壓鑄在現代的鑄造業中，占了很重要的角色及地位，然而鑄造程序引起成品的良率及鑄造成本的考量，導致尋找出一種能提前預測的方法成為迫切的需求，而在大部份的工廠中，要分析出鑄造程序哪裡出問題，通常都要廠內有資深的壓鑄師傅經過試誤法花費時間來找出問題所在，或者由外聘專業人員來做檢測也是一筆可觀的支出，況且若在開模鑄造後才發現一大批產品都不能用，那對企業來說絕對是一種致命的傷害。近年來隨著人工智慧的崛起及更多演算法的精進，支持向量回歸被廣泛應用在多種領域，而在CNC這一方面，被用來預測加工溫度、粗糙度、加工時間等，本論文利用支持向量回歸來預測鑄造時的鑄孔不良程度，利用所得到的數據進行模型的訓練，其中考量到各種塗模劑、鋁湯溫度、模溫、壓力段、時間段所產生的影響，最後使用訓練完成的模型來預測鑄孔不良程度，並從中找出最佳的塗模劑、鋁湯溫度、模溫、壓力段、時間段組合，並在實驗進行中印證，支持向量回歸結合高斯核函數(rbf)的預測準確率可以達到99.56%，研究證實，透過此論文的方法，能夠找出壓鑄機台的最佳化預測模型。

Die casting plays a very important role and position in the modern casting industry. However, the casting process causes the yield of finished products and the cost of casting to be considered, resulting in an urgent need to find a method that can be predicted in advance. In the factory, analyze the problems in the casting process is usually necessary to have a senior die casting master in the factory to spend a trial and error method to find out the problem, or an external professional to perform the test is also a considerable expense. Moreover, if a large number of products are found to be unusable after the mold is made, it is definitely a fatal injury for the company. In recent years, with the rise of artificial intelligence and the advancement of more algorithms, support vector regression is widely used in many fields. In the aspect of CNC, it is used to predict processing temperature, roughness, processing time, etc. This paper use the support vector regression to predict the degree of casting hole defects during casting and use the obtained data to train the model. In this paper, takes the effects of various coating agents, liquid aluminum temperature, mold temperature, pressure section, time period , and finally use the trained model to predict the degree of casting hole failure. Finally, I confirm it by actual experiments, the prediction accuracy rate can reach 99.56%. Research has confirmed that through the method of this paper, the optimal prediction model of die casting machine can be found.

目錄

誌謝	I
中文摘要	III
英文摘要	IV
目錄	VI
圖索引	X
表索引	XIII 
第一章    緒論	1
1.1   研究背景	1
1.2   研究目的	3
1.3   論文架構	4
第二章    文獻回顧與理論基礎	5
2.1   鑄孔不良文獻回顧	5
2.2   支持向量機	11
2.2.1   支持向量回歸簡介	13
2.2.2   影響支持向量回歸的因素	14
2.2.3   核函數	16
2.2.4   C懲罰因子	27
2.2.5   degree	27
2.2.6   gamma泛化因子	27
2.2.7   參數標準化	29
第三章    實驗方法與設備	34
3.1   實驗方法	34
3.1.1   sgd隨機梯度下降法	37
3.1.2   rmsprop方均根支柱法	39
3.1.3   adam適應向量預估法	39
3.1.4   relu函數	40
3.1.5   linear線性核函數	41
3.1.6   rbf高斯核函數	41
3.1.7   poly多項式核函數	42
3.2   壓鑄設備、工具與材料	43
3.2.1   壓鑄機台	43
3.2.2   工件材料	50
3.3   開發工具	52
3.3.1   python	52
3.3.2   sklearn	54
3.3.3   numpy	55
3.3.4   pandas 	56
第四章    結果與討論	57
4.1   訓練過程	57
4.1.1   sgd隨機梯度下降法成果	58
4.1.2   rmsprop方均根支柱法成果	59
4.1.3   adam適應向量預估法成果	61
4.1.4   linear線性核函數成果	63
4.1.5   rbf高斯核函數成果	64
4.1.6   poly多項式核函數成果	66
4.2   最優化參數	68
第五章    結論與未來展望	69
5.1   結果與討論	69
5.1.1  結果	69
5.1.2  討論	70

