TWI742970B - 潤滑油量調整系統及潤滑油量調整方法 - Google Patents

潤滑油量調整系統及潤滑油量調整方法 Download PDF

Info

Publication number
TWI742970B
TWI742970B TW109145316A TW109145316A TWI742970B TW I742970 B TWI742970 B TW I742970B TW 109145316 A TW109145316 A TW 109145316A TW 109145316 A TW109145316 A TW 109145316A TW I742970 B TWI742970 B TW I742970B
Authority
TW
Taiwan
Prior art keywords
machine
lubricating oil
output
temperature value
hidden layer
Prior art date
Application number
TW109145316A
Other languages
English (en)
Other versions
TW202225551A (zh
Inventor
陳羿銘
侯天祐
廖述鐘
Original Assignee
財團法人工業技術研究院
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 財團法人工業技術研究院 filed Critical 財團法人工業技術研究院
Priority to TW109145316A priority Critical patent/TWI742970B/zh
Priority to CN202110054696.6A priority patent/CN114648198A/zh
Priority to US17/198,270 priority patent/US11906939B2/en
Application granted granted Critical
Publication of TWI742970B publication Critical patent/TWI742970B/zh
Publication of TW202225551A publication Critical patent/TW202225551A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一種潤滑油量調整系統及潤滑油量調整方法。潤滑油量調整系統包括儲存裝置以及處理器，並經由資料擷取裝置連接機台。機台包括馬達。資料擷取裝置擷取馬達的電流資訊。儲存裝置儲存機器學習模型，其中機器學習模型是利用包括馬達運作的多筆電流資訊以及機台運作時所測得的多筆溫度值的訓練資料集所訓練。處理器經配置以利用資料擷取裝置擷取馬達當前運作的電流資訊，利用機器學習模型預測馬達運作於電流資訊時機台的溫度值，以及根據所預測的溫度值計算並調整適於機台運作時使用的潤滑油量。

