TWM597429U - 利用演化式模糊類神經網路之刀具磨耗預測系統 - Google Patents
利用演化式模糊類神經網路之刀具磨耗預測系統 Download PDFInfo
- Publication number
- TWM597429U TWM597429U TW109203096U TW109203096U TWM597429U TW M597429 U TWM597429 U TW M597429U TW 109203096 U TW109203096 U TW 109203096U TW 109203096 U TW109203096 U TW 109203096U TW M597429 U TWM597429 U TW M597429U
- Authority
- TW
- Taiwan
- Prior art keywords
- submodule
- tool wear
- neural network
- module
- wear value
- Prior art date
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本新型提供一種利用演化式模糊類神經網路之刀具磨耗預測系統,其用以預測刀具切削工件所產生之實際刀具磨耗值。切削機台驅動刀具切削工件而產生複數切屑。攝影機擷取各切屑之影像。運算處理器將切削參數、標準色度參數及累積切削時間依據一區間第二型模糊類神經網路運算而產生複數預測刀具磨耗值,並將預測刀具磨耗值進行比較而選擇出與實際刀具磨耗值相差之最小誤差者,以更新為一最佳預測刀具磨耗值。藉此,透過區間第二型模糊類神經網路作為預測模型,並使用動態分群協同式差分進化演算單元來優化模型參數。
Description
本新型是關於一種刀具磨耗預測系統,特別是關於一種利用演化式模糊類神經網路之刀具磨耗預測系統。
現今的機械產業中,電腦數值控制(Computer Numerical Control;CNC)加工機佔有相當高的影響,在使用刀具加工的過程中,刀具必定會產生磨耗,而磨耗攸關著整體加工的品質與成本、更換刀具的時機,過早或過晚更換都會增加成本。而為了避免成本增加的問題,刀具磨耗的預測就有其重要性。
習知刀具磨耗的感測方式可分為兩種,其中一種是直接式感測,其可細分為:放射物質感測器、距離感測器及光學感測器等等。另一種則為間接式感測,其可依照接觸與否細分為接觸式與非接觸式,接觸式的感測器有:動力計、加速規、電流感測器等,而非接觸式則可以使用聲發射感測器。間接式量測取得的數據較難直接反應實際的切削狀況,且習知刀具磨耗預測技術的演算法存在收斂
速度過快而易陷入區域最佳解之問題。由此可知,目前此領域上缺乏一種可優化模型參數而得到較準確之預測刀具磨耗值的刀具磨耗預測系統,故相關研究者均在尋求其解決之道。
因此,本新型之目的在於提供一種利用演化式模糊類神經網路之刀具磨耗預測系統,其先對切屑表面顏色進行取像,再將取得的圖像色彩資訊轉換到標準色度參數,並使用標準色度參數、切削參數、累積切削時間與刀具磨耗值來建立預測模型。然後以區間第二型模糊類神經網路作為預測模型,並使用動態分群協同式差分進化演算法來優化模型參數,以解決習知刀具磨耗預測技術中演算法存在收斂速度過快而易陷入區域最佳解之問題。
依據本新型之一實施方式提供一種利用演化式模糊類神經網路之刀具磨耗預測系統,其用以預測刀具切削工件所產生之實際刀具磨耗值。此利用演化式模糊類神經網路之刀具磨耗預測系統包含切削機台、攝影機以及運算處理器,其中切削機台驅動刀具切削工件而產生複數切屑。攝影機擷取各切屑之影像。運算處理器訊號連接切削機台與攝影機,且運算處理器包含參數規劃模組、時間記錄模組、色彩轉換模組及預測刀具磨耗值產生模組。參數規劃模組提供複數切削因子依據一田口直交表規劃出複數切削參數,此些切削因子對應刀具。時間記錄模組記錄刀具切
