TWI829076B - 藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法 - Google Patents
藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法 Download PDFInfo
- Publication number
- TWI829076B TWI829076B TW111102778A TW111102778A TWI829076B TW I829076 B TWI829076 B TW I829076B TW 111102778 A TW111102778 A TW 111102778A TW 111102778 A TW111102778 A TW 111102778A TW I829076 B TWI829076 B TW I829076B
- Authority
- TW
- Taiwan
- Prior art keywords
- production
- data
- simulated
- correction
- production data
- Prior art date
Links
- 238000012937 correction Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000013016 learning Effects 0.000 title claims abstract description 69
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 273
- 238000004088 simulation Methods 0.000 claims abstract description 93
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims description 46
- 238000002347 injection Methods 0.000 claims description 29
- 239000007924 injection Substances 0.000 claims description 29
- 238000001746 injection moulding Methods 0.000 claims description 10
- 230000008676 import Effects 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 7
- 238000003860 storage Methods 0.000 description 49
- 238000013528 artificial neural network Methods 0.000 description 14
- 238000012544 monitoring process Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012356 Product development Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000000465 moulding Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102100029095 Exportin-1 Human genes 0.000 description 1
- 102100029091 Exportin-2 Human genes 0.000 description 1
- 101710147878 Exportin-2 Proteins 0.000 description 1
- 102100032833 Exportin-4 Human genes 0.000 description 1
- 101710147879 Exportin-4 Proteins 0.000 description 1
- 102100032839 Exportin-5 Human genes 0.000 description 1
- 108700037230 Exportin-5 Proteins 0.000 description 1
- 102100032837 Exportin-6 Human genes 0.000 description 1
- 101710147891 Exportin-6 Proteins 0.000 description 1
- 102100033139 Exportin-7 Human genes 0.000 description 1
- 108700037767 Exportin-7 Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 108700002148 exportin 1 Proteins 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
一種藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法，於一前置步驟中，取得一生產設備執行一製程參數的一實際生產數據，於一第一萃取步驟中，使用一自動編碼器分析該實際生產數據以取得複數第一特徵值，於一模擬步驟中，使用一生產預測模型執行一製程參數的模擬生產數據，於一第二萃取步驟中，使用該自動編碼器分析該模擬生產數據以取得複數第二特徵值，於一訓練步驟中，使用一多層感知器(MLP)進行該複數第一、二特徵值的訓練並得到一校正模型，該校正模型可提供該多層感知器(MLP)將其他的模擬生產數據校正成對應的實際生產數據。