Description

潤滑油量調整系統及潤滑油量調整方法
本揭露是有關於一種潤滑油量調整系統及潤滑油量調整方法。
傳統的供油系統並無連結機台資料，主要靠的是固定時間的定量打油，但實際上曲軸式沖床是用馬達帶動曲軸，並用實體滑塊行程來決定曲軸的擺動頻率，行程越短其擺動頻率越高，結果機台的溫度上升速度增快，所需之油量也增多。
隨著伺服技術的進步，現今部分機台配置有自動潤滑系統，其可調節出各種加工模式，而自動提供適量的潤滑油以潤滑機台的各元件。然而，自動潤滑系統所提供的潤滑油量通常是採用餘裕設計（Over Design），也就是說，自動潤滑系統通常採用最嚴苛之加工條件供給潤滑油量，結果往往會提供過多的潤滑油量，造成潤滑油浪費與回收等問題。
本揭露提供一種潤滑油量調整系統與潤滑油量調整方法，可較有效率地提供適於機台運作時使用的潤滑油量。
本揭露的潤滑油量調整系統，包括儲存裝置以及處理器，並經由資料擷取裝置連接機台。機台包括馬達；資料擷取裝置擷取馬達的電流資訊；儲存裝置儲存機器學習模型，其中機器學習模型是利用包括馬達運作的多筆電流資訊以及機台運作時所測得的多筆溫度值的訓練資料集所訓練；處理器耦接資料擷取裝置以及儲存裝置，以利用資料擷取裝置擷取馬達當前運作的電流資訊；利用機器學習模型預測馬達運作於電流資訊時機台的溫度值；以及根據所預測的溫度值計算並調整適於機台運作時使用的潤滑油量。
本揭露的潤滑油量調整方法，適於由電子裝置調整機台運作時使用的潤滑油量，方法包括下列步驟：擷取機台的馬達當前運作的電流資訊；利用機器學習模型預測馬達運作於電流資訊時機台的溫度值，其中機器學習模型是利用包括馬達運作的多筆電流資訊以及機台運作時所測得的多筆溫度值的訓練資料集所訓練；以及根據所預測的溫度值計算並調整適於機台運作時使用的潤滑油量。
基於上述，本揭露的潤滑油量調整系統與潤滑油量調整方法可利用機器學習預測馬達運作於特定電流資訊時機台的溫度值，並計算與調整適於機台運作時使用的潤滑油量，以提供適於機台運作時使用的潤滑油量。
為讓本揭露的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
圖1是根據本揭露一實施例的潤滑油量調整系統100的示意圖。請參照圖1，潤滑油量調整系統100主要包括儲存裝置130以及處理器140，潤滑油量調整系統100並經由資料擷取裝置120連接機台100；潤滑油量調整系統100可以是獨立電腦或機台100之控制器等之電子裝置。
機台110例如是包括馬達111的沖床機或其他需要使用潤滑油潤滑或降溫的工具機或機械設備，在此不設限。
資料擷取裝置120例如是通用序列匯流排（universal serial bus，USB）、RS232、通用非同步連接裝置/傳送器（universal asynchronous receiver/transmitter，UART）、內部整合電路（I2C）、序列周邊介面（serial peripheral interface，SPI）、顯示埠（display port）、雷電埠（thunderbolt）或區域網路（local area network，LAN）介面等有線的連接裝置，或是支援無線保真（wireless fidelity，Wi-Fi）、RFID、藍芽、紅外線、近場通訊（near-field communication，NFC）或裝置對裝置（device-to-device，D2D）等通訊協定的無線連接裝置。資料擷取裝置120耦接馬達111，而用以擷取馬達111的電流資訊。
儲存裝置130例如是任意型式的固定式或可移動式隨機存取記憶體（Random Access Memory，RAM）、唯讀記憶體（Read-Only Memory，ROM）、快閃記憶體（Flash memory）、硬碟或其他類似裝置或這些裝置的組合，而用以儲存可由處理器140執行的程式。在一些實施例中，儲存裝置130還可儲存機器學習模型131，此機器學習模型131例如是卷積神經網路（Convolutional Neural Network，CNN）、遞迴神經網路 （Recurrent Neural Network，RNN）或長短期記憶（Long Short Term Memory，LSTM）遞迴神經網路，本揭露不對此限制。
處理器140耦接資料擷取裝置120以及儲存裝置130，以控制潤滑油量調整系統100的運作。在一些實施例中，處理器140例如是中央處理單元（Central Processing Unit，CPU），或是其他可程式化之一般用途或特殊用途的微處理器（microprocessor）、數位訊號處理器（Digital Signal Processor，DSP）、可程式化控制器、特殊應用積體電路（Application Specific Integrated Circuit，ASIC）、場域可程式閘陣列（Field Programmable Gate Array，FPGA）、可程式化邏輯控制器（Programmable Logic Controller，PLC）或其他類似裝置或這些裝置的組合，而可載入並執行儲存裝置130中儲存的程式，以執行本揭露實施例的潤滑油量調整方法。
圖2是根據本揭露一實施例的潤滑油量調整方法的流程圖。請同時參照圖1及圖2，本實施例的方法適用於圖1的潤滑油量調整系統100，以下即搭配潤滑油量調整系統100的各項元件說明本揭露之潤滑油量調整方法的詳細步驟。
在步驟S201中，處理器140可經配置以利用資料擷取裝置120擷取機台110的馬達111當前運作的電流資訊。