削過程之複數累積切削時間。色彩轉換模組接收切屑之影像並將影像轉換成複數標準色度參數。預測刀具磨耗值產生模組訊號連接參數規劃模組、時間記錄模組及色彩轉換模組。預測刀具磨耗值產生模組將切削參數、標準色度參數及累積切削時間依據一區間第二型模糊類神經網路運算而產生複數預測刀具磨耗值,區間第二型模糊類神經網路經由一動態分群協同式差分進化演算單元調整而產生一橫向演化預測刀具磨耗值與一縱向演化預測刀具磨耗值,且預測刀具磨耗值產生模組將預測刀具磨耗值、橫向演化預測刀具磨耗值及縱向演化預測刀具磨耗值進行比較而選擇出與實際刀具磨耗值相差之最小誤差者,以更新為一最佳預測刀具磨耗值。
藉此,本新型的利用演化式模糊類神經網路之刀具磨耗預測系統透過區間第二型模糊類神經網路作為預測模型,並使用動態分群協同式差分進化演算單元來優化模型參數,以解決習知刀具磨耗預測技術中演算法存在收斂速度過快而易陷入區域最佳解之問題。
100:利用演化式模糊類神經網路之刀具磨耗預測系統
200:切削機台
300:攝影機
400:運算處理器
410:參數規劃模組
420:時間記錄模組
430:色彩轉換模組
431:範圍選定子模組
432:色彩校正子模組
433:第一色彩轉換子模組
434:第二色彩轉換子模組
435:第三色彩轉換子模組
440:預測刀具磨耗值產生模組
442:區間第二型模糊類神經網路
444:動態分群協同式差分進化演算單元
4441:初始化子模組
4442:分群子模組
4443:領導者確認子模組
4444:突變子模組
4445:交換子模組
4446:選擇子模組
4447:領導者調整子模組
4448:更新子模組
4449:迭代次數判斷子模組
Layer1:第一層
Layer2:第二層
Layer3:第三層
Layer4:第四層
Layer5:第五層
X1,Xn:個體向量
Y:最佳預測刀具磨耗值
500:利用演化式模糊類神經網路之刀具磨耗預測方法
S02:參數規劃步驟
S04:切削步驟
S06:數據收集步驟
S08:色彩轉換步驟
S081:範圍選定步驟
S082:色彩校正步驟
S083:第一色彩轉換步驟
S084:第二色彩轉換步驟
S085:第三色彩轉換步驟
S10:預測刀具磨耗值產生步驟
S102:區間第二型模糊類神經網路模型
S104:動態分群協同式差分進化演算法
S1041:初始化步驟
S1042:分群步驟
S1043:領導者確認步驟
S1044:突變步驟
S1045:交換步驟
S1046:選擇步驟
S1047:領導者調整步驟
S1048:更新步驟
S1049:迭代次數判斷步驟
第1圖係繪示本新型第一實施例之利用演化式模糊類神經網路之刀具磨耗預測系統的方塊示意圖;
第2圖係繪示第1圖之利用演化式模糊類神經網路之刀具磨耗預測系統的色彩轉換模組之方塊示意圖;
第3圖係繪示第1圖之利用演化式模糊類神經網路之刀具磨耗預測系統的區間第二型模糊類神經網路之示意圖;
第4圖係繪示第1圖之利用演化式模糊類神經網路之刀具磨耗預測系統的動態分群協同式差分進化演算單元之方塊示意圖;
第5圖係繪示本新型第二實施例之利用演化式模糊類神經網路之刀具磨耗預測方法的流程示意圖;
第6圖係繪示第5圖之利用演化式模糊類神經網路之刀具磨耗預測方法的色彩轉換步驟之流程示意圖;以及
第7圖係繪示第5圖之利用演化式模糊類神經網路之刀具磨耗預測方法的動態分群協同式差分進化演算法之流程示意圖。
請一併參閱第1圖至第4圖,其中第1圖係繪示本新型第一實施例之利用演化式模糊類神經網路之刀具磨耗預測系統100的方塊示意圖;第2圖係繪示第1圖之利用演化式模糊類神經網路之刀具磨耗預測系統100的色彩轉換模組430之方塊示意圖;第3圖係繪示第1圖之利用演化式模糊類神經網路之刀具磨耗預測系統100的區間第二型模糊類神經網路442之示意圖;及第4圖係繪示第1圖之利用演化式模糊類神經網路之刀具磨耗預測系統100的動態分群協同式差分進化演算單元444之方塊示意圖。如圖所示,此利用演化式模糊類神經網路之刀
具磨耗預測系統100用以預測刀具切削工件所產生之實際刀具磨耗值。此利用演化式模糊類神經網路之刀具磨耗預測系統100包含切削機台200、攝影機300以及運算處理器400。