Description
本發明是有關於一種學習方法，尤其是一種可藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法及學習裝置。
射出成型的加工技術能夠生產複雜的零件，但是加工條件較為複雜，高分子塑化材料透過加熱及壓力來填充模具之中，並經過壓縮及冷卻製程得到射出產品，一般塑膠射出的製程從模具的開發到射出產品穩定的產出，製程參數需經過反覆調教，早期需要仰賴具有經驗的師傅才可以快速取得製程參數，但是人員的培訓並不容易，依靠經驗來調整射出產品的加工條件存在著各種的不確定性。
隨著科技的發展，射出成形技術逐步走向智能製造，也就是利用電腦來進行參數的調整，這種製造技藝非常依賴於資料的計算技術，例如計算機輔助工程(CAE)的模擬技術，可以用來優化產品設計、模具設計和實際產品的外觀，隨著數學建模技術的發展，熔膠在模穴中的流動行為、模穴壓力、模具所需的鎖模力、射出成形機所需的系統壓力，以及達到一定產品質量所需的冷卻時間，都可以通過射出成型模擬軟體加以呈現(例如Moldflow或Moldex3D)。
為了穩定射出產品的生產品質，除了對產出後的射出產品進行質量的監控之外，還必對生產的參數進行監控，目前常用的監控方法有：壓力-體積-溫度(pvT)，通過調節壓力和溫度，來控制射出產品的質量；使用模穴壓力積分作為成型品質質量的指標來進行監控。上述監控方法可以進一步減少射出產品的重量產生異常的變化。
在射出產品的開發階段會進行製程參數的測試，以找到最佳的製程參數，以進行生產，一般射出成型的製成參數包括熔膠溫度、冷卻時間、注入溫度、速度/壓力轉換(V/P轉換)、保壓時間、鎖模力等等，G.Xu,Z.Yang,Int.J.Adv.Manuf.Technol.2015,78,525.揭露一種基於參數計算和灰色模型相關聯的智能分析方法，用以獲得最佳製程參數。
雖然習知技術揭露了一種可監控射出產品的技術，但是實際使用時仍具有下列缺點：
一、模擬並不真實：
用於顯示或模擬模穴中熔膠之物理信息都存在局限性，簡化的數學模型、不正確的加工條件、材料屬性的設置、模具的剛度、機器老化等諸多因素可能會導致模擬結果與實際成型結果發生不一致。
二、產品的開發時間長：
由於模擬的運作狀況與實際感測的機台狀況並不準確，利用模擬後所的到的製程參數，在實際使用時，還必須進行調整，如此會延長射出產品的開發時間。
三、模擬不能做為比對的參考：
當模擬的結果與射出成型機所偵測的生產狀況並不一致時，模擬數據還必須經過專業人士的校正，不能直接作為實際參數比對的參考，無法進一步對射出產品的生產結果進行監控。
因此，如何改善射出成型的製程模擬數據與實際感測數據更加相似，以使射出產品的開發人員可利用模擬來進行製程參數的調整，並且作為射出產品製造時的監控基準，是相關技術人員亟需努力的目標。
有鑑於此，本發明之目的是在提供一種藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法。
該藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法包含一前置步驟、一第一萃取步驟、一模擬步驟、一第二萃取步驟、一訓練步驟、一導入步驟，及一校正步驟。
於該前置步驟中，在一生產設備上設定一製程參數以進行生產，並對該生產設備的生產狀況進行偵測以取得一實際生產數據。
於該第一萃取步驟中，將該實際生產數據輸入一自動編碼器（autoencoder）以萃取出複數第一特徵值。
於該模擬步驟中，設定一生產預測模型，該生產預測模型依該製程參數運作並產生一模擬生產數據。
於該第二萃取步驟中，將該模擬生產數據輸入該自動編碼器（autoencoder）以萃取出複數第二特徵值。
於該訓練步驟中，將該複數第一、二特徵值輸入一多層感知器（MLP）進行訓練以得到一校正模型。
於該導入步驟中，將另一模擬生產數據輸入該自動編碼器（autoencoder）以萃取出複數第三特徵值。
於該校正步驟中，該多層感知器（MLP）使用該校正模型來計算該第三特徵值以取得複數校正特徵值，該複數校正特徵值再藉由該自動編碼器進行解碼以得到一校正後模擬數據。
本發明的又一技術手段，是在於上述之訓練步驟中，該多層感知器（MLP）可藉由該校正模型將該第二特徵值校正成為該第一特徵值。
本發明的另一技術手段，是在於上述之前置步驟及模擬步驟中，該實際生產數據及該模擬生產數據的最大值設為1，該實際生產數據及該模擬生產數據的最小值設為0，該實際生產數據及該模擬生產數據的其餘數值再依據比例進行計算以取得複數介於0~1之間的數據。
本發明的再一技術手段，是在於上述之導入步驟中，該另一模擬生產數據是由該生產預測模型導入另一製程參數的運作產生結果。
本發明的又一技術手段，是在於上述之藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法更包含一於該校正步驟之後的比對步驟，將該另一製程參數設定於該生產設備以進行生產，並對該生產設備的生產狀況進行偵測以取得另一實際生產數據，再判斷該另一實際生產數據與該校正後模擬數據是否相同。
本發明的另一技術手段，是在於上述之前置步驟中，該生產設備為射出成型機，該製程參數選自於充填行程、料桶溫度、螺桿轉速、射出壓力、保壓時間、冷卻時間、模具溫度、鎖模力、射出速度、充填保壓切換點、保壓壓力的其中之一及其組合。
本發明的再一技術手段，是在於上述之前置步驟中，該生產設備包括一具有至少一模穴的模具，該模具上設置至少一壓力感測器，用以感測該模穴的壓力並成為該實際生產數據。
本發明的另一目的，是在提供一種學習裝置。
該學習裝置包含一模擬校正單元、一生產模擬單元，及一生產儲存單元。
該模擬校正單元包括一校正學習模組，及一與該校正學習模組連接之校正儲存模組，該校正學習模組中儲存一多層感知器（MLP）。