在步驟S202中，處理器140可經配置以利用機器學習模型131預測馬達111運作於此電流資訊時機台110的溫度值，其中機器學習模型131是利用包括馬達111運作的多筆電流資訊以及機台110運作時所測得的多筆溫度值的訓練資料集所訓練。
舉例來說，表1是訓練資料集的一個實例，表1所示的訓練資料內容僅為示例，本揭露不對此限制。在時間點T 1時，處理器140可利用資料擷取裝置120擷取馬達111運作的電流資訊（例如1.5安培），並且將此電流資訊與在時間點T 1時機台110運作所測得的溫度值（例如20℃）作為訓練資料1。在時間點T 2時，處理器140可利用資料擷取裝置120擷取馬達111運作的電流資訊（例如2安培），並且將此電流資訊與在時間點T 2時機台110運作所測得的溫度值（例如22℃）作為訓練資料2。以此類推，可得到包括多筆訓練資料的訓練資料集。在一些實施例中，處理器140可經配置以將一時間區段中擷取的電流資訊取均方根值（Root Mean Square，RMS）後，才作為訓練資料。
訓練資料 時間點 電流資訊 溫度值
1 T 1 1.5 安培 20℃
2 T 2 2 安培 22℃
3 T 3 2.5 安培 25℃
… … … …
表1
圖3是根據本揭露一實施例的機器學習模型131示意圖。請參照圖3，本實施例的機器學習模型131包括輸入層X、隱藏層S及輸出層O等運算層，各個運算層可包括多個神經元。在其他實施例中，機器學習模型131可包括多個隱藏層，且各個運算層可包括不同數量的神經元，在此不設限。
在一些實施例中，機器學習模型131是採用適於處理有前後關係等具時序性資料的遞迴神經網路。圖4是根據本揭露一實施例的遞迴神經網路的示意圖。請同時參照圖3及圖4，本實施例的遞迴神經網路131a為圖3的機器學習模型131的一種實施方式，其中的運算具有時序性。特別是，在遞迴神經網路131a中，隱藏層S的訓練資料的來源有兩個，一個來自輸入層X的輸出資料 x，另一個來自隱藏層S的前次運算結果 s t-1 ，其中 U、 V、 W為隱藏層S運算時所使用的權重，詳細的運算方式將於後文詳述。將遞迴神經網路131a展開可知，（t+1）時刻的最终结果 o t+1 是該時刻输入和所有歷史資料共同作用的結果。據此，遞迴神經網路131a可達到對時間序列建模的目的，符合沖床連續加工的情形。
請參照下列公式1、2，在執行隱藏層S的運算時，處理器140可經配置以將當次（時間點t）的輸入層X的輸出 x t 及前次隱藏層S的輸出 s t-1 作為當次隱藏層S的輸入，由隱藏層S的多個神經元利用激勵函數
Figure 02_image001
計算當次隱藏層S的輸出 s t ，並由輸出層O將隱藏層S的輸出 s t 利用激勵函數
Figure 02_image003
轉換為輸出 o t ，其中 U、 V、 W為權重，
Figure 02_image005
、
Figure 02_image007
為偏移值。
Figure 02_image009
… (公式1)
Figure 02_image011
… (公式2)
在一些實施例中，
Figure 02_image013
t 為時間點t的電流資訊， s t-1 為時間點t-1的隱藏層S的輸出， s t 為時間點t的隱藏層S的輸出， o t 為時間點t的輸出層O輸出的預測溫度值，激勵函數
Figure 02_image015
例如為S（sigmoid）函數或是雙曲正切（tanh）函數，激勵函數
Figure 02_image003
例如為歸一化指數（softmax）函數，但不限於此。
在一些實施例中，處理器140例如可將表1中訓練資料的電流資訊輸入機器學習模型131，而得出如表2所示的預測溫度值。此時，處理器140可經配置以將預測溫度值與測得的溫度值比較，並根據比較結果更新隱藏層S的各神經元的權重。在一些實施例中，處理器140可經配置以利用機器學習模型131所輸出的預測溫度值與（實際測得的）溫度值，來計算損失函數（loss function）並用以衡量機器學習模型131預測結果是否夠準確，並據以更新隱藏層S的各神經元的權重。在其他實施例中，處理器140可經配置以利用梯度下降法（Gradient Descent, GD）或反向傳播法（Backpropagation, BP）來更新隱藏層S的各神經元的權重，本揭露不對此限制。
訓練資料 時間點 電流資訊 預測溫度值 溫度值
1 T 1 1.5 安培 18℃ 20℃
2 T 2 2 安培 20℃ 22℃
3 T 3 2.5 安培 23℃ 25℃
… … … … …
表2
在更新隱藏層S的各神經元的權重之後，處理器140可經配置以重複上述步驟（即，利用公式1、2執行運算，並且比較預測溫度值與測得的溫度值以更新權重），以訓練機器學習模型131。
在完成機器學習模型131的訓練之後，處理器140即可利用（已訓練好的）機器學習模型131預測馬達111運作於此電流資訊時機台110的溫度值。
請回到圖2，在得到預測的溫度值（步驟S202）之後，在步驟S203中，處理器140可經配置以根據所預測的溫度值計算並調整適於機台110運作時使用的潤滑油量，其實施方式將由以下實施例說明。
圖5是根據本揭露的一實施例的機台110運作的不同階段的示意圖。請參照圖5及表3，機台110可根據是否運作以及是否有提供潤滑油分成三個階段，其中，降溫階段為機台110停止運作且潤滑油停止提供的階段，待機階段為機台110停止運作且有提供潤滑油的階段，升溫階段為機台110運作中且有提供潤滑油的階段。
運作階段 機台狀態 潤滑狀態 目的
升溫階段 運作 供油 輸入功率
待機階段 停止 供油 潤滑致冷/致熱能力