切削機台200驅動刀具切削工件而產生複數切屑。具體而言,切削機台200可為五軸加工機或其他適合的電腦數值控制(Computer Numerical Control;CNC)工具機,但本新型不以此為限。
攝影機300朝向切削機台200所產生的切屑,並擷取各切屑之影像。
運算處理器400訊號連接切削機台200與攝影機300,且運算處理器400包含參數規劃模組410、時間記錄模組420、色彩轉換模組430及預測刀具磨耗值產生模組440。
參數規劃模組410提供複數切削因子依據一田口直交表規劃出複數切削參數,此些切削因子對應刀具。具體而言,切削參數包含切削速度(m/min)、每刃進給量(mm/rev)、切削深度(mm),而田口直交表選擇使用L9(34)直交表。
時間記錄模組420記錄刀具切削過程之複數累積切削時間。
色彩轉換模組430接收切屑之影像並將影像轉換成複數標準色度參數。具體而言,色彩轉換模組430包含範圍選定子模組431、色彩校正子模組432、第一色彩轉
換子模組433、第二色彩轉換子模組434及第三色彩轉換子模組435。其中範圍選定子模組431選定各影像之一中心區域,例如選取影像中300×300像素(pixel)的範圍進行特徵提取。色彩校正子模組432訊號連接範圍選定子模組431,色彩校正子模組432針對中心區域依據一色彩校正模型執行色彩校正,以產生一標準色彩資訊。標準色彩資訊可為CIELAB色彩資訊。第一色彩轉換子模組433訊號連接色彩校正子模組432,第一色彩轉換子模組433將標準色彩資訊依據一第一標準光源轉換成複數第一刺激值,此些第一刺激值可為XYZD50之三刺激值。第二色彩轉換子模組434訊號連接第一色彩轉換子模組433,第二色彩轉換子模組434將第一刺激值依據一第二標準光源轉換成複數第二刺激值,此些第二刺激值可為XYZD65三刺激值。第三色彩轉換子模組435訊號連接第二色彩轉換子模組434,第三色彩轉換子模組435將第二刺激值依據一標準色度關係式轉換成標準色度參數,標準色度參數可為CIExy色彩資訊。
預測刀具磨耗值產生模組440訊號連接參數規劃模組410、時間記錄模組420及色彩轉換模組430。預測刀具磨耗值產生模組440將切削參數、標準色度參數及累積切削時間依據一區間第二型模糊類神經網路442運算而產生複數預測刀具磨耗值。區間第二型模糊類神經網路442經由一動態分群協同式差分進化演算單元444調整而產生一橫向演化預測刀具磨耗值與一縱向演化預測刀
具磨耗值,且預測刀具磨耗值產生模組440將預測刀具磨耗值、橫向演化預測刀具磨耗值及縱向演化預測刀具磨耗值進行比較而選擇出與實際刀具磨耗值相差之最小誤差者,以更新為一最佳預測刀具磨耗值Y。詳細地說,區間第二型模糊類神經網路442(Interval Type-II Fuzzy Neural Network,IT2FNN)包含第一層Layer1、第二層Layer2、第三層Layer3、第四層Layer4以及第五層Layer5。第一層Layer1、第二層Layer2、第三層Layer3、第四層Layer4以及第五層Layer5彼此依序連接。第一層Layer1的每個節點都為一個輸入節點,並將輸入值(個體向量X1至Xn)傳送至第二層Layer2。第二層Layer2進行模糊化運算,每個節點被定義為區間第二型模糊集合。第二層Layer2包含一區間第二型模糊平移量及一高斯函數之一平均值與一標準差。第三層Layer3之節點稱為規則節點,每一個節點代表一個模糊規則。第四層Layer4先將區間第二型模糊集合透過降階運算降階成一型模糊集合,再使用重心解模糊取得明確的輸出。第四層Layer4包含一後鑑部權重。第五層Layer5將第四層Layer4的輸出透過計算平均值來解模糊,以得到最佳預測刀具磨耗值Y。換言之,區間第二型模糊平移量、平均值、標準差及後鑑部權重經由動態分群協同式差分進化演算單元444調整,致使區間第二型模糊類神經網路442輸出最佳預測刀具磨耗值Y。