該生產模擬單元包括一與該校正學習模組連接之模擬結果儲存模組、一與該模擬結果儲存模組連接之生產模擬模組，及一與該生產模擬模組連接之參數儲存模組，該參數儲存模組中儲存一製程參數，該生產模擬模組中儲存一生產預測模型，該生產預測模型對應一生產設備的生產運作特徵，該生產模擬模組使用該製程參數來執行該生產預測模型以產生一模擬生產數據，並將該模擬生產數據儲存於該模擬結果儲存模組中。
該生產儲存單元包括一與該校正學習模組連接之生產結果儲存模組，該生產結果儲存模組儲存一實際生產數據，該實際生產數據為該生產設備執行該製程參數的運作狀況。
該校正學習模組使用該多層感知器（MLP）分析該模擬生產數據及該實際生產數據以取得一校正模型，並將該校正模型儲存於該校正儲存模組中。
本發明的另一技術手段，是在於上述之模擬校正單元更包括一與該校正儲存模組連接之模擬校正模組，上述之生產模擬單元更包括一與該模擬校正模組連接之校正結果儲存模組，該模擬校正模組中儲存該多層感知器（MLP），該模擬校正模組將該校正模型套入該多層感知器（MLP）並對該模擬生產數據進行計算以取得一校正後模擬數據，並將該校正後模擬數據儲存於該校正結果儲存模組中。
本發明的再一技術手段，是在於上述之學習裝置更包含一生產監控單元，該生產監控單元包括一與該生產結果儲存模組及該校正結果儲存模組連接之數據比對模組，該數據比對模組分析該實際生產數據是否與該校正後模擬數據相同。
本發明之有益功效在於，由於該生產預測模型無法完全模擬實際使用的生產設備，造成該模擬生產數據與該實際生產數據存在誤差，該多層感知器(MLP)為人工神經網路(英語：Artificial Neural Network，ANN)，簡稱神經網路(Neural Network，NN)或類神經網路，可使用該模擬生產數據與該實際生產數據進行多次的分析學習並通過兩者的差異得到該校正模型，該校正模型可提供該多層感知器(MLP)將該模擬生產數據校正為正確的數據。
有關本發明之相關申請專利特色與技術內容，在以下配合參考圖式之兩個較佳實施例的詳細說明中，將可清楚地呈現。在進行詳細說明前應注意的是，類似的元件是以相同的編號來做表示。
本發明是一種藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法及學習裝置之主要目的是用於模擬一生產設備201的運作時的感測狀況，較佳地，該生產設備201為使用在塑膠材料之射出產品的射出成型機，實際實施時，該生產設備201可使用在其他種類產品的生產機台，如金屬沖壓機等可偵測出不同階段壓力的設備，不應以此為限。
請參閱圖1，及圖2，為本發明學習裝置之一第一較佳實施例，為該生產設備201使用模具202，該模具202圍繞界定兩模穴203，用以生產該射出產品，在該模具202上設有複數壓力感測器204，並分別利用一第一感測位置205及一第二感測位置206來偵測該模穴203的壓力，於該第一較佳實施例中，是使用該第一感測位置205的模穴203壓力進行說明，實際實施時，該模具202及內部模穴203的設置數量及形狀，以及該壓力感測器204設置的數量及位置，應以實際狀況進行設置，不應以此為限。
於該第一較佳實施例中，該學習裝置是一台電腦，該學習裝置與該生產設備201電連接，該生產設備201可以具有自己的電腦來設定製程參數，以進行射出產品的生產作業，實際實施時，也可以直接使用該學習裝置來控制該生產設備201，不應以此為限，該學習裝置包括一模擬校正單元31、一生產模擬單元32，及一生產儲存單元33。
該模擬校正單元31包括一校正學習模組311，及一與該校正學習模組311連接之校正儲存模組312，該校正學習模組311為可執行程式的控制電路，該校正學習模組311中儲存一多層感知器（MLP），該校正儲存模組312是一種資料儲存電路。
該生產模擬單元32包括一參數儲存模組321、一生產模擬模組322，及一模擬結果儲存模組323，該模擬結果儲存模組323與該校正學習模組311連接，該生產模擬模組322與該模擬結果儲存模組323連接，該參數儲存模組321與該生產模擬模組322連接，該參數儲存模組321是一種資料儲存的電子電路，用以儲存一製程參數，該生產模擬模組322為可執行程式的控制電路，該生產模擬模組322中儲存一生產預測模型，該生產預測模型是對應該生產設備201的生產運作特徵，可用於利用該製程參數來模擬該生產設備201的生產狀況及運作狀況，並將模擬結果做為一模擬生產數據，並將該模擬生產數據儲存於該模擬結果儲存模組323中，該模擬結果儲存模組323是一種資料儲存電路，其中，該模擬生產數據主要是模擬該壓力感測器204在該第一感測位置205的感測數據，實際實施時，可運用在模擬其他種類的感測數據，不應以此為限。
該生產儲存單元33包括一與該校正學習模組311連接之生產結果儲存模組331，該生產結果儲存模組331是一種資料儲存電路，用於儲存該生產設備201運作時之一實際生產數據，其中，該實際生產數據為該生產設備201執行該製程參數的運作狀況，較佳地，可透過移動式資料儲存裝置（USB隨身碟）將該實際生產數據儲存在該生產結果儲存模組331中，實際實施時，可透過傳輸線連接該生產設備201，以直接取得該實際生產數據，不應以此為限，其中，該實際生產數據為該壓力感測器204在該第一感測位置205的感測數據。