降溫階段 停止 停止供油 散熱能力
表3
圖6是根據本揭露的一實施例的根據預測的溫度值計算適於機台運作時使用的潤滑油量的流程圖。請同時參照圖1及圖6，本實施例的方法適用於圖1的潤滑油量調整系統100，以下即搭配潤滑油量調整系統100的各項元件說明本揭露之潤滑油量調整方法的詳細步驟。
在步驟S601中，在降溫階段時，處理器140可經配置以利用機台110的至少一散熱相關參數及所測得的機台110的溫度變化，計算機台110自然散熱的散熱特性參數。
請參照下列公式3-5，在一些實施例中，機台110的散熱相關參數可包括熱傳導係數
Figure 02_image017
、機台表面積
Figure 02_image019
、機台密度
Figure 02_image021
、機台比熱
Figure 02_image023
或機台體積
Figure 02_image025
。由於在降溫階段中機台110為停止運作且潤滑油停止提供，公式3與公式5中的摩擦熱量
Figure 02_image027
與致冷（潤滑）熱量
Figure 02_image029
均為0，因此公式3與公式5中的總熱量
Figure 02_image031
均為0。處理器140可經配置以利用所測得的機台110的在不同時間點的溫度變化，以及機台110的熱傳導係數
Figure 02_image017
、機台表面積
Figure 02_image019
、機台密度
Figure 02_image021
、機台比熱
Figure 02_image023
及機台體積
Figure 02_image025
，而根據公式4計算機台110自然散熱的散熱特性參數
Figure 02_image033
。
Figure 02_image035
… (公式3)
Figure 02_image037
… (公式4)
Figure 02_image039
… (公式5)
其中，
Figure 02_image041
為總熱量、
Figure 02_image027
為摩擦熱量、
Figure 02_image029
為致冷（潤滑）熱量，在本揭露實施例中，
Figure 02_image029
亦稱為熱量影響參數。
在步驟S602中，在待機階段時，處理器140可經配置以利用潤滑油的至少一散熱相關參數、所測得的機台110的溫度值變化以及所計算的散熱特性參數，計算所使用的潤滑油量對於機台110散熱影響的熱量影響參數。
請參照下列公式6，在一些實施例中，潤滑油的散熱相關參數可包括油量
Figure 02_image043
或比熱
Figure 02_image045
。由於在待機階段中機台110為停止運作且有提供潤滑油，公式3的摩擦熱量
Figure 02_image027
為0而致冷（潤滑）熱量
Figure 02_image029
不為0，處理器140可經配置以利用公式6計算熱量影響參數
Figure 02_image029
。
Figure 02_image047
… (公式6)
其中，
Figure 02_image043
為潤滑油量、
Figure 02_image045
為比熱、
Figure 02_image049
為溫度差。
在步驟S603中，在升溫階段時，處理器140可經配置以利用機台110運作的至少一運作參數以及所計算的散熱特性參數
Figure 02_image033
與熱量影響參數
Figure 02_image029
，計算機台110運作時所使用的潤滑油量與機台110的溫度變化的關係函數。
請參照下列公式7，在一些實施例中，機台110運作的至少一運作參數可包括摩擦係數
Figure 02_image051
、沖壓壓力
Figure 02_image053
、直徑
Figure 02_image055
、摩擦表面積
Figure 02_image057
或每分鐘沖壓次數
Figure 02_image059
。由於在升溫階段中機台110為運作中且有提供潤滑油，公式3的摩擦熱量
Figure 02_image027
不為0且致冷（潤滑）熱量
Figure 02_image029
不為0，處理器140可經配置以利用公式7算出摩擦熱量
Figure 02_image027
之後，推得完整的潤滑油量與機台溫度變化的關係函數（即，公式5中的
Figure 02_image061
）。
Figure 02_image063
… (公式7)
其中，
Figure 02_image027
為摩擦熱量、
Figure 02_image051
為摩擦係數、
Figure 02_image053
為沖壓壓力、
Figure 02_image055
為直徑、
Figure 02_image057
為摩擦表面積、
Figure 02_image059
為每分鐘沖壓次數。
在步驟S604中，在計算出關係函數之後，處理器140可經配置以利用關係函數計算所預測的溫度值下適於機台110運作時使用的潤滑油量。換句話說，處理器140可利用關係函數根據所預測的溫度值計算適於機台110運作時使用的潤滑油量。
請回到圖2。在步驟S203中，在計算出適於機台110運作時使用的潤滑油量之後，處理器140可經配置以根據所計算出的潤滑油量來調整適於機台110運作時使用的潤滑油量。
在一些實施例中，除了將馬達運作的電流資訊作為機器學習模型的輸入來訓練機器學習模型外，還可將機台運作時所使用的潤滑油量一併作為輸入來訓練機器學習模型，藉此學習電流資訊、潤滑油量與溫度變化之間的關係。
