2025-06-23
專家決策系統模型架構
年度：113
類別：電動自行車類
技術名稱：專家決策系統模型架構
產品特色：此為了求得混合調配製程之最佳化調控關鍵參數，本技術利用混合製程參數與混合桶槽加工數據，以及破碎前處理實驗數據，建立黏度預測模型，進而優化混合桶槽設計的效果。首先，將破碎前處理實驗數據中的不同原料混合搭配加入混合製程參數，形成整合後的特徵數據集。這些數據集包括各種原料的比例、混合時間、溫度、攪拌速度等，總共有3,000筆數據記錄，每條記錄包含16個特徵。
技術規格："模型採用KERAS中的The Sequential model，我們分別測試了兩種不同的神經網絡來進行比較：RNN神經網絡和LSTM神經網絡。RNN：具有循環的特性，可以根據循環學習，總參數量約13萬筆。LSTM：在RNN的基礎上加入長短期記憶，使模型的運用更具時序性，總參數量約52萬筆。在實驗中，我們發現LSTM在處理長序列數據時效果更優。實驗結果顯示，在Test r²、Test MAE、Test RMSE數據中，LSTM的表現如下：Test r²：0.85 Test MAE：0.03 Test RMSE：0.05 相比之下，RNN的表現稍差： Test r²：0.75 Test MAE：0.05 Test RMSE：0.08 因此，我們選擇使用LSTM神經網絡來進行後續訓練。"
可運用範圍：智慧製造、品質預測
潛力預估：訓練完成後，對模型進行性能評估，包括在訓練集和測試集上的預測準確率、均方誤差等指標。通過分析模型在測試集上的預測結果，以及觀察模型訓練過程中的損失函數曲線，評估模型的性能和訓練效果。評估指標如下：訓練集準確率：0.90；測試集準確率：0.87；訓練集均方誤差（MSE）：0.02；測試集均方誤差（MSE）：0.03；通過模型訓練與評估數據顯示，LSTM神經網絡在黏度及粒徑預測上的表現優於一般的RNN網絡。最終模型在測試集上的預測準確率高，均方誤差低，表明該模型能夠有效預測混合調配製程中的關鍵參數。模型在實際應用中，能夠顯著提高混合製程的效率和產品質量。
聯絡窗口：陳奕信
聯絡電話：05-2918899#8806
E-mail：shinchen@tbnet.org.tw
類別：電動自行車類
技術名稱：專家決策系統模型架構
產品特色：此為了求得混合調配製程之最佳化調控關鍵參數，本技術利用混合製程參數與混合桶槽加工數據，以及破碎前處理實驗數據，建立黏度預測模型，進而優化混合桶槽設計的效果。首先，將破碎前處理實驗數據中的不同原料混合搭配加入混合製程參數，形成整合後的特徵數據集。這些數據集包括各種原料的比例、混合時間、溫度、攪拌速度等，總共有3,000筆數據記錄，每條記錄包含16個特徵。
技術規格："模型採用KERAS中的The Sequential model，我們分別測試了兩種不同的神經網絡來進行比較：RNN神經網絡和LSTM神經網絡。RNN：具有循環的特性，可以根據循環學習，總參數量約13萬筆。LSTM：在RNN的基礎上加入長短期記憶，使模型的運用更具時序性，總參數量約52萬筆。在實驗中，我們發現LSTM在處理長序列數據時效果更優。實驗結果顯示，在Test r²、Test MAE、Test RMSE數據中，LSTM的表現如下：Test r²：0.85 Test MAE：0.03 Test RMSE：0.05 相比之下，RNN的表現稍差： Test r²：0.75 Test MAE：0.05 Test RMSE：0.08 因此，我們選擇使用LSTM神經網絡來進行後續訓練。"
可運用範圍：智慧製造、品質預測
潛力預估：訓練完成後，對模型進行性能評估，包括在訓練集和測試集上的預測準確率、均方誤差等指標。通過分析模型在測試集上的預測結果，以及觀察模型訓練過程中的損失函數曲線，評估模型的性能和訓練效果。評估指標如下：訓練集準確率：0.90；測試集準確率：0.87；訓練集均方誤差（MSE）：0.02；測試集均方誤差（MSE）：0.03；通過模型訓練與評估數據顯示，LSTM神經網絡在黏度及粒徑預測上的表現優於一般的RNN網絡。最終模型在測試集上的預測準確率高，均方誤差低，表明該模型能夠有效預測混合調配製程中的關鍵參數。模型在實際應用中，能夠顯著提高混合製程的效率和產品質量。
聯絡窗口：陳奕信
聯絡電話：05-2918899#8806
E-mail：shinchen@tbnet.org.tw