請參閱圖3，為該多層感知器（MLP）的模型結構，該多層感知器（MLP）是一種人工神經網路（英語：Artificial Neural Network，ANN），簡稱神經網路（Neural Network，NN）或類神經網路，具有輸入層（Input layer）、輸出層（Output layer）及隱藏層（Hidden layer）。輸入層（Input layer）為眾多神經元（Neuron）接受大量非線形輸入訊息，輸入的訊息稱為輸入向量；輸出層（Output layer）訊息在神經元鏈結中傳輸、分析、權衡，形成輸出結果，輸出的訊息稱為輸出向量；隱藏層（Hidden layer），是輸入層和輸出層之間眾多神經元和鏈結組成的各個層面，隱藏層可以有一層或多層，隱藏層的節點（神經元）數目不定，但數目越多神經網路的非線性越顯著。該校正學習模組311使用該多層感知器（MLP）分析該模擬生產數據及該實際生產數據以進行學習並取得一校正模型，再將該校正模型儲存於該校正儲存模組312中，於圖3的模型結構中，除了輸入層的節點外，每個節點都是一個使用非線性閾值激活函數的神經元，該多層感知器（MLP）使用一種反向傳播的監督學習技術進行訓練，其中，
表示第
S組數據的第
k個輸入數據，
m是輸入數據的總數，
是第
lr層的第
個神經節點，
是第
lr層的神經元總數，
表示輸入數據的向量，
N
set 是輸入數據集中的數據點總數，
L是除輸入層以外的所有層的總和，
為神經元的層數，
表示從第一個數據集訓練到第
S個數據集後第
lr層的輸出向量，下列方程式（1）~（6）分別顯示了隱藏層、第一層和輸出層的輸出向量，
表示第
lr層的權重向量，權重值介於0和1之間，這些值隨著訓練數據的變化而變化，它們代表了模型訓練後與輸入輸出相關的神經網絡的記憶，
當
時，
（1）；
其中，
（2）；
（3）；
（4）；
當
，
（5）；
當
，
（6）。
於該第一較佳實施例，該模擬生產數據設置於該多層感知器（MLP）的輸入層，該實際生產數據設置於該多層感知器（MLP）的輸出層，該校正模型設置於該多層感知器（MLP）的隱藏層，該多層感知器（MLP）藉由該輸入層及該輸出層的多次學習，可以得到位在該隱藏層的校正模型，其中，該模擬生產數據及該實際生產數據為眾多的模擬數據及實際感測數據，並可由以下公式表示，以進入該多層感知器（MLP）中進行學習並取得該校正模型：
；
其中，
為徑向函數，
為輸入層的輸入向量，
為加權向量，
為偏差值，
為輸出層的輸出值。
較佳地，當該模擬生產數據及該實際生產數據取得後必須將權重值的範圍調整在0~1之間，換句話說，該實際生產數據及該模擬生產數據的最大值設為1，該實際生產數據及該模擬生產數據的最小值設為0，其餘數據的實際值再以該最大值的比例進行計算以取得複數計算值，其公式為：
；
其中，
為計算值；
為實際值；
為該實際生產數據及該模擬生產數據的最大值；
為該實際生產數據及該模擬生產數據的最小值。
由於該生產預測模型是用來模擬該生產設備201的生產狀況及運作狀況，因此該生產預測模型使用該製程參數進行模擬計算後，所得到的模擬生產數據會與該實際生產數據有所誤差，甚至該模擬生產數據的誤差高達20%以上，該多層感知器（MLP）利用神精網路來學習該模擬生產數據與該實際生產數據的差異並得到該校正模型，該校正模型可以提供其他具有該多層感知器的模組將該模擬生產數據進行校正，以使校正後所得到的數據與該實際生產數據相同，在實際運用時，該校正後所得到的數據與該實際生產數據的相似度可高達99.9%以上，並且視為相同的數據。
值得一提的是，當該校正學習模組311完成學習並得到該校正模型後，該校正模型可以提供不同數值的製程參數進行模擬運算，並於校正運算後可以得到正確的模擬數據，藉此可以提供射出產品的開發人員利用該學習裝置進行產品的模擬開發，以先將該製程參數調整為最佳，再於該生產設備201進行測試，藉此可以大幅度減少產品的開發時間，也可以節省產品開發的成本。
請參閱圖4，及圖5，為該藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法，該藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法包含一前置步驟901、一第一萃取步驟902、一模擬步驟903、一第二萃取步驟904、一訓練步驟905、一導入步驟906，及一校正步驟907。
於該前置步驟901中，在該生產設備201上設定一製程參數以進行生產，並對該生產設備201的生產狀況進行偵測以取得一實際生產數據，較佳地，是利用壓力感測器204，在該第一感測位置205進行模穴203壓力的感測以得到該實際生產數據，其中，該製程參數選自於充填行程、料桶溫度、螺桿轉速、射出壓力、保壓時間、冷卻時間、模具溫度、鎖模力、射出速度、充填保壓切換點、保壓壓力的其中之一及其組合，於該第一較佳實施例，該製程參數中設有固定參數及可變參數，該固定參數為充填行程（40mm），料桶溫度（483˚K），螺桿轉速（100rpm），射出壓力（180MPa），保壓時間（8秒），冷卻時間（15秒），模具溫度（333˚K），鎖模力（600kN），第三保壓壓力（10MPa），另外，可變參數請參閱表（一）。
表（一）
| NO | 射出速度 （mm/s） | V/P切換 （mm） | 第一保壓壓力 （MPa） | 第二保壓壓力 （MPa） |
| Exp1 | 48 | 6.48 | 102 | 68 |
| Exp2 | 48 | 6.19 | 136 | 102 |
| Exp3 | 48 | 5.89 | 170 | 136 |
| Exp4 | 60 | 6048 | 136 | 136 |
| Exp5 | 60 | 6.19 | 170 | 68 |
| Exp6 | 60 | 5.89 | 102 | 102 |
| Exp7 | 72 | 6.48 | 170 | 102 |
| Exp8 | 72 | 6.19 | 102 | 136 |
| Exp9 | 72 | 5.89 | 136 | 68 |
請參閱圖6，為該生產設備201分別以上面九組製程參數進行運作所得到之實際生產數據的曲線，縱軸為偵測的壓力比例（數值為0~1之間），橫軸為時間，其中，每一組顯示曲線是由1400個數據所組成。
