扣件成型机的模具状态诊断方法与流程

本发明是有关于一种模具状态诊断方法，且特别是有关于一种扣件成型机的模具状态诊断方法。

背景技术：

为了解决加工机在加工过程无法立即检测加工品质的缺失，现有作法是利用一种预测系统，来在加工机进行加工作业的过程中来预测加工品质。

然而，不同加工机具有不同的运作方式与加工坊是，如何找出影响扣件成型机的加工品质的关键特征，来作为提供预测系统的输入值，以达到预测加工品质已成为相关业者努力的目标。

技术实现要素：

因此，本发明的一目的是在提供一种扣件成型机的模具状态诊断方法，其可在扣件成型机的加工过程中快速取得模具状态变化，进而能够提早侦测出扣件成型机的异常状态。

根据本发明的上述目的，提出一种扣件成型机的模具状态诊断方法，包含以下步骤。安装至少一个压力感测器至扣件成型机上。安装样本模具至扣件成型机上。使用扣件成型机和样本模具分别处理多个样本工件，而获得多组样本压力感测数据。进行模具状态的定义步骤，以获得一对一对应至样本压力感测数据的多个模具状态。使用样本压力感测数据并根据自动编码(autoencoder)演算法建立编码模型，其中编码模型分别压缩样本压力感测数据为多组样本编码特征，这些样本编码特征一对一对应至这些模具状态。使用样本编码特征和其对应的模具状态并根据推估演算法，来建立模具状态预测模型。安装标的模具至扣件成型机上。使用扣件成型机和标的模具分别处理数个标的工件，而获得标的压力感测数据。输入标的压力感测数据至编码模型，以获得一组标的编码特征。输入标的编码特征至预测模型中，而推估出针对标的模具所对应的预测模具状态。

根据本发明的上述目的，提出另一种扣件成型机的模具状态诊断方法，包含以下步骤。获取扣件成型机和样本模具分别处理多个样本工件时的样本压力感测数据，其中组样本压力感测数据是由安装在扣件成型机的压力感测器所获得。进行模具状态的定义步骤，以获得一对一对应至样本压力感测数据的多个模具状态。使用样本压力感测数据并根据自动编码(autoencoder)演算法建立编码模型，其中编码模型分别压缩样本压力感测数据为多组样本编码特征，这些样本编码特征一对一对应至这些模具状态。使用样本编码特征和其对应的模具状态并根据推估演算法，来建立模具状态预测模型。使用扣件成型机和标的模具分别处理数个标的工件，而获得标的压力感测数据。输入标的压力感测数据至编码模型，以获得一组标的编码特征。输入标的编码特征至预测模型中，而推估出针对标的模具所对应的预测模具状态。

依据本发明的一实施例，上述的编码模型包含压缩器以及解码器。其中，压缩器可将每一个样本压力感测数据以及标的压力感测数据压缩后形成压缩数据。解码器可将压缩数据解码还原成对应每一个压缩数据的解码数据。

依据本发明的一实施例，上述的扣件成型机的模具状态诊断方法还包含判断这些压缩数据是否可靠，其中解码数据与其对应的样本压力感测数据的差异小于门槛值时，压缩数据可作为对应的样本压力感测数据的样本编码特征。

依据本发明的一实施例，上述的推估演算法包括支持向量机(supportvectormachines，svm)演算法或深度神经网络(deepneuralnetwork，dnn)演算法。

依据本发明的一实施例，上述的模具状态的定义步骤包含将每一这些样本模具的该组样本压力感测数据转换成频域信号。进行判断步骤，以根据频域信号获得对应每一个样本模具的模具状态。

据本发明的一实施例，上述的压力感测器是安装在扣件成型机的模座上。

由上述可知，本发明利用自动编码演算法来建立编码模型，并利用编码模型寻找出能够代表扣件成型机所取得的压力感测数据的最适特征，然后再利用最适特征与专家评估的对应模具状态建立预测模型。如此一来，当有不同的待测模具(标的模具)在使用期间所产生的压力感测数据时，编码模型可即时从压力感测数据中找到标的编码特征，当标的编码特征输入至预测模型中后，可准确预测出标的模具的模具状态，进而达到节省数据处理时间、提早侦测出扣件成型机的异常状态等目的。

附图说明

为了更完整了解实施例及其优点，现参照并结合附图做下列描述，其中：

图1是绘示依照本发明的一实施方式的一种扣件成型机的模具状态诊断方法的流程示意图；

图2是绘示依照本发明的一实施方式的一种扣件成型机的局部装置示意图；

图3是绘示依照本发明的一实施方式的模具状态示意图；

图4是绘示依照本发明的一实施方式的编码模型的运作示意图；

图5是绘示依照本发明的一实施方式的编码模型与预测模型的运作示意图；以及

图6是绘示依照本发明的一实施方式的另一种扣件成型机的模具状态诊断方法的流程示意图。

主要附图标记说明：

100-模具状态诊断方法，101～110-步骤，210-压力感测器，220-模座，230-样本模具，300-编码模型，310-压缩器，320-解码器，500-模具状态诊断方法，501～507-步骤。