另外,預測刀具磨耗值產生模組440可包含一動態分群協同式差分進化演算單元444,動態分群協同式差分進化演算單元444包含初始化子模組4441、分群子模組4442、領導者確認子模組4443、突變子模組4444、交換子模組4445、選擇子模組4446、領導者調整子模組4447、更新子模組4448及迭代次數判斷子模組4449。
初始化子模組4441將區間第二型模糊平移量、平均值、標準差及後鑑部權重視為一個體並進行編碼,區間第二型模糊類神經網路442更包含複數個體。
分群子模組4442訊號連接初始化子模組4441,分群子模組4442將個體依據一群組閾值分群成複數群組。具體而言,分群子模組4442先將所有個體依其適應值由高到低排序,並將個體的群組編號初始值設為0。排序後將適應值最高且群組編號為0的個體設定為領導者,並將群組編號更新為k,然後計算群組閾值,群組閾值包含距離閾值Dis(k)及適應值閾值Fit(k),如下式所示:
Fit(i)=|Fit(Leader k )-Fit(X i )| (6)。若Dis(i)<Dis_Threshold(k)且Fit(i)<Fit_Threshold(k),則表示此個體與領導者是相似的,故將個體分入此群組並將群組編號更新為k。
領導者確認子模組4443訊號連接分群子模組4442,領導者確認子模組4443確認各群組之各個體是否為一領導者,領導者代表各群組之個體之複數預測刀具磨耗值之最小者。具體而言,若各群組之其中一個體是領導者,則突變子模組4444、交換子模組4445及選擇子模組4446被執行而產生橫向演化預測刀具磨耗值。反之,若各群組之其中一個體不是領導者,則領導者調整子模組4447、突變子模組4444、交換子模組4445及選擇子模組4446被執行而產生縱向演化預測刀具磨耗值。
突變子模組4444訊號連接領導者確認子模組4443,突變子模組4444依據領導者執行一突變演化關係式而得到一突變向量。突變演化關係式包含突變向量Vi、隨機領導者XrL、突變權重因子F、第一隨機個體Xr1及第二隨機個體Xr2。突變演化關係式符合下式:
Vi=XrL+F×(Xr1-Xr2) (7)。
交換子模組4445訊號連接突變子模組4444,交換子模組4445依據突變向量Vi執行一交換關係式而得到一試驗向量Ui。具體而言,交換關係式包含突變向量Vi、個體向量Xi及試驗向量Ui。交換關係式符合下式:
選擇子模組4446訊號連接交換子模組4445,選擇子模組4446依據試驗向量Ui執行一選擇關係式而得到選擇後的個體向量Xi,區間第二型模糊類神經網路442依據個體向量Xi運算而產生橫向演化預測刀具磨耗值。具體而言,選擇關係式包含試驗向量Ui與個體向量Xi,選擇關係式符合下式:
領導者調整子模組4447訊號連接領導者確認子模組4443與突變子模組4444,領導者調整子模組4447將個體排列成p×n個體向量,並將p×n個體向量分成n組p×1個體向量,然後尋找出n組p×1個體向量之n個縱向領導者。區間第二型模糊類神經網路442依據n個縱向領導者運算而產生縱向演化預測刀具磨耗值。個體的數
量為p,各個體包含複數個體向量,各個體之個體向量的數量為n。
更新子模組4448訊號連接選擇子模組4446,更新子模組4448將預測刀具磨耗值、橫向演化預測刀具磨耗值及縱向演化預測刀具磨耗值進行比較並選擇最小誤差者而更新為最佳預測刀具磨耗值Y。
迭代次數判斷子模組4449訊號連接更新子模組4448與分群子模組4442,迭代次數判斷子模組4449判斷分群子模組4442被執行的一迭代次數是否到達一預設次數;若否,則分群子模組4442與領導者確認子模組4443重新被執行;若是,則動態分群協同式差分進化演算單元444終止執行。
藉此,本新型之利用演化式模糊類神經網路之刀具磨耗預測系統100透過區間第二型模糊類神經網路442作為預測模型,並使用動態分群協同式差分進化演算單元444來優化模型參數,以解決習知刀具磨耗預測技術中演算法存在收斂速度過快而易陷入區域最佳解之問題。