於該第一萃取步驟902中，將該實際生產數據輸入一自動編碼器（autoencoder）以萃取出複數第一特徵值，請參閱圖7，較佳地，是將上述1400個實際生產數據的數據進行萃取，以收斂成5個特徵值，縱軸為特徵值的價值（Value），橫軸為特徵值（Feature），實際實施時，可依據實際狀況來決定特徵值的數量，不應以此為限。
於該模擬步驟903中，設定一生產預測模型，該生產預測模型依該製程參數運作並產生一模擬生產數據，請參閱圖8，為該模擬生產數據的曲線，該製程參數相同於該生產設備201所使用的製程參數，縱軸為偵測的壓力比例（數值為0~1之間），橫軸為經過的時間，每一組顯示曲線是由1400個數據所組成。
於該第二萃取步驟904中，將該模擬生產數據輸入該自動編碼器(autoencoder)以萃取出複數第二特徵值，請參閱圖9，較佳地，是將上述1400個模擬生產數據的數據進行萃取，以收斂成5個特徵值，縱軸為特徵值的價值(Value)，橫軸為特徵值(Feature)，由於該第一萃取步驟902與該第二萃取步驟904使用相同的自動編碼器(autoencoder)，所以取得的特徵值才能進行比對及分析。
其中，於該前置步驟901及該模擬步驟903中，該實際生產數據及該模擬生產數據的最大值設為1，該實際生產數據及該模擬生產數據的最小值設為0，該實際生產數據及該模擬生產數據的其餘數值再依據比例進行計算以取得複數介於0~1之間的數據，如果產生無限大的數值，該無限大的數值為1，小於0的數值修改成0，令該實際生產數據及該模擬生產數據收斂在0~1之間，類似濾波的概念，有利該多層感知器(MLP)的分析壓力，避免神經元的計算發生梯度過大(亦稱崩潰或爆炸)的狀況，因此，圖6、圖7、圖8，及圖9的壓力感測值及特徵值會藉於0~1之間。
於該訓練步驟905中，將該複數第一、二特徵值輸入該多層感知器(MLP)進行訓練以得到一校正模型，該多層感知器(MLP)可利用該校正模型進行反向計算以將該第二特徵值校正並與該第一特徵值相同。
請配合參閱圖10，於該導入步驟906中，將另一模擬生產數據輸入該自動編碼器(autoencoder)以萃取出複數第三特徵值，其中，該另一模擬生產數據是以該生產預測模型為基礎，再導入另一製程參數的運作產生結果，不同的製程參數可以得到不同的模擬生產數據。
於該校正步驟907中，該多層感知器(MLP)使用該校正模型來計算該第三特徵值以取得複數校正特徵值，該複數校正特徵值再藉由該自動編碼器進行解碼以得到一校正後模擬數據，該校正後模擬數據也具有1400個數值，請參閱圖11，為該校正後模擬數據的曲線圖，縱軸為偵測的壓力比例（數值介於0~1之間），橫軸為經過的時間，由圖7及圖12所示曲線可以瞭解，透過該校正模型並經由該導入步驟906及該校正步驟907，確實可將有誤差的模擬生產數據校正為正確的校正後模擬數據。
請參閱圖12，為本發明之一第二較佳實施例，該第二較佳實施例與該第一較佳實施例大致相同，相同之處於此不再詳述，不同之處在於，該模擬校正單元31更包括一與該校正儲存模組312連接之模擬校正模組313，該生產模擬單元32更包括一與該模擬校正模組313連接之校正結果儲存模組324，並且該學習裝置更包含一生產監控單元34，該生產監控單元34包括一與該生產結果儲存模組331及該校正結果儲存模組324連接之數據比對模組341，除此之外，該校正學習模組311與該生產結果儲存模組331及該模擬結果儲存模組323之間設置一特徵萃取模組314，該模擬校正模組313與該校正結果儲存模組324之間設置一特徵還原模組315。
該模擬校正模組313為可執行程式的控制電路，該模擬校正模組313中儲存該多層感知器（MLP），該模擬校正模組313可利用該校正模型作為該多層感知器（MLP）的計算基礎，將該模擬生產數據校正為一校正後模擬數據，該校正後模擬數據與該實際生產數據的相似度會高達99.9%以上並視為相同的數據，該校正結果儲存模組324為可儲存資料的電子電路，該模擬校正模組313將該校正後模擬數據儲存在該校正結果儲存模組324中。
該數據比對模組341是一種可執行程式的電子電路，用以比對該校正後模擬數據與實際生產數據是否相同，可運用在監控射出產品的生產狀況，舉例來說，該生產設備201因為零件的老化，讓該實際生產數據產生變化，該數據比對模組341可比對出該實際生產數據的異常誤差，並於數據發生異常誤差的時候對外發出警示，可以提醒工作人員前來檢查，或是自動調整該製程參數，使該實際生產數據維持正常。
該特徵萃取模組314與該特徵還原模組315是一種程式，並且執行在該學習裝置或其他的電子電路中，藉此達成特徵萃取及特徵還原之目的，該特徵萃取模組314與該特徵還原模組315中分別設置一自動編碼器，該特徵萃取模組314可使用該自動編碼器將眾多的實際生產數據或模擬生產數據進行特徵運算，以萃取或收斂大量的數據，而該特徵還原模組315是將特徵進行反運算，以還原出實際生產數據或模擬生產數據，具有自動編碼器的特徵萃取模組314可以將大量的數據進行特徵的收斂，以減少該校正學習模組311的數據分析壓力，實際實施時，該校正學習模組311也可以直接利用該實際生產數據或模擬生產數據進行學習，不需要設置該特徵萃取模組314與該特徵還原模組315，不應以此為限。
上述藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法可以提高模擬的準確性，主要是對相同工藝參數下的模擬和實際模穴壓力進行積分，然後使用自動編碼器模型提取特徵，除此之外，還使用多層感知器（MLP）進行特徵的擬合，並進一步解碼以獲得校正後的模擬模穴壓力分佈，再使用正確的曲線信息，可以更好地監測高分子熔體的實際流動行為，上述技術對預測成型質量很有幫助。
請參閱圖13及圖14，為該第二較佳實施例的藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法，該校正方法更包含一於該校正步驟907之後的比對步驟908。
