| 主权项 |
1.一种利用神经网路进行工具机机台结构动力特性的预测方法,该方法为先拟定机台结构尺寸设计参数,并将其正规化为神经网路输入参数;接着拟定机台结构输出参数,并将其正规化为神经网路之输出参数;再拟定隐藏层层数及处理单元数,并将上述之的神经网路输入参数及神经网路输出参数同时以网路连结至神经网路架构中,使其进入学习过程,同时再输入学习范例,经由反覆学习,使误差逐渐收敛至一定値以下,而得到最终之加权値矩阵及偏权値矩阵,再输入测试机台结构尺寸,将该测试机台尺寸经由正规化以便将机台结构尺寸转变为神经网路输入参数,此时便计算推论一正规化输出参数,再将正规化输出参数还原得到机台结构输出参数,利用上述之原理并输入学习范例供神经网路进行学习,形成工具机机台结构动力特性预测之专家系统。2.如申请专利范围第1项所述之一种利用神经网路进行工具机机台结构动力特性的预测方法,其中正规化之定义为:以一组参数为基底,并将其他各参数以相对于基底参数之比値方式来表示。3.如申请专利范围第1项所述之一种利用神经网路进行工具机机台结构动力特性的预测方法,其中该机台结构尺寸设计参数之拟定为经由有限元素模型进行结构动力分析或机台结构动力之试验方式所得(如本创作说明中第七图所示之L1.L2.L3.L4.L5.L6.L7)。4.如申请专利范围第1项所述之一种利用神经网路进行工具台结构动力特性的预测方法,其中输出入参数的决定方式为:原型工具机之结构动态柔度曲线为f0(,a01,a02,a03,…),其中为频率,为阻尼,a01,a02,,a03,…为结构尺寸,当结构尺寸变化时此动态柔度曲线亦会跟着变化,(i)=f(, ,a1,a2,a3,…)/f0(, ,a01,a02,a03,…),其中f为尺寸改变后之结构动态柔度曲线,定义网路输入为以a0i为基底,经由正规化处理而得到a1/a01,a2/a02,a3/a03,输出为(i),则可利用倒传递网路模式,经由学习过程,调整连结加权値,做成一结构动态柔度预测模型,但由于模型输出单元过多,以一般的PC而言无法达到要求,因此必须压缩输出单元数目,压缩的方法为采用Zero/Pole的方式来描述(i),通常最多以10个Poles与10个Zeros来描述即可达到预定之精度,方式如下:一般最多是以结构动态柔度曲线中最大的10个波峰、最小的十个波谷及静刚度进行曲线嵌求得pole、 zero、poie、zero及k,其中实参数k为决定结构静刚度之参数因子。5.如申请利范围第1项所述之一种利用神经网路进行工具台结构动力特性的预测方法,其中该神经网路架构包含有:一输入层,用以表现网路的输入变数,某处理单元数目依问题而定。使用线性转换f(x)=x;一隐藏层,用以表现输入处理单元之间的交互影响,其处理单元数目多寡并无标准方法可循,经常须以试验方法决定最佳数目,使用非线性转换函数,网路可以不只一层隐藏层,也可以没有隐藏层;一输出层,用以表现网路输出变数,其处理单元依问题而定,使非线性转换函数。图式简单说明:第一图为生物神经元模型之示意图;第二图为人工神经元模型之示意图;第三图为神经网路架构之示意图;第四图为双弯曲函数;第五图为双曲线正切函数;第六图为本发明实施流程图;第七图为本发明实施时,机台尺寸之参数定义;第八图为本发明实施时,其网路学习之收敛过程;第九图为本发明实施时,不同学习循环次数之误差比较。 |