詳細而言，圖7是根據本揭露的另一實施例的潤滑油量調整方法的流程圖。請同時參照圖1及圖7，本實施例的方法適用於圖1的潤滑油量調整系統100，以下即搭配潤滑油量調整系統100的各項元件說明本揭露之潤滑油量調整方法的詳細步驟。
在步驟S701中，處理器140可經配置以擷取機台110的馬達111當前運作的電流資訊以及機台110運作時使用的潤滑油量。
在步驟S702中，處理器140可經配置以利用機器學習模型131預測馬達111運作於電流資訊時機台110的溫度值，其中機器學習模型131是利用包括馬達111運作的多筆電流資訊、機台110運作時使用的潤滑油量以及機台110運作時所測得的多筆溫度值的訓練資料集所訓練。
在一些實施例中，資料擷取裝置120可擷取機台110運作時使用的潤滑油量。表4是訓練資料集的另一個實例，表4所示的訓練資料內容僅為示例，本揭露不對此限制。在時間點T 1時，處理器140可利用資料擷取裝置120擷取馬達111運作的電流資訊（例如1.5安培）以及機台110運作時使用的潤滑油量（例如200公克），並且將此電流資訊、潤滑油量以及在時間點T 1時機台110運作所測得的溫度值（例如20℃）作為訓練資料1。在時間點T 2時，處理器140可利用資料擷取裝置120擷取馬達111運作的電流資訊（例如2安培）以及機台110運作時使用的潤滑油量（例如250公克），並且將此電流資訊、潤滑油量以及在時間點T 2時機台110運作所測得的溫度值（例如22℃）作為訓練資料2。以此類推，可得到包括多筆訓練資料的訓練資料集。
訓練資料 時間點 電流資訊 潤滑油量 溫度值
1 T 1 1.5 安培 200公克 20℃
2 T 2 2 安培 250公克 22℃
3 T 3 2.5 安培 300公克 25℃
… … … … …
表4
處理器140可經配置以採用如圖4所示的遞迴神經網路131a的架構來建立機器學習模型131，並利用表4所示的訓練資料集來訓練機器學習模型131。與前述實施例不同的是，在本實施例中，處理器140是將電流資訊及潤滑油量依時間序列輸入機器學習模型131的輸入層，其中包括將當次（時間點t）的輸入層X的輸出 x t （包括電流資訊及潤滑油量）及前次隱藏層S的輸出 s t-1 作為當次隱藏層S的輸入，由隱藏層S的多個神經元利用激勵函數
Figure 02_image001
計算當次隱藏層S的輸出 s t ，並由輸出層O將隱藏層S的輸出 s t 利用激勵函數
Figure 02_image003
轉換為預測溫度值 o t ，其詳細的實施方式與前述圖4的實施例相同，在此不再贅述。
在一些實施例中，處理器140例如可將表4中訓練資料的電流資訊及潤滑油量輸入機器學習模型131，而得出如表5的預測溫度值。此時，處理器140可經配置以將預測溫度值與測得的溫度值比較，並根據比較結果更新隱藏層S的各神經元的權重。其中，處理器140可藉由計算損失函數、或利用梯度下降法或反向傳播法來更新隱藏層S的各神經元的權重，其詳細的實施方式與前述圖4的實施例相同，在此不再贅述。
訓練資料 時間點 電流資訊 潤滑油量 預測溫度值 溫度值
1 T 1 1.5 安培 200公克 22℃ 20℃
2 T 2 2 安培 250公克 21℃ 22℃
3 T 3 2.5 安培 300公克 26℃ 25℃
… … … … … …
表5
在完成機器學習模型131的訓練之後，處理器140可經配置以利用（已訓練好的）機器學習模型131預測馬達111運作於此電流資訊時機台110的溫度值。
在步驟S703中，處理器140可經配置以根據所預測的溫度值計算並調整適於機台110運作時使用的潤滑油量。其中，處理器140例如可利用前述圖6實施例的實施方式來計算適於機台110運作時使用的潤滑油量，其詳細內容於此不再贅述。在計算出適於機台110運作時使用的潤滑油量之後，處理器140可經配置以根據所計算出的潤滑油量來調整適於機台110運作時使用的潤滑油量。
綜上所述，本揭露的潤滑油量調整系統與潤滑油量調整方法利用機器學習預測馬達運作時機台的溫度變化，並計算適於機台運作時使用的潤滑油量，而可達到油量預測的最佳化以及智慧化的溫控與潤滑。特別是，本揭露的機器學習模型可利用多筆電流資訊、潤滑油量以及溫度值進行訓練，更提升了預測溫度的準確性。
雖然本揭露已以實施例揭露如上，然其並非用以限定本揭露，任何所屬技術領域中具有通常知識者，在不脫離本揭露的精神和範圍內，當可作些許的更動與潤飾，故本揭露的保護範圍當視後附的申請專利範圍所界定者為準。
100:潤滑油量調整系統 110:機台 111:馬達 120:資料擷取裝置 130:儲存裝置 131:機器學習模型 131a:遞迴神經網路 140:處理器 X:輸入層 S:隱藏層 O:輸出層 x t 、 x t-1 、 x t+1 :輸入層的輸出 s t 、 s t-1 、 s t+1 :隱藏層的輸出 o t 、 o t-1 、 o t+1 :輸出層輸出的預測溫度值 U、V、W:權重 t:時間點 S201~S203、S601~S604、S701~S703:步驟
圖1是根據本揭露一實施例的潤滑油量調整系統的示意圖。 圖2是根據本揭露一實施例的潤滑油量調整方法的流程圖。 圖3是根據本揭露一實施例的機器學習模型示意圖。 圖4是根據本揭露的一實施例的遞迴神經網路的示意圖。 圖5是根據本揭露的一實施例的機台不同階段的示意圖。 圖6是根據本揭露的一實施例的根據預測的溫度值計算適於機台運作時使用的潤滑油量的流程圖。 圖7是根據本揭露的另一實施例的潤滑油量調整方法的流程圖。
100:潤滑油量調整系統
110:機台
111:馬達
120:資料擷取裝置
130:儲存裝置
131:機器學習模型
140:處理器