於該比對步驟908中，將該另一製程參數設定於該生產設備201以進行生產，並對該生產設備201的生產狀況進行偵測以取得另一實際生產數據，再判斷該另一實際生產數據與該校正後模擬數據是否相同，舉例來說，每一模具202生產的射出產品，使用製程參數生產時，會具有自己的實際生產數據，該導入步驟906及該校正步驟907確實可以取得正確的校正後模擬數據，該校正後模擬數據可用於分析該實際生產數據是否正常，並提供技術人員判斷問題或改善製程。
由上述說明可知，本發明一種藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法及學習裝置確實具有下列功效：
一、正確模擬感測數據：
該生產預測模型主要的目的是模擬該生產設備201的運作特徵，但是模擬所得之模擬生產數據與實際之實際生產數據具有誤差，因此該校正學習模組311利用該多層感知器（MKP），以該模擬生產數據與該實際生產數據來進行分析及學習，用以取得兩者之間的差異並產生該校正模型，該校正模型可供據有該多層感知器（MKP）的模組進行反向計算，以得到與該實際生產數據相同的校正後模擬數據，本發明具有正確模擬該生產設備201之感測數據的功效。
二、減少產品的開發時間：
當該校正學習模組311取得正確的校正模型後會儲存在該校正儲存模組312，可以提供射出產品的開發者以不同的製程參數進行模擬的產品開發，不需要耗費大量的時間及成本，也無須使用該生產設備201進行產該製程參數的調整，當以虛擬的方式調整到較佳的製程參數後再進入該生產設備201進行測試，可減少利用該生產設備201之產品的開發時間。
三、可監控產品的生產狀況：
由於該模擬校正模組313可以計算出相同於該實際生產數據的校正後模擬數據，並儲存在該模擬結果儲存模組323中，當該生產設備201進行產品的量產時，可以對每一個產品生產時之實際生產數據進行分析及比對，並在發生問題時對外發出警報，該學習裝置確實具有監控產品的生產狀況之功效。
綜上所述，該模擬校正單元31之校正學習模組311可藉由該模擬生產數據及該實際生產數據進行多次學習以取得該校正模型，該校正模型可提供該生產模擬單元32取得正確的校正後模擬數據，不僅可提供產品開發者利用模擬的方式進行產品的開發，更可以在量產產品時對該生產設備201的運作狀況進行即時的監控，故確實可以達成本發明之目的。
惟以上所述者，僅為本發明之兩個較佳實施例而已，當不能以此限定本發明實施之範圍，即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。
201:生產設備
202:模具
203:模穴
204:壓力感測器
205:第一感測位置
206:第二感測位置
31:模擬校正單元
311:校正學習模組
312:校正儲存模組
313:模擬校正模組
314:特徵萃取模組
315:特徵還原模組
32:生產模擬單元
321:參數儲存模組
322:生產模擬模組
323:模擬結果儲存模組
324:校正結果儲存模組
33:生產儲存單元
331:生產結果儲存模組
34:生產監控單元
341:數據比對模組
901:前置步驟
902:第一萃取步驟
903:模擬步驟
904:第二萃取步驟
905:訓練步驟
906:導入步驟
907:校正步驟
908:比對步驟
圖1是一裝置設置示意圖，為本發明之一第一較佳實施例，說明一生產設備與一學習裝置的設置態樣；圖2是一立體示意圖，說明於該第一較佳實施例中，兩個模穴的形狀；圖3是一示意圖，說明於該第一較佳實施例中，該生產設備中使用之多層感知器(MLP)的模型結構；圖4是一流程圖，說明於該第一較佳實施例之藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法；圖5是一示意圖，說明於該第一較佳實施例之藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法中，以該多層感知器進行學習訓練的方法；圖6是一曲線圖，說明於該第一較佳實施例中取得之模擬生產數據；圖7是一曲線圖，說明於該第一較佳實施例中，以該模擬生產數據為基準的特徵曲線；圖8是一曲線圖，說明於該第一較佳實施例中取得之實際生產數據；圖9是一曲線圖，說明於該第一較佳實施例中，以該實際生產數據為基準的特徵曲線；圖10是一示意圖，說明於該第一較佳實施例之藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法中，將模擬生產數據校正為校正後模擬數據的態樣；圖11是一曲線圖，說明於該第一較佳實施例中取得之校正後模擬數據；圖12是一裝置設置示意圖，為本發明之一第二較佳實施例，說明一生產設備與一學習裝置的設置態樣；圖13流程圖，說明於該第二較佳實施例之藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法；及圖14是一示意圖，說明於該第二較佳實施例中，利用該校正後模擬數據監控該生產設備的態樣。
901:前置步驟
902:第一萃取步驟
903:模擬步驟
904:第二萃取步驟
905:訓練步驟
906:導入步驟
907:校正步驟
Claims (6)
- 一種藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法，包含以下步驟：一前置步驟，在一生產設備上設定一製程參數以進行生產，並對該生產設備的生產狀況進行偵測以取得一實際生產數據，該生產設備為射出成型機，該製程參數選自於充填行程、料桶溫度、螺桿轉速、射出壓力、保壓時間、冷卻時間、模具溫度、鎖模力、射出速度、充填保壓切換點、保壓壓力的其中之一及其組合；一第一萃取步驟，將該實際生產數據輸入一自動編碼器(autoencoder)以萃取出複數第一特徵值；一模擬步驟，設定一生產預測模型，該生產預測模型依該製程參數運作並產生一模擬生產數據；一第二萃取步驟，將該模擬生產數據輸入該自動編碼器(autoencoder)以萃取出複數第二特徵值；一訓練步驟，將該複數第一、二特徵值輸入一多層感知器(MLP)進行訓練以得到一校正模型；一導入步驟，將另一模擬生產數據輸入該自動編碼器(autoencoder)以萃取出複數第三特徵值；及一校正步驟，該多層感知器(MLP)使用該校正模型來計算該第三特徵值以取得複數校正特徵值，該複數校正特徵值再藉由該自動編碼器進行解碼以得到一校正後模擬數據。