請一併參閱第1圖至第7圖,其中第5圖係繪示本新型第二實施例之利用演化式模糊類神經網路之刀具磨耗預測方法500的流程示意圖;第6圖係繪示第5圖之利用演化式模糊類神經網路之刀具磨耗預測方法500的色彩轉換步驟S08之流程示意圖;以及第7圖係繪示第5圖之利用演化式模糊類神經網路之刀具磨耗預測方法500的動態分群協同式差分進化演算法S104之流程示意
圖。如圖所示,此利用演化式模糊類神經網路之刀具磨耗預測方法500用以預測刀具切削工件所產生之實際刀具磨耗值。此利用演化式模糊類神經網路之刀具磨耗預測方法500包含參數規劃步驟S02、切削步驟S04、數據收集步驟S06、色彩轉換步驟S08以及預測刀具磨耗值產生步驟S10。
參數規劃步驟S02係提供複數切削因子依據一田口直交表規劃出複數切削參數,此些切削因子對應刀具。參數規劃步驟S02透過參數規劃模組410執行。
切削步驟S04係驅動刀具切削工件而產生複數切屑,並記錄刀具於切削過程之複數累積切削時間。切削步驟S04透過切削機台200與時間記錄模組420執行。
數據收集步驟S06係驅動一攝影機300擷取各切屑之一影像。數據收集步驟S06透過攝影機300執行。
色彩轉換步驟S08係將切屑之影像轉換成複數標準色度參數。色彩轉換步驟S08透過色彩轉換模組430執行。具體而言,色彩轉換步驟S08包含範圍選定步驟S081、色彩校正步驟S082、第一色彩轉換步驟S083、第二色彩轉換步驟S084及第三色彩轉換步驟S085。範圍選定步驟S081係選定各影像之中心區域,範圍選定步驟S081透過範圍選定子模組431執行。色彩校正步驟S082係針對中心區域依據一色彩校正模型執行色彩校正,以產生一標準色彩資訊。色彩校正步驟S082透過色彩校正子模組432執行。第一色彩轉換步驟S083係將標準色
彩資訊依據一第一標準光源轉換成複數第一刺激值。第一色彩轉換步驟S083透過第一色彩轉換子模組433執行。第二色彩轉換步驟S084係將第一刺激值依據一第二標準光源轉換成複數第二刺激值。第二色彩轉換步驟S084透過第二色彩轉換子模組434執行。第三色彩轉換步驟S085係將第二刺激值依據一標準色度關係式轉換成此些標準色度參數。第三色彩轉換步驟S085透過第三色彩轉換子模組435執行。
預測刀具磨耗值產生步驟S10係將切削參數、標準色度參數及累積切削時間依據一區間第二型模糊類神經網路模型S102運算而產生複數預測刀具磨耗值。區間第二型模糊類神經網路模型S102經由動態分群協同式差分進化演算法S104調整而產生橫向演化預測刀具磨耗值與縱向演化預測刀具磨耗值,且預測刀具磨耗值產生步驟S10將預測刀具磨耗值、橫向演化預測刀具磨耗值及縱向演化預測刀具磨耗值進行比較而選擇出與實際刀具磨耗值相差之最小誤差者,以更新為一最佳預測刀具磨耗值Y。預測刀具磨耗值產生步驟S10透過預測刀具磨耗值產生模組440執行。區間第二型模糊類神經網路模型S102透過區間第二型模糊類神經網路442執行。動態分群協同式差分進化演算法S104透過動態分群協同式差分進化演算單元444執行。
另外,動態分群協同式差分進化演算法S104可包含初始化步驟S1041、分群步驟S1042、領導者確認
步驟S1043、突變步驟S1044、交換步驟S1045、選擇步驟S1046、領導者調整步驟S1047、更新步驟S1048及迭代次數判斷步驟S1049。
初始化步驟S1041係將區間第二型模糊平移量、平均值、標準差及後鑑部權重視為一個體並進行編碼,區間第二型模糊類神經網路模型S102包含複數個體。初始化步驟S1041透過初始化子模組4441執行。
分群步驟S1042係將此些個體依據一群組閾值分群成複數群組。分群步驟S1042透過分群子模組4442執行。
領導者確認步驟S1043係確認各群組之各個體是否為一領導者,領導者代表各群組之個體之複數預測刀具磨耗值之最小者。領導者確認步驟S1043透過領導者確認子模組4443執行。
突變步驟S1044係將此些個體執行一突變演化關係式而得到一突變向量。突變步驟S1044透過突變子模組4444執行。