Claims (14)

  1. 一種潤滑油量調整系統，適於經由一資料擷取裝置連接一機台，其中該機台包括一馬達，該資料擷取裝置耦接所述馬達，以擷取所述馬達的電流資訊，該系統包括：儲存裝置，儲存一機器學習模型，其中所述機器學習模型是利用包括所述馬達運作的多筆電流資訊以及所述機台運作時所測得的所述機台中各元件的多筆溫度值的一訓練資料集所訓練；以及處理器，耦接所述資料擷取裝置以及所述儲存裝置，以所述資料擷取裝置擷取所述馬達當前運作的電流資訊；以所述機器學習模型，預測所述馬達運作於所述電流資訊時所述機台的溫度值；以及根據所預測的所述溫度值，計算並調整適於所述機台運作時使用的潤滑油量，其中所述處理器更經配置以：在所述機台停止運作且潤滑油停止提供的降溫階段中，利用所述機台的至少一散熱相關參數及所測得的所述機台的溫度變化，計算所述機台自然散熱的一散熱特性參數；在所述機台停止運作且有提供所述潤滑油的待機階段中，利用所述潤滑油的至少一散熱相關參數、所測得的所述機台的溫度值變化以及所計算的所述散熱特性參數，計算所使用的所述潤滑 油量對於所述機台散熱影響的一熱量影響參數；以及在所述機台運作中且有提供所述潤滑油的升溫階段中，利用所述機台運作的至少一運作參數以及所計算的所述散熱特性參數與所述熱量影響參數，計算所述機台運作時所使用的所述潤滑油量與所述機台的溫度變化的一關係函數，其中所述關係函數用以計算所預測的所述溫度值下適於所述機台運作時使用的所述潤滑油量。
  2. 如請求項1所述的潤滑油量調整系統，其中所述機器學習模型包括輸入層、隱藏層及輸出層，所述處理器更經配置以：將所述電流資訊依時間序列輸入所述輸入層；將當次的所述輸入層的輸出及前次所述隱藏層的輸出作為所述隱藏層的輸入，由所述隱藏層的多個神經元利用一激勵函數計算當次的輸出，並由所述輸出層將所述隱藏層的所述輸出轉換為預測溫度值；將所述預測溫度值與當次所測得的所述溫度值比較，並根據比較結果更新所述隱藏層的各所述神經元的權重；以及重複上述步驟，以訓練所述機器學習模型。
  3. 如請求項1所述的潤滑油量調整系統，其中所述機器學習模型包括輸入層、隱藏層及輸出層，所述資料擷取裝置更擷取所述機台運作時使用的所述潤滑油量，且所述處理器更經配置以： 將所述電流資訊及所述潤滑油量依時間序列輸入所述輸入層；將當次的所述輸入層的輸出及前次所述隱藏層的輸出作為所述隱藏層的輸入，由所述隱藏層的多個神經元利用一激勵函數計算當次的輸出，並由所述輸出層將所述隱藏層的所述輸出轉換為預測溫度值；將所述預測溫度值與當次所測得的所述溫度值比較，並根據比較結果更新所述隱藏層的各所述神經元的權重；以及重複上述步驟，以訓練所述機器學習模型。
  4. 如請求項1所述的潤滑油量調整系統，其中所述機器學習模型包括卷積神經網路(Convolutional Neural Network，CNN)、遞迴神經網路(Recurrent Neural Network，RNN)或長短期記憶(Long Short Term Memory，LSTM)遞迴神經網路。
  5. 如請求項1所述的潤滑油量調整系統，其中所述機台的所述散熱相關參數包括熱傳導係數、機台表面積、機台密度、機台比熱以及機台體積其中之一或其組合。
  6. 如請求項1所述的潤滑油量調整系統，其中所述潤滑油的所述散熱相關參數包括油量及比熱。
  7. 如請求項1所述的潤滑油量調整系統，其中所述機台的所述運作參數包括摩擦係數、沖壓壓力、直徑、摩擦表面積以及每分鐘沖壓次數其中之一或其組合。