- 如請求項1所述藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法，其中，於該訓練步驟中，該多層感知器(MLP)可藉由該校正模型將該第二特徵值校正成為該第一特徵值。
- 如請求項1所述藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法，其中，於該前置步驟及該模擬步驟中，該實際生產數據及該模擬生產數據的最大值設為1，該實際生產數據及該模擬生產數據的最小值設為0，該實際生產數據及該模擬生產數據的其餘數值再依據比例進行計算以取得複數介於0~1之間的數據。
- 如請求項1所述藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法，其中，於該導入步驟中，該另一模擬生產數據是由該生產預測模型導入另一製程參數的運作產生結果。
- 如請求項4所述藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法，更包含一於該校正步驟之後的比對步驟，將該另一製程參數設定於該生產設備以進行生產，並對該生產設備的生產狀況進行偵測以取得另一實際生產數據，再判斷該另一實際生產數據與該校正後模擬數據是否相同。
- 如請求項1所述藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法，其中，於該前置步驟中，該生產設備包括一具有至少一模穴的模具，該模具上設置至少一壓力感測器，用以感測該模穴的壓力並成為該實際生產數據。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111102778A TWI829076B (zh) | 2022-01-22 | 2022-01-22 | 藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111102778A TWI829076B (zh) | 2022-01-22 | 2022-01-22 | 藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202331602A TW202331602A (zh) | 2023-08-01 |
| TWI829076B true TWI829076B (zh) | 2024-01-11 |
Family
ID=88558978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111102778A TWI829076B (zh) | 2022-01-22 | 2022-01-22 | 藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI829076B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200387797A1 (en) * | 2018-06-12 | 2020-12-10 | Ciena Corporation | Unsupervised outlier detection in time-series data |
| CN112987675A (zh) * | 2021-05-06 | 2021-06-18 | 北京瑞莱智慧科技有限公司 | 一种异常检测的方法、装置、计算机设备和介质 |
| US20210334656A1 (en) * | 2018-09-05 | 2021-10-28 | Sartorius Stedim Data Analytics Ab | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance |
| WO2021262053A1 (en) * | 2020-06-25 | 2021-12-30 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and system for image compressing and coding with deep learning |
-
2022
- 2022-01-22 TW TW111102778A patent/TWI829076B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200387797A1 (en) * | 2018-06-12 | 2020-12-10 | Ciena Corporation | Unsupervised outlier detection in time-series data |
| US20210334656A1 (en) * | 2018-09-05 | 2021-10-28 | Sartorius Stedim Data Analytics Ab | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance |
