TWI879323B

TWI879323B - 粒徑預測方法及系統

Info

Publication number: TWI879323B
Application number: TW112149283A
Authority: TW
Inventors: 陳哲堅; 曹凱傑; 庫馬希瓦姆; 劉致嘉
Original assignee: 財團法人精密機械研究發展中心
Priority date: 2023-12-18
Filing date: 2023-12-18
Publication date: 2025-04-01
Also published as: TW202525430A

Abstract

一種粒徑預測方法，適用於預測一混合破碎機中的一混合物料的一目前粒徑，並包含下列步驟：(A)取得該混合物料的一初始狀態數據，並以一設定參數數據控制該混合破碎機運轉。(B)隨時間量測該混合破碎機的一運轉參數數據，隨時間量測該混合物料之一破碎狀態數據。(C)一機器學習模型根據該初始狀態數據、該設定參數數據、該運轉參數數據與該破碎狀態數據運算該混合物料的該目前粒徑。藉此，可以即時得出該混合物料當下的該目前粒徑。而能在合適的時間結束混合破碎處理。故能大幅減少不必要的混合破碎時間耗費，能有效提升生產效率。

Description

粒徑預測方法及系統

本發明是有關於一種物料混合破碎技術領域，特別是指一種粒徑預測方法及系統。

習知混合破碎設備(例如，豆漿製作設備)中，為了得知合適的混合破碎時間設定，會在設備的調校過程中，進行多次實驗。每次實驗中，在加入原料(例如，豆子、水)並開始進行混合破碎後，每隔一段時間(例如，5分鐘)取出部分液體作為樣品，再使用粒徑分析儀量測樣品中顆粒的平均粒徑，以取得原料被破碎到期望的粒徑區間所需要的時間。接著，再以實驗得出的混合破碎時間進行設定。

然而，由於食品原料往往有尺寸或質地差異，在原料較大顆(或較硬)的情況下，會比較小顆(或較軟)的原料需要較多的混合破碎時間，而為求產品品質穩定，往往需要設定較長的混合破碎時間以包容原料較大顆(或較硬)的情況。如此，在混合破碎較小顆(或較軟)的原料時，就會發生原料已被破碎至期望的粒徑區間後，混合破碎設備卻仍須持續運轉一段時間的情況。這將造成製程時間的不必要耗費，進而導致生產效率難以提升。

因此，本發明之目的，即在提供一種能最佳化製程時間而提升生產效率的粒徑預測方法。

於是，本發明粒徑預測方法，運用於一運算裝置，適用於預測一混合破碎機中的一混合物料的一目前粒徑，並包含下列步驟：

(A)加入該混合物料至該混合破碎機，取得該混合物料的一初始狀態數據，並以一設定參數數據控制該混合破碎機運轉。

(B)隨時間量測該混合破碎機的一運轉參數數據，隨時間量測該混合物料之一破碎狀態數據。

(C)將該初始狀態數據、該設定參數數據、該運轉參數數據與該破碎狀態數據輸入一機器學習模型，該機器學習模型根據該初始狀態數據、該設定參數數據、該運轉參數數據與該破碎狀態數據運算該混合物料的該目前粒徑。

因此，本發明之目的，即在提供一種能最佳化製程時間而提升生產效率的粒徑預測系統。

於是，本發明粒徑預測系統，包含一混合破碎機、一感測裝置，及一運算裝置。

該混合破碎機適用於混合破碎一混合物料，包括一隨時間輸出一運轉參數數據的馬達模組，及一以一設定參數數據控制該馬達模組運轉的控制模組。

該感測裝置對應該混合破碎機設置，用以取得該混合物料的一初始狀態數據，並隨時間量測該混合物料之一破碎狀態數據。

該運算裝置信號連接該馬達模組、該控制模組與該感測裝置，並儲存一機器學習模型，該運算裝置將該運轉參數數據、該設定參數數據、該初始狀態數據與該破碎狀態數據輸入該機器學習模型，使該機器學習模型根據該運轉參數數據、該設定參數數據、該初始狀態數據與該破碎狀態數據運算該混合物料的一目前粒徑。

