度感測器之貢獻度,又根據該些溫度感測器之貢獻度對該些溫度感測器進行排序以產生一排序結果,再根據該排序結果執行一篩選程序由該些溫度感測器中選擇至少一個冗餘感測器,並移除該冗餘感測器。
- 如請求項1所述之感測器安裝最佳化裝置,更包含一訊號擷取電路,該訊號擷取電路與該些溫度感測器連接,並接收該些溫度感測器之感測訊號。
- 如請求項1所述之感測器安裝最佳化裝置,其中該前處理將該些溫度感測器之感測訊號之雜訊、異常值及離群值移除,並將該些溫度感測器之感測訊號平滑化。
- 如請求項1所述之感測器安裝最佳化裝置,其中該運算電路對該實際熱變位誤差與該降維數據進行該主成份迴歸分析以獲得各個該溫度感測器之感測訊號對熱變形的靈敏度,以決定該些溫度感測器的貢獻度,再根據該些溫度感測器的貢獻度對該些溫度感測器進行排序以產生該排序結果。
- 如請求項1所述之感測器安裝最佳化裝置,其中該運算電路根據該些溫度感測器的貢獻度以遞降次序該些溫度感測器以產生該排序結果。
- 如請求項1所述之感測器安裝最佳化裝置,其中該運算電路根據不包含該冗餘感測器的該些溫度感測器的感測精確度對該些溫度感測器重新進行排序,並選擇前k個該些溫度感測器。
- 如請求項1所述之感測器安裝最佳化裝置,其中若該運算電路判斷不包含該冗餘感測器之該些溫度感測器不符合一預設標準,該運算電路在該冗餘感測器重新佈設於該工具機後再次進行該前處理、該正規化、該主成份分析、該主成份迴歸分析及該篩選程序。
- 如請求項1所述之感測器安裝最佳化裝置,其中該運算電路透過一標準分數對該經前處理後的數據進行正規化。
- 如請求項1所述之感測器安裝最佳化裝置,其中該篩選程序為一奇異值分解。
- 如請求項1所述之感測器安裝最佳化裝置,其中該篩選程序為一皮爾森相關、一肯德爾相關、一史皮爾曼相關及一重要性排序。
- 一種感測器安裝最佳化方法,係包含下列步驟:透過一前處理電路對安裝於一工具機之複數個溫度感測器之感測訊號進行一前處理以產生一經前處理後的數據;由一運算電路對該經前處理後的數據進行一正規化以產生一正規化數據;經由該運算電路執行一主成份分析對該正規化數據進行降維以產生一降維數據;以該運算電路執行一主成份迴歸分析對一實際熱變位誤差及該降維數據進行分析以獲得該些溫度感測器之貢獻度; 經由該運算電路根據該些溫度感測器之貢獻度對該些溫度感測器進行排序以產生一排序結果;以及透過該運算電路根據該排序結果執行一篩選程序由該些溫度感測器中選擇至少一個冗餘感測器,並移除該冗餘感測器。
- 如請求項11所述之感測器安裝最佳化方法,更包含下列步驟:經由一訊號擷取電路接收該些溫度感測器之感測訊號。
- 如請求項11所述之感測器安裝最佳化方法,其中對該些溫度感測器之感測訊號進行該前處理以產生該經前處理後的數據包含下列步驟:透過該前處理電路將該些溫度感測器之感測訊號之雜訊、異常值及離群值移除,並將該些溫度感測器之感測訊號平滑化。
- 如請求項11所述之感測器安裝最佳化方法,其中執行該主成份迴歸分析對該實際熱變位誤差及該降維數據進行分析以獲得該些溫度感測器之貢獻度,又根據該些溫度感測器之貢獻度對該些溫度感測器進行排序以產生該排序結果包含下列步驟:透過該運算電路根據該實際熱變位誤差與該降維數據進行該主成份迴歸分析以獲得各個該溫度感測器之感測訊號對熱變形的靈敏度,以決定該些溫度感測器的貢獻度;以及由該運算電路根據該些溫度感測器的貢獻度對該些溫度感測器進行排序以產生該排序結果。
- 如請求項11所述之感測器安裝最佳化方法,其中該運算電路根據該些溫度感測器的貢獻度以遞降次序該些溫度感測器以產生該排序結果。
- 如請求項11所述之感測器安裝最佳化方法,更包含下列步驟: 由該運算電路根據不包含該冗餘感測器的該些溫度感測器的感測精確度對該些溫度感測器重新進行排序,並選擇前k個該些溫度感測器。
- 如請求項11所述之感測器安裝最佳化方法,更包含下列步驟:若該運算電路判斷不包含該冗餘感測器之該些溫度感測器不符合一預設標準,由該運算電路在該冗餘感測器重新佈設於該工具機後再次進行該前處理、該正規化、該主成份分析、該主成份迴歸分析及該篩選程序。
- 如請求項11所述之感測器安裝最佳化方法,其中該運算電路透過一標準分數對該經前處理後的數據進行正規化。
- 如請求項11所述之感測器安裝最佳化方法,其中該篩選程序為一奇異值分解。
- 如請求項11所述之感測器安裝最佳化方法,其中該篩選程序為一皮爾森相關、一肯德爾相關、一史皮爾曼相關及一重要性排序。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109117546A TWI742693B (zh) | 2020-05-26 | 2020-05-26 | 感測器安裝最佳化裝置及其方法 |
US17/078,125 US11761829B2 (en) | 2020-05-26 | 2020-10-23 | Sensor placement optimization device and method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109117546A TWI742693B (zh) | 2020-05-26 | 2020-05-26 | 感測器安裝最佳化裝置及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI742693B true TWI742693B (zh) | 2021-10-11 |
TW202145045A TW202145045A (zh) | 2021-12-01 |
Family
ID=78705927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109117546A TWI742693B (zh) | 2020-05-26 | 2020-05-26 | 感測器安裝最佳化裝置及其方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11761829B2 (zh) |
TW (1) | TWI742693B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200515112A (en) * | 2003-09-12 | 2005-05-01 | Tokyo Electron Ltd | Method and system of diagnosing a processing system using adaptive multivariate analysis |
US20180224817A1 (en) * | 2017-02-08 | 2018-08-09 | United Microelectronics Corp. | Method of monitoring processing system for processing substrate |
TWI687783B (zh) * | 2019-06-17 | 2020-03-11 | 臺灣塑膠工業股份有限公司 | 設備異常偵測方法及系統 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006053024A (ja) * | 2004-08-11 | 2006-02-23 | Sanyo Electric Co Ltd | 温度補正処理装置 |