具体实施方式

请同时参照图1及图2，图1是绘示依照本发明的一实施方式的一种扣件成型机的模具状态诊断方法的流程示意图，图2是绘示依照本发明的一实施方式的一种扣件成型机的局部装置示意图。本实施方式的模具状态诊断方法100主要包含以下步骤。首先，进行步骤101，以将至少一个压力感测器210安装至扣件成型机的模座220上。接着，进行步骤102，以将样本模具230安装至扣件成型机的模座220上。然后，进行步骤103，以使用扣件成型机和样本模具230分别处理多个样本工件230，而获得多组样本压力感测数据。在一些实施例中，样本压力感测数据为锻造力波形变化图。在本实施例中，样本压力感测数据是当样本模具220在进行扣件成形步骤时，由压力感测器210所测得的压力对时间的关系曲线图。

请继续参照图1及图2，在获得样本压力感测数据后，接着进行步骤104，以进行模具状态的定义，进而获得一对一对应至样本压力感测数据的数个模具状态。在本实施例中，模具状态的定义步骤包含将每一个样本模具的样本压力感测数据转换成频域信号。接着，再进行一判断步骤，以根据频域信号获得对应每一个样本模具的模具状态。请一并参照图3，其是绘示依照本发明的一实施方式的模具状态示意图。图3的特征线趋势代表样本模具在使用时的模具状态变化。在本示范例子中，模具状态包含四种状态，分别为第一状态(green)、第二状态(blue)、第三状态(yellow)以及第四状态(red)。其中，第一状态是以尚未使用过的新样本模具的初始状态为基准，特征线趋势的振幅差异小于15％。第二状态是相较于第一状态，特征线趋势的振幅差异介于15～30％之间。第三状态是相较于第一状态，特征线趋势的振幅差异介于30～45％之间。第四状态是相较于第一状态，特征线趋势的振幅差异超过50％。在一些例子中，模具状态示意图可根据专家根据历史数据(例如样本压力感测数据)所判断的状态。

请同时参照图1及图4，其中图4是绘示依照本发明的一实施方式的编码模型的运作示意图。在获得对应至样本压力感测数据的数个模具状态后，可进行步骤105，使用样本压力感测数据并根据自动编码(autoencoder)演算法建立编码模型300。autoencoder演算法主要是使用对称的模型结构，将原始数据进行压缩和解压缩数据训练模型，当解压缩后的数据趋近于原始数据，则在压缩后所产生的数据可直接作为原始数据的代表特征。在本实施例中，编码模型300可分别压缩样本压力感测数据为多个样本编码特征，这些样本编码特征一对一对应至这些模具状态。autoencoder演算法的原理为本领域中的技术人员所熟知，故于此不再赘述。

请继续参照图1及图4，编码模型300包含压缩器310以及解码器320。其中，压缩器310可将每一个样本压力感测数据压缩后形成压缩数据。解码器320可将压缩数据解码还原成对应每一个压缩数据的解码数据。如图4所示，若要判断压缩数据是否可作为代表样本压力感测数据的样本编码特征，可通过比对解码数据与其对应的样本压力感测数据的差异，若差异小于门槛值时，代表压缩数据可作为对应的样本压力感测数据的样本编码特征。若差异大于门槛值时，则调整编码模型的相关参数。欲陈明者，步骤104及步骤105的可依实际需要而调动、结合或省略。

另请一并参照图1及图5，其中图5是绘示依照本发明的一实施方式的编码模型与预测模型的运作示意图。在取得样本编码特征及其对应的模具状态后，可进行步骤106，以使用样本编码特征和其对应的模具状态并根据推估演算法，来建立模具状态预测模型400。在一些例子中，推估演算法包括支持向量机(supportvectormachines，svm)演算法或深度神经网络(deepneuralnetwork，dnn)演算法。其中，svm演算法与dnn演算法的原理为本领域中的技术人员所熟知，故于此不再赘述。

请继续参照图1及图5，在建立完模具状态预测模型400后，可进行步骤107，将标的模具安装至如图2所示的模座220上。在本实施例中，标的模具为未知状态的待预测的模具。接着，进行步骤108，以使用扣件成型机和标的模具分别处理数个标的工件，而获得标的压力感测数据。在本实施例中，标的压力感测数据是当标的模具在进行扣件成形步骤时，由压力感测器210所测得的压力对时间的关系曲线图。