交換步驟S1045係依據突變向量執行一交換關係式而得到一試驗向量。交換步驟S1045透過交換子模組4445執行。
選擇步驟S1046係依據試驗向量執行一選擇關係式而得到選擇後的一個體向量,區間第二型模糊類神經網路模型S102依據個體向量運算而產生橫向演化預測刀具磨耗值。選擇步驟S1046透過選擇子模組4446執行。
領導者調整步驟S1047係將此些個體排列成p×n個體向量,並將p×n個體向量分成n組p×1個體向量,然後尋找出n組p×1個體向量之n個縱向領導者。區間第二型模糊類神經網路模型S102依據n個縱向領導者運算而產生縱向演化預測刀具磨耗值。領導者調整步驟S1047透過領導者調整子模組4447執行。
更新步驟S1048係將預測刀具磨耗值、橫向演化預測刀具磨耗值及縱向演化預測刀具磨耗值進行比較並選擇最小誤差者而更新為最佳預測刀具磨耗值Y。更新步驟S1048透過更新子模組4448執行。
迭代次數判斷步驟S1049係判斷分群步驟S1042的一迭代次數是否到達一預設次數;若否,則重新執行分群步驟S1042與領導者確認步驟S1043;若是,則結束動態分群協同式差分進化演算法S104。迭代次數判斷步驟S1049透過迭代次數判斷子模組4449執行。
藉此,本新型的利用演化式模糊類神經網路之刀具磨耗預測方法500透過區間第二型模糊類神經網路模型S102作為預測模型,並使用動態分群協同式差分進化演算法S104來優化模型參數,以解決習知刀具磨耗預測技術中演算法存在收斂速度過快而易陷入區域最佳解之問題。
雖然本新型已以實施方式揭露如上,然其並非用以限定本新型,任何熟習此技藝者,在不脫離本新型之精
神和範圍內,當可作各種之更動與潤飾,因此本新型之保護範圍當視後附之申請專利範圍所界定者為準。
100:利用演化式模糊類神經網路之刀具磨耗預測系統
200:切削機台
300:攝影機
400:運算處理器
410:參數規劃模組
420:時間記錄模組
430:色彩轉換模組
440:預測刀具磨耗值產生模組
442:區間第二型模糊類神經網路
444:動態分群協同式差分進化演算單元
Claims (5)
- 一種利用演化式模糊類神經網路之刀具磨耗預測系統,用以預測一刀具切削一工件所產生之一實際刀具磨耗值,該利用演化式模糊類神經網路之刀具磨耗預測系統包含:一切削機台,驅動該刀具切削該工件而產生複數切屑;一攝影機,擷取各該切屑之一影像;以及一運算處理器,訊號連接該切削機台與該攝影機,該運算處理器包含:一參數規劃模組,提供複數切削因子依據一田口直交表規劃出複數切削參數,該些切削因子對應該刀具;一時間記錄模組,記錄該刀具切削過程之複數累積切削時間;一色彩轉換模組,接收該些切屑之該些影像並將該些影像轉換成複數標準色度參數;及一預測刀具磨耗值產生模組,訊號連接該參數規劃模組、該時間記錄模組及該色彩轉換模組,該預測刀具磨耗值產生模組將該些切削參數、該些標準色度參數及該些累積切削時間依據一區間第二型模糊類神經網路運算而產生複數預測刀具磨耗值,該區間第二型模糊類神經網路經由一動態分群協同式差分進化演算單元調整而產生一橫向演化預測刀具磨耗值與一縱向演化預測刀具磨耗值,且該預測刀具磨耗值產生模組將該些預測刀具磨耗值、該橫向演化預測刀具磨耗值及該縱向演化預測刀 具磨耗值進行比較而選擇出與該實際刀具磨耗值相差之最小誤差者,以更新為一最佳預測刀具磨耗值。
- 如請求項1所述之利用演化式模糊類神經網路之刀具磨耗預測系統,其中該色彩轉換模組包含:一範圍選定子模組,選定各該影像之一中心區域;一色彩校正子模組,訊號連接該範圍選定子模組,該色彩校正子模組針對該中心區域依據一色彩校正模型執行色彩校正,以產生一標準色彩資訊;一第一色彩轉換子模組,訊號連接該色彩校正子模組,該第一色彩轉換子模組將該標準色彩資訊依據一第一標準光源轉換成複數第一刺激值;一第二色彩轉換子模組,訊號連接該第一色彩轉換子模組,該第二色彩轉換子模組將該些第一刺激值依據一第二標準光源轉換成複數第二刺激值;及一第三色彩轉換子模組,訊號連接該第二色彩轉換子模組,該第三色彩轉換子模組將該些第二刺激值依據一標準色度關係式轉換成該些標準色度參數。