本發明之功效在於：藉由將該初始狀態數據、該設定參數數據、該運轉參數數據與該破碎狀態數據輸入該機器學習模型進行預測，可以即時得出該混合物料當下的該目前粒徑。如此，即便是每一批該混合物料間存在尺寸或質地差異，本實施例都可以根據該機器學習模型的預測，而在合適的時間完成混合破碎處理。故能大幅減少不必要的混合破碎時間耗費，而能有效提升生產效率。

參閱圖1、圖2及圖3，本發明粒徑預測系統之實施例適用於應用在食品加工業，並包含一混合破碎機2、一感測裝置3，及一運算裝置4。於該實施例應用於訓練(training)一機器學習模型預測該混合破碎機2中的一混合物料9的一目前粒徑時，該運算裝置4還可信號連接至一粒徑分析儀5以取得該粒徑分析儀5所量測的數據，或是該運算裝置4與該粒徑分析儀5間也可以不信號連接，而是透過可攜式儲存裝置(例如，隨身碟)進行資料傳遞。該混合物料9例如為豆子91與水92、或蔬果與水、或其他之食品原料組合，而其混合破碎後的產品分別為豆漿、或蔬果汁、或其他飲品。於本實施例中，以該混合物料9為豆子91與水92、混合破碎後的產品為豆漿進行說明。

該混合破碎機2適用於混合破碎該混合物料9，並包括一界定一混合破碎腔211的機體21、一連通該混合破碎腔211的輸入口22、一連通該混合破碎腔211與該輸入口22的回流管道23、一馬達模組24，及一控制模組25。

該馬達模組24隨時間輸出一運轉參數數據，並具有一帶動一磨盤組(圖未示)轉動的馬達241，及一以一設定參數數據驅動該馬達241運轉的變頻器242(Variable-frequency Drive，縮寫為VFD)。該磨盤組具有齒型斜面，並應用膠體磨的破碎方式，藉由該磨盤組之齒型斜面的相對運動，使該混合物料9受到剪切力及摩擦力而破碎。該變頻器242用以偵測並輸出該馬達241於運轉時的一運轉電壓及一運轉電流。

該控制模組25電連接該變頻器242，並以該設定參數數據透過該變頻器242控制該馬達241運轉。該控制模組25例如可使用程式化邏輯控制器（programmable logic controller，縮寫為PLC）實施。該設定參數數據例如為該馬達241的一設定運轉頻率(Hz)或一設定轉速(RPM)。於該混合物料9的混合破碎過程中，該馬達241是以恆速進行運轉。由於該馬達241的運轉頻率相關於該馬達241的轉速，因此，該設定參數數據中，該設定運轉頻率與該設定轉速可相互替換。於本實施例中，是以該控制模組25輸出該設定參數數據至該運算裝置4作為說明，但也可以是由該變頻器242輸出該設定參數數據至該運算裝置4，不以此為限。

該感測裝置3對應該混合破碎機2設置，用以取得該混合物料9的一初始狀態數據，並隨時間量測該混合物料9之一破碎狀態數據。該感測裝置3包括一光譜儀31(Spectroscope)及一溫度感測器32。

該光譜儀31對應該混合破碎機2設置，用以量測該混合物料9之一光譜數據。該光譜儀31可設置於該回流管道23的透明部分，或是設置於該機體21上可偵測到該混合破碎腔211中之該混合物料9的位置，例如，設置於該機體21上的一觀察窗(圖未示)，或是設置於其他可以測量該混合物料9目前的混合破碎情況的位置。該光譜儀31可使用微型光譜儀(Miniature Spectrometer)實施，以具有方便安裝、節省體積的優點。該光譜數據具有一預定頻段中的波長與對應之強度的數值，該預定頻段例如為300nm~1100nm，但亦可依實際量測需求或該光譜儀31之機型、型號調整。

該溫度感測器32對應該混合破碎機2設置，用以量測該混合物料9之溫度以輸出該混合物料9加入該混合破碎機2時的一初始溫度，及該混合物料9於混合過程中的一混合溫度。該溫度感測器32例如可使用熱電偶、熱敏電阻或紅外線感測技術實施。

該運算裝置4信號連接該馬達模組24、該控制模組25與該感測裝置3，並儲存該機器學習模型。該運算裝置4例如為電腦，並以乙太網路技術(例如，搭配RJ45插頭)信號連接該控制模組25、以串列通訊技術(例如，使用RS485通訊標準)信號連接該變頻器242。於本實施例中，是以該運算裝置4透過無線或有線通訊技術信號連接至該感測裝置3作為說明，但該運算裝置4也可以是透過該控制模組25與該感測裝置3信號連接，而該控制模組25與該感測裝置3間則是以有線通訊技術信號連接。