请继续参照图1及图5，在获得标的压力感测数据后，接着进行步骤109，输入标的压力感测数据至编码模型300，以获得标的编码特征，此标的编码特征可作为标的压力感测数据的代表特征。在获得标的压力感测数据后，可进行步骤110。在步骤110中，输入标的编码特征至预测模型400中，而推估出针对标的模具所对应的预测模具状态。

请再次参照图1及图5，本发明的模具状态诊断方法100主要分为训练阶段以及推估阶段。在训练阶段中，图5的压力感测数据为样本压力感测数据，而通过编码模型将样本压力感测数据压缩为样本编码特征后，可将样本编码特征连同专家根据历史(样本)数据所判断的模具状态，共同建立预测模型400。在预测模型400建立后，则可进入推估阶段。在推估阶段中，图5的压力感测数据为标的压力感测数据，当一个未知状态的标的模型在使用时，编码模型同样可将压力感测器所取得的标的压力感测数据压缩为标的编码特征。使用标的编码特征作为预测模型400的输入值后，预测模型400则可推估出标的模型的模具状态。

为了评估前述模具状态诊断方法的效能，本发明先使用了56000笔数据用于建立预测模型，另使用了24000笔数据用于验证，以评估模具状态诊断方法的准确性。当使用svm演算法来建立预测模型，且自动编码(autoencoder)演算法使用的层数为7、9及11时，使用两个编码特征的预测准确度从80.15％增加到82.06％；若使用三个编码特征时，其预测状态的准确度与两个编码特征相似(81.65％、82.96％和84.76％)。当使用dnn演算法来建立预测模型，且隐藏层数量从8-12时，预测准确率从77.7％增加到93.4％。由此可知，不论是使用svm演算法或dnn演算法来建立预测模型，只要通过自动编码演算法来寻找建立预测模型所使用的特征，均有良好的预测效果。

另请参照图6，其是绘示依照本发明的一实施方式的另一种扣件成型机的模具状态诊断方法的流程示意图。本实施方式的模具状态诊断方法500主要包含以下步骤。首先，进行步骤501，获取扣件成型机和样本模具分别处理多个样本工件时的样本压力感测数据，其中组样本压力感测数据是由安装在如图2所示的扣件成型机的模座220上的压力感测器210所获得。

接着，进行步骤502，以进行模具状态的定义步骤，以获得一对一对应至样本压力感测数据的多个模具状态。然后，进行步骤503，使用样本压力感测数据并根据自动编码演算法建立如图4及图5所示的编码模型300。接着，进行步骤504，以使用样本编码特征和其对应的模具状态并根据推估演算法，来建立如图5所示模具状态预测模型400。在步骤504后，接着进行步骤505，以使用扣件成型机和标的模具分别处理数个标的工件，而获得标的压力感测数据。在步骤505后，接着进行步骤506，输入标的压力感测数据至如图4及图5所示的编码模型300，以获得标的编码特征。在获得标的压力感测数据后，可进行步骤507。在步骤507中，输入标的编码特征至预测模型400中，而推估出针对标的模具所对应的预测模具状态。

欲陈明者，图6所示实施方式的步骤501、502、503、504、505、506及507的具体进行方式分别与图1所示的步骤103、104、105、106、108、109及110相同，故于此不再赘述。

可理解的是，本发明的模具状态诊断方法500为以上所述的实施步骤。上述实施例所说明的各实施步骤的次序可依实际需要而调动、结合或省略。上述实施例可利用电脑程式产品来实现，其可包含储存有多个指令的机器可读取媒体，这些指令可编程(programming)电脑来进行上述实施例中的步骤。机器可读取媒体可为但不限定于软碟、光碟、只读光碟、磁光碟、只读存储器、随机存取存储器、可抹除可编程只读存储器(eprom)、电子可抹除可编程只读存储器(eeprom)、光卡(opticalcard)或磁卡、快闪存储器、或任何适于储存电子指令的机器可读取媒体。再者，本发明的实施例也可作为电脑程式产品来下载，其可藉由使用通讯连接(例如网络连线的类的连接)的数据信号来从远端电脑转移本发明的电脑程式产品至请求电脑。

由上述实施方式可知，由上述可知，本发明利用自动编码演算法来建立编码模型，并利用编码模型寻找出能够代表扣件成型机所取得的压力感测数据的最适合特征，然后再利用最适特征与专家评估的对应模具状态建立预测模型。如此一来，当有不同的待测模具(标的模具)在使用期间所产生的压力感测数据时，编码模型可即时从压力感测数据中找到标的编码特征，当标的编码特征输入至预测模型中后，可准确预测出标的模具的模具状态，进而达到节省数据处理时间、提早侦测出扣件成型机的异常状态等目的。

虽然本发明已以实施例公开如上，然其并非用以限定本发明，任何所属技术领域中的技术人员，在不脱离本发明的精神和范围内，当可作些许的更动与润饰，故本发明的保护范围当视权利要求所界定的为准。