- 如請求項1所述之利用演化式模糊類神經網路之刀具磨耗預測系統,其中該區間第二型模糊類神經網路包含複數層,該些層彼此依序連接,其中一該層包含一區間第二型模糊平移量及一高斯函數之一平均值與一標準差,另一該層包含一後鑑部權重,該區間第二型模糊平移 量、該平均值、該標準差及該後鑑部權重經由該動態分群協同式差分進化演算單元調整,致使該區間第二型模糊類神經網路輸出該最佳預測刀具磨耗值。
- 如請求項3所述之利用演化式模糊類神經網路之刀具磨耗預測系統,其中該預測刀具磨耗值產生模組包含該動態分群協同式差分進化演算單元,該動態分群協同式差分進化演算單元包含:一初始化子模組,其將該區間第二型模糊平移量、該平均值、該標準差及該後鑑部權重視為一個體並進行編碼,該區間第二型模糊類神經網路更包含複數該個體;一分群子模組,訊號連接該初始化子模組,該分群子模組將該些個體依據一群組閾值分群成複數群組;一領導者確認子模組,訊號連接該分群子模組,該領導者確認子模組確認各該群組之各該個體是否為一領導者,該領導者代表各該群組之該些個體之複數該預測刀具磨耗值之最小者;一突變子模組,訊號連接該領導者確認子模組,該突變子模組依據該領導者執行一突變演化關係式而得到一突變向量;一交換子模組,訊號連接該突變子模組,該交換子模組依據該突變向量執行一交換關係式而得到一試驗向量;及一選擇子模組,訊號連接該交換子模組,該選擇子模組依據該試驗向量執行一選擇關係式而得到選擇後的一個體 向量,該區間第二型模糊類神經網路依據該個體向量運算而產生該橫向演化預測刀具磨耗值。
- 如請求項4所述之利用演化式模糊類神經網路之刀具磨耗預測系統,其中該動態分群協同式差分進化演算單元更包含:一領導者調整子模組,訊號連接該領導者確認子模組與該突變子模組,該領導者調整子模組將該些個體排列成p×n個體向量,並將p×n個體向量分成n組p×1個體向量,然後尋找出n組p×1個體向量之n個縱向領導者,該區間第二型模糊類神經網路依據n個縱向領導者運算而產生該縱向演化預測刀具磨耗值;一更新子模組,訊號連接該選擇子模組,該更新子模組將該些預測刀具磨耗值、該橫向演化預測刀具磨耗值及該縱向演化預測刀具磨耗值進行比較並選擇最小誤差者而更新為該最佳預測刀具磨耗值;及一迭代次數判斷子模組,訊號連接該更新子模組與該分群子模組,該迭代次數判斷子模組判斷該分群子模組被執行的一迭代次數是否到達一預設次數;若否,則該分群子模組與該領導者確認子模組重新被執行;若是,則該動態分群協同式差分進化演算單元終止執行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109203096U TWM597429U (zh) | 2020-03-18 | 2020-03-18 | 利用演化式模糊類神經網路之刀具磨耗預測系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109203096U TWM597429U (zh) | 2020-03-18 | 2020-03-18 | 利用演化式模糊類神經網路之刀具磨耗預測系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM597429U true TWM597429U (zh) | 2020-06-21 |
Family
ID=72177813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109203096U TWM597429U (zh) | 2020-03-18 | 2020-03-18 | 利用演化式模糊類神經網路之刀具磨耗預測系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM597429U (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI767368B (zh) * | 2020-10-20 | 2022-06-11 | 國立勤益科技大學 | 智慧型超音波輔助研磨加工系統及其方法 |