  8. 一種潤滑油量調整方法，適於由一電子裝置調整一機台運作時使用的潤滑油量，所述方法包括下列步驟：擷取所述機台的一馬達當前運作的電流資訊；利用一機器學習模型預測所述馬達運作於所述電流資訊時所述機台的溫度值，其中所述機器學習模型是利用包括所述馬達運作的多筆電流資訊以及所述機台運作時所測得的所述機台中各元件的多筆溫度值的一訓練資料集所訓練；以及根據所預測的所述溫度值計算並調整適於所述機台運作時使用的所述潤滑油量，其中包括：在所述機台停止運作且潤滑油停止提供的降溫階段中，利用所述機台的至少一散熱相關參數及所測得的所述機台的溫度變化，計算所述機台自然散熱的一散熱特性參數；在所述機台停止運作且有提供所述潤滑油的待機階段中，利用所述潤滑油的至少一散熱相關參數、所測得的所述機台的溫度值變化以及所計算的所述散熱特性參數，計算所使用的所述潤滑油量對於所述機台散熱影響的一熱量影響參數；以及在所述機台運作中且有提供所述潤滑油的升溫階段中，利用所述機台運作的至少一運作參數以及所計算的所述散熱特性參數與所述熱量影響參數，計算所述機台運作時所使用的所述潤滑油量與所述機台的溫度變化的一關係函數，其中 所述關係函數用以計算所預測的所述溫度值下適於所述機台運作時使用的所述潤滑油量。
  9. 如請求項8所述的方法，其中所述機器學習模型包括輸入層、隱藏層及輸出層，所述方法更包括：將所述電流資訊依時間序列輸入所述輸入層；將當次的所述輸入層的輸出及前次所述隱藏層的輸出作為所述隱藏層的輸入，由所述隱藏層的多個神經元利用一激勵函數計算當次的輸出，並由所述輸出層將所述隱藏層的所述輸出轉換為預測溫度值；將所述預測溫度值與當次所測得的所述溫度值比較，並根據比較結果更新所述隱藏層的各所述神經元的權重；以及重複上述步驟，以訓練所述機器學習模型。
  10. 如請求項8所述的方法，其中所述機器學習模型包括輸入層、隱藏層及輸出層，所述方法更包括：擷取所述機台運作時使用的所述潤滑油量；將所述電流資訊及所述潤滑油量依時間序列輸入所述輸入層；將當次的所述輸入層的輸出及前次所述隱藏層的輸出作為所述隱藏層的輸入，由所述隱藏層的多個神經元利用一激勵函數計算當次的輸出，並由所述輸出層將所述隱藏層的所述輸出轉換為預測溫度值； 將所述預測溫度值與當次所測得的所述溫度值比較，並根據比較結果更新所述隱藏層的各所述神經元的權重；以及重複上述步驟，以訓練所述機器學習模型。
  11. 如請求項8所述的方法，其中所述機器學習模型包括卷積神經網路、遞迴神經網路或長短期記憶遞迴神經網路。
  12. 如請求項8所述的方法，其中所述機台的所述散熱相關參數包括熱傳導係數、機台表面積、機台密度、機台比熱以及機台體積其中之一或其組合。
  13. 如請求項8所述的方法，其中所述潤滑油的所述散熱相關參數包括油量及比熱。
  14. 如請求項8所述的方法，其中所述機台的所述運作參數包括摩擦係數、沖壓壓力、直徑、摩擦表面積以及每分鐘沖壓次數其中之一或其組合。
TW109145316A 2020-12-21 2020-12-21 潤滑油量調整系統及潤滑油量調整方法 TWI742970B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW109145316A TWI742970B (zh) 2020-12-21 2020-12-21 潤滑油量調整系統及潤滑油量調整方法
CN202110054696.6A CN114648198A (zh) 2020-12-21 2021-01-15 润滑油量调整***及润滑油量调整方法
US17/198,270 US11906939B2 (en) 2020-12-21 2021-03-11 Lubricating oil volume adjustment system and lubricating oil volume adjustment method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109145316A TWI742970B (zh) 2020-12-21 2020-12-21 潤滑油量調整系統及潤滑油量調整方法