| WO2021262053A1 (en) * | 2020-06-25 | 2021-12-30 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and system for image compressing and coding with deep learning |
| CN112987675A (zh) * | 2021-05-06 | 2021-06-18 | 北京瑞莱智慧科技有限公司 | 一种异常检测的方法、装置、计算机设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202331602A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107364097B (zh) | 注射成形机的止回阀的磨损量推定装置及磨损量推定方法 | |
| CN112838946B (zh) | 基于通信网故障智能感知与预警模型的构建方法 | |
| CN111491773B (zh) | 用于注射压机的成型参数处理方法 | |
| KR20210091130A (ko) | 물리적 생산 공정을 개선하기 위한 방법 및 시스템 | |
| CN111723513B (zh) | 一种通过机器学习神经网络进行反演模拟参数的方法 | |
| CN116277819A (zh) | 塑料成型工艺优化方法、装置、电子设备和可读存储介质 | |
| TW202006652A (zh) | 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法 | |
| Ke et al. | Enhancement of multilayer perceptron model training accuracy through the optimization of hyperparameters: a case study of the quality prediction of injection-molded parts | |
| TWI829076B (zh) | 藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法 | |
| Huang et al. | Calibration of cavity pressure simulation using autoencoder and multilayer perceptron neural networks | |
| JP4536200B2 (ja) | 成形試験システムおよび成形試験方法 | |
| CN117973194A (zh) | 基于平行系统的油气管网数字孪生建模方法和系统 | |
| US20220339837A1 (en) | Operation Quantity Determination Device, Molding Apparatus System, Molding Machine, Non-Transitory Computer Readable Recording Medium, Operation Quantity Determination Method, and State Display Device | |
| Ma et al. | Intelligent recommendation system of the injection molding process parameters based on CAE simulation, process window, and machine learning | |
| US20230297827A1 (en) | Learning method and learning apparatus for performing virtual-actual correction by machine learning-assisted simulation of pressure numerical value | |
| WO2022054463A1 (ja) | 機械学習方法、コンピュータプログラム、機械学習装置及び成形機 | |
| JP7344754B2 (ja) | 学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システム | |
| CN109932908B (zh) | 一种基于报警信度融合的多向主元分析过程监测方法 | |
| CN109871559B (zh) | 一种电力系统信息故障扫描的分析方法 | |
| WO2024106002A1 (ja) | 成形条件修正装置、成形機、成形条件修正方法及びコンピュータプログラム | |
| WO2022196755A1 (ja) | 強化学習方法、コンピュータプログラム、強化学習装置及び成形機 | |
| US20210107195A1 (en) | Procedure for determining real molding fronts and aligning simulations | |
| US20230122304A1 (en) | Manufacturing equipment control via predictive sequence to sequence models | |
| WO2023032375A1 (ja) | 成形条件パラメータ調整方法、コンピュータプログラム、成形条件パラメータ調整装置及び成形機 | |
| Ke et al. | Quality Classification of Injection-Molded Components by Using Quality Indices, Grading, and Machine Learning. Polymers 2021, 13, 353 |