US8306772B2 (en) * | 2008-10-13 | 2012-11-06 | Apple Inc. | Method for estimating temperature at a critical point |
US10309945B2 (en) * | 2014-04-21 | 2019-06-04 | Inteligistics, Inc. | System, method, and apparatus for temperature monitoring and visibility |
US9392952B1 (en) * | 2015-03-10 | 2016-07-19 | Nuvo Group Ltd. | Systems, apparatus and methods for sensing fetal activity |
US10444079B2 (en) * | 2016-10-13 | 2019-10-15 | Tata Consultancy Services Limited | System and method for accretion detection |
-
2020
- 2020-05-26 TW TW109117546A patent/TWI742693B/zh active
- 2020-10-23 US US17/078,125 patent/US11761829B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200515112A (en) * | 2003-09-12 | 2005-05-01 | Tokyo Electron Ltd | Method and system of diagnosing a processing system using adaptive multivariate analysis |
US20180224817A1 (en) * | 2017-02-08 | 2018-08-09 | United Microelectronics Corp. | Method of monitoring processing system for processing substrate |
TWI687783B (zh) * | 2019-06-17 | 2020-03-11 | 臺灣塑膠工業股份有限公司 | 設備異常偵測方法及系統 |
Also Published As
Publication number | Publication date |
---|---|
US11761829B2 (en) | 2023-09-19 |
TW202145045A (zh) | 2021-12-01 |
US20210372862A1 (en) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8738652B2 (en) | Systems and methods for dynamic anomaly detection | |
Kenkel et al. | Multivariate analysis in weed science research | |
Gauch Jr | A simple protocol for AMMI analysis of yield trials | |
Coello et al. | Hybridizing a genetic algorithm with an artificial immune system for global optimization | |
Paynabar et al. | Monitoring and diagnosis of multichannel nonlinear profile variations using uncorrelated multilinear principal component analysis | |
Kuhn | Variable selection using the caret package | |
Cheshkova et al. | A comparison of statistical methods for assessing winter wheat grain yield stability | |
Malicdem et al. | Rice blast disease forecasting for northern Philippines | |
Rama Kotaiah et al. | Prediction of optimal cutting states during inward turning: an experimental approach | |
CN110633421A (zh) | 特征提取、推荐以及预测方法、装置、介质和设备 | |
US11455485B2 (en) | Content prediction based on pixel-based vectors | |
TWI742693B (zh) | 感測器安裝最佳化裝置及其方法 | |
De la Fuente et al. | Metamodeling a system dynamics model: A contemporary comparison of methods | |
JP2022079947A (ja) | プルーニング管理装置、プルーニング管理システム及びプルーニング管理方法 | |
Bible et al. | Cluster analysis: finding groups in data | |
Pereira et al. | A comparison between joint regression analysis and the AMMI model: a case study with barley | |
Hariharan | The analysis of microarray data | |
KR102405900B1 (ko) | 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법 | |
Kirchler et al. | Training normalizing flows from dependent data | |
CN110837604B (zh) | 基于住房监控平台的数据分析方法及装置 | |
Klami et al. | Generative models that discover dependencies between data sets | |
Bathke et al. | Some contributions to the analysis of multivariate data | |
Sun et al. | Thin plate spline regression model used at early stages of soybean breeding to control field spatial variation | |
CN113408908A (zh) | 一种基于履约能力和行为的多维信用评价模型构建方法 | |
Ding et al. | Prediction of laboratory equipment demand based on grey relation analysis and Elman neural network |