Publications (2)

Publication Number Publication Date
TWI742970B true TWI742970B (zh) 2021-10-11
TW202225551A TW202225551A (zh) 2022-07-01

Family

ID=80782603

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109145316A TWI742970B (zh) 2020-12-21 2020-12-21 潤滑油量調整系統及潤滑油量調整方法

Country Status (3)

Country Link
US (1) US11906939B2 (zh)
CN (1) CN114648198A (zh)
TW (1) TWI742970B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014081281A2 (en) * 2012-11-26 2014-05-30 Universiti Malaya (Um) Lubrication system in cnc machine linear guide ways for precise machining and less oil consumption
CN109340358A (zh) * 2018-11-16 2019-02-15 吉林大学 一种变速器润滑油量控制装置及其控制方法
CN111612242A (zh) * 2020-05-15 2020-09-01 北京天工智造科技有限公司 一种基于lstm深度学习模型的电机状态参数预测方法
CN111895075A (zh) * 2020-08-13 2020-11-06 中冶赛迪工程技术股份有限公司 一种齿轮设备润滑油流量控制方法及***

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS58211024A (ja) 1982-06-03 1983-12-08 Niigata Converter Kk 可変速スリツピングクラツチの加速制御装置
US6622824B2 (en) 2001-03-07 2003-09-23 Daniel H. Roehrborn Lubrication supply system for a machine
JP5607285B2 (ja) * 2006-06-23 2014-10-15 日本精工株式会社 軸受装置
CN1923399A (zh) 2006-09-19 2007-03-07 重庆前卫仪表厂 冲压模的自动润滑装置
JP5608375B2 (ja) 2009-04-15 2014-10-15 株式会社アマダ パンチ金型及び潤滑油の供給方法
TWM413798U (en) 2011-04-20 2011-10-11 Shin Zu Shing Co Ltd Oil-injection mechanism for hinge device and oil-injection device
DE102013203263A1 (de) * 2013-02-27 2014-08-28 Skf Lubrication Systems Germany Ag Vorrichtung zur Schmierstoffzufuhr zu einer Schmierstelle in einer Maschine
DE102016206841B3 (de) * 2016-04-22 2017-07-13 Audi Ag Antriebskomponente für ein Kraftfahrzeug sowie Kraftfahrzeug
JP6694016B2 (ja) * 2018-07-10 2020-05-13 ファナック株式会社 寿命評価装置およびロボットシステム
TWI669582B (zh) 2018-10-25 2019-08-21 裕祥精機工業股份有限公司 Lubrication oil filling system monitoring method
US11842553B2 (en) * 2018-12-06 2023-12-12 ExxonMobil Technology and Engineering Company Wear detection in mechanical equipment
CN109654359A (zh) 2019-01-28 2019-04-19 上海第二工业大学 数控机床高速轴承智能润滑装置及其智能调节方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014081281A2 (en) * 2012-11-26 2014-05-30 Universiti Malaya (Um) Lubrication system in cnc machine linear guide ways for precise machining and less oil consumption
CN109340358A (zh) * 2018-11-16 2019-02-15 吉林大学 一种变速器润滑油量控制装置及其控制方法
CN111612242A (zh) * 2020-05-15 2020-09-01 北京天工智造科技有限公司 一种基于lstm深度学习模型的电机状态参数预测方法
CN111895075A (zh) * 2020-08-13 2020-11-06 中冶赛迪工程技术股份有限公司 一种齿轮设备润滑油流量控制方法及***

Also Published As

Publication number Publication date
TW202225551A (zh) 2022-07-01
US20220197228A1 (en) 2022-06-23
US11906939B2 (en) 2024-02-20
CN114648198A (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
Han et al. Rolling bearing fault diagnosis with combined convolutional neural networks and support vector machine
CN106533750B (zh) 一种云环境下非平稳型应用用户并发量的预测***及方法
JP6174669B2 (ja) 複数の製造機械を有する製造セルを制御するセルコントロールシステム、生産システム、制御方法及び制御プログラム
CN106991504B (zh) 基于分项计量时间序列的建筑能耗预测方法、***及建筑物
JP2021512419A (ja) ファンの効率および／もしくは動作性能またはファン配置を最適化する方法
CN107392352B (zh) 一种基于融合极限学习机的电池未来温度预测方法及***
JP2021512422A (ja) ファンの動作やファン配置を最適化する方法
Zhang et al. Multi-parameter online measurement IoT system based on BP neural network algorithm
CN103279817A (zh) 一种基于知识的精密塑性成形知识库设计***
CN110852498A (zh) 一种基于gru神经网络预测数据中心能耗效率值pue的方法
TWI742970B (zh) 潤滑油量調整系統及潤滑油量調整方法
CN113051832A (zh) 主轴***热误差建模方法、误差预测***、误差控制***、误差控制方法及云雾计算***
CN114418183B (zh) 畜禽健康体征大数据物联网检测***
CN113536676A (zh) 基于特征迁移学习的锂电池健康状况监测方法
CN114879770A (zh) 一种基于线性回归预测的恒温控制方法
Widodo et al. Model selection using dimensionality reduction of time series characteristics
Zhang et al. Intelligent integrated framework towards high-accuracy machining
CN116955963B (zh) 基于历史数据分析的暖通节能阶梯寻优控制方法
CN113821903A (zh) 温度控制方法和设备、模块化数据中心及存储介质
CN114636220B (zh) 电梯空调的控制方法、装置、计算机设备和存储介质
Chang et al. Design of indoor temperature and humidity monitoring system based on CC2430 and fuzzy-PID
CN114417242B (zh) 畜禽活动信息的大数据检测***
CN114636212A (zh) 一种基于grnn的多台冷水机组***运行控制方法
CN116048161B (zh) 一种加热穿戴设备智能温度调节控制方法
CN117374977B (zh) 一种储能***负荷预测及风险分析方法