5.2   未來展望	71
參考文獻	72
附錄	75
A-1  部分特徵排列數據	75
A-2  部分特徵經訓練模型取得之目標值	78
 

圖索引

圖2-1   縮松	5
圖2-2   縮孔	6
圖2-3   SVM線性分類示意圖	12
圖2-4   SVR線性回歸示意圖	14
圖2-5   二維平面變換為三維平面圖	17
圖2-6   線性與非線性分類比較圖	19
圖2-7   樣本分布於二維平面圖	20
圖2-8   樣本分布於三維空間圖	21
圖2-9   空間中進行的分類圖	22
圖2-10  樣本分布於二維平面圖	25
圖2-11  樣本分布於三維空間圖	26
圖2-12  藉由三維空間進行分類再降維回二維平面	26
圖2-13  標準化前	31
圖2-14  標準化後	32
圖3-1   relu函數示意圖	40
圖3-2   鋁輪圈低壓鑄造機	43
圖3-3   低壓鑄造機組成	47
圖3-4   低壓鑄造主要構造	48
圖3-5   油壓加壓	49
圖3-6   開模	49
圖3-7   取得鑄件	50
圖4-1   sgd隨機梯度下降法訓練集成果圖	58
圖4-2   sgd隨機梯度下降法測試集成果圖	59
圖4-3   rmsprop方均根支柱法訓練集成果圖	59
圖4-4   rmsprop方均根支柱法測試急成果圖	60
圖4-5   adam適應向量預估法訓練集成果圖	61
圖4-6   adam適應向量預估法測試集成果圖	61
圖4-7   linear線性核函數訓練集成果圖	63
圖4-8   linear線性核函數測試集成果圖	64
圖4-9   rbf高斯核函數訓練集成果圖	64
圖4-10  rbf高斯核函數測試集成果圖	65
圖4-11  poly多項式核函數訓練集成果圖	66
圖4-12  poly多項式核函數測試集成果圖	66

 

表索引

表3-1  實例因素與水準	34
表3-2  田口法直交表示意圖	35
表3-3  實驗結果示意圖(非真實值)	36
表3-4  低壓鑄造機型號及規格表	44
表4-1  類神經網路訓練結果	68
表4-2  支持向量回歸訓練結果	68

[1]	鄭玉生，應用倒類神經法於放電線切割機熱溫升量測，國立勤益科技大學，機械工程系碩士論文，民國102年5月。
[2]	楊仁賓，修正式類神經網路於渦輪發動機故障診斷之應用，義守大學電機工程系碩士論文，民國97年6月。
[3]	王榮，鑄件縮孔和縮松的成因及防止措施，《金屬加工》雜誌，2016 
[4]	李桔萍，運用SVR智慧型分類器改善工程粗估之研究，國立中央大學營建管理系碩士論文，民國105年1月。
[5]	許惠媛，基於因素選取的遺傳支向迴歸時間序列模型預測股價，國立雲林科技大學資訊管理系碩士論文，民國103年6月。
[6]	傅毓儀，植基於支持向量回歸之系統判別方法與其應用，國立雲林科技大    學工程科技系博士論文，民國98年6月。	
[7]	張明偉，支向機參數選取之討論，國立臺灣大學資訊工程學系碩士論文，民國92年。
[8]	高安，支援向量迴歸結合基因演算法偵測異常的血壓數據，臺北市立大學資訊科學系碩士論文，民國104年6月。
[9]	哈林頓，機器學習實戰，人民電郵出版社，民國101年6月。
[10]	韋惠蘭、宋桂英，森林資源社區共管脆弱性研究，甘肅人民出版社，民國98年7月。
[11]	姜啟源，數學模型，高等教育出版社，民國96年11月。
[12]	黃日鉦，人工智慧與深度學習：理論與Python實踐，碁峰出版社，民國109年3月
[13]	大上丈彥， 3小時讀通統計：通往假設檢定之路，世茂出版社，民國102年9月
[14]	邱智仁，運用類神經網路建立CNC銑床加工精度最佳化預測模式，義守大學工業管理學系碩士班，民國104年1月。
[15]	李立維，結合倒傳遞類神經網路與貝氏演算法進行電腦數值控制工具機最適尖角量控制參數選擇之研究，國立臺北科技大學機械工程系碩士論文，民國107年1月。
[16]	無錫羅尼威爾機械設備有限公司，中國大陸江蘇省無錫市
[17]	歐碁科技有限公司，台灣省高雄市
[18]	袁克倫、楊孟穎，It’s Django - 用Python迅速打造Web應用，碁峰出版社，民國104年7月
[19]	黃政豪，應用類神經網路預測CNC加工中心機之加工時間，國立台灣科技大學機械工程系碩士論文，民國107年1月。
[20]	楊倍驊，深層類神經網路於CNC參數與加工指標之動態性能預測與優化應用，國立中興大學機械工程學系碩士論文，民國107年7月。 
[21]	張永豐，應用類神經網路處理伺服控制系統自動調整動作之研究-以CNC為例，朝陽科技大學工業工程與管理系碩士班，民國92年。