TWI775059B (zh) * | 2020-03-18 | 2022-08-21 | 百德機械股份有限公司 | 利用演化式模糊類神經網路之刀具磨耗預測系統及其方法 |
-
2020
- 2020-03-18 TW TW109203096U patent/TWM597429U/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI775059B (zh) * | 2020-03-18 | 2022-08-21 | 百德機械股份有限公司 | 利用演化式模糊類神經網路之刀具磨耗預測系統及其方法 |
TWI767368B (zh) * | 2020-10-20 | 2022-06-11 | 國立勤益科技大學 | 智慧型超音波輔助研磨加工系統及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWM597429U (zh) | 利用演化式模糊類神經網路之刀具磨耗預測系統 | |
CN109671124B (zh) | 一种矿物浮选泡沫图像颜色校正方法及泡沫颜色检测系统 | |
CN115860592B (zh) | 一种石膏砌块的质量检测评估方法及系统 | |
CN109085178B (zh) | 一种用于增材制造的缺陷指纹精确在线监测和反馈方法 | |
CN116307289B (zh) | 一种纺织品加工工序参数检测预测方法、系统及存储介质 | |
CN107590502A (zh) | 一种全场稠密点快速匹配方法 | |
CN117197140A (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN114905712B (zh) | 基于计算机视觉的注塑机械控制方法 | |
CN116563293B (zh) | 一种基于机器视觉的光伏载具生产质量检测方法及系统 | |
CN107016698A (zh) | 基于斜平面平滑的双目立体匹配方法及装置 | |
CN114972064A (zh) | 基于融合生成对抗网络的自适应图像修复方法 | |
CN117047569A (zh) | 基于传感器数据交互的工具钳打磨方法及装置 | |
CN106791503A (zh) | 图像处理方法与装置 | |
TWI775059B (zh) | 利用演化式模糊類神經網路之刀具磨耗預測系統及其方法 | |
CN116843615B (zh) | 一种基于柔性光路的引线框架智能全检方法 | |
CN115049791B (zh) | 结合图像处理的数控车床工件三维建模方法 | |
KR20220066748A (ko) | Ir 카메라를 이용한 딥러닝 기반의 이상상태 판단 장치 | |
TWI712961B (zh) | 全連接卷積神經網路影像處理方法與電路系統 | |
CN116739422A (zh) | 一种基于物联网的化妆镜生产质量监测管理系统 | |
CN112862826B (zh) | 一种表面缺陷检测任务的正常样本无损生成方法 | |
Wang et al. | Vision-Based Defect Classification and Weight Estimation of Rice Kernels | |
CN112215879A (zh) | 一种光场极平面图像的深度提取方法 | |
CN117115143B (zh) | 一种检测晶圆芯粒的方法、装置、计算机设备及存储介质 | |
CN106017346B (zh) | 基于机器视觉测量陶瓷镜片正反及角度的方法 | |
JP2020187502A (ja) | 診断装置と診断方法および加工装置 |