該機器學習模型例如為類神經網路(artificial neural network，縮寫為ANNs)，並具有一輸入層41、一至多個隱藏層42，及一輸出層43。於本實施例中，該機器學習模型的該隱藏層42(hidden layer)之層數介於1~3間，每一該隱藏層42之神經元數量介於64~256間，學習率(learning rate)為0.001。

該運算裝置4將該設定參數數據、該初始狀態數據、該運轉參數數據與該破碎狀態數據輸入該機器學習模型，使該機器學習模型根據該設定參數數據、該初始狀態數據、該運轉參數數據與該破碎狀態數據運算該混合物料9的該目前粒徑。

該初始狀態數據包括該混合物料9的一設定固液比及該初始溫度，該設定參數數據包括該馬達241的該設定運轉頻率或該設定轉速，該運轉參數數據包括該馬達241於運轉時的該運轉電壓及該運轉電流，該破碎狀態數據包括該混合物料9於混合過程的該混合溫度與該光譜數據。

參閱圖2、圖3、圖4及圖5，本發明粒徑預測方法，適用於運用在上述粒徑預測系統的該運算裝置4，並適用於預測該混合破碎機2中的該混合物料9的該目前粒徑，該粒徑預測方法包含以下步驟：

步驟61：加入該混合物料9至該混合破碎機2，取得該混合物料9的該初始狀態數據，並以該設定參數數據控制該混合破碎機2運轉。

其中，於步驟61中，該初始狀態數據包括該混合物料9的該設定固液比及該混合物料9之該初始溫度，該設定參數數據包括該混合破碎機2之該馬達241的該設定運轉頻率或該設定轉速，

步驟62：隨時間量測該混合破碎機2的該運轉參數數據，隨時間量測該混合物料9之該破碎狀態數據。

其中，於步驟62中，每隔一段時間量測該混合破碎機2之該馬達241的該運轉電壓及該運轉電流，該運轉參數數據包括該運轉電壓與該運轉電流。每隔一段時間量測該混合物料9之該混合溫度，及該混合物料9之該光譜數據，該破碎狀態數據包括該混合溫度與該光譜數據。

其中，每隔一段時間量測例如為，每隔1~5秒(例如，每隔5秒)量測該馬達241的該運轉電壓及該運轉電流，每隔1~5秒(例如，每隔5秒)量測該混合物料9的該混合溫度，每隔1~5秒(例如，每隔1秒)量測該混合物料9之該光譜數據，上述數據可以是同一時間一起量測，也可以是錯開量測，且其時間間隔可以相同或不相同，依實際需求而定。

步驟63：將該初始狀態數據、該設定參數數據、該運轉參數數據與該破碎狀態數據輸入該機器學習模型，該機器學習模型根據該初始狀態數據、該設定參數數據、該運轉參數數據與該破碎狀態數據運算該混合物料9的該目前粒徑。

其中，於步驟63中，該機器學習模型可以是每接收到更新的該運轉電壓及該運轉電流、或更新的該混合溫度、或更新的該光譜數據即重新進行預測，或是待上述數據皆更新後再進行預測。

其中，於步驟63中，該機器學習模型為類神經網路模型，其隱藏層42之層數介於1~3間，每一該隱藏層42之神經元數量介於64~256間，學習率(learning rate)為0.001。於本實施例中，該類神經網路模型之該輸入層41(input layer)之參數為該設定固液比、該初始溫度、該設定運轉頻率、該運轉電壓、該運轉電流、該混合溫度與該光譜數據。該隱藏層42之層數以3層作為說明，該輸出層43之參數則為該目前粒徑。

其中，於步驟63中，還可以將該馬達241的一運轉功率輸入該機器學習模型進行預測，即，將該運轉功率作為該輸入層41的其中一個參數，並需事先搭配於訓練過程中加入該運轉功率進行訓練。其中，該運轉功率為該運轉電壓與該運轉電流之乘積。

參閱圖1、圖2、圖6及圖7，該粒徑預測方法還包含下列用以訓練(training)及測試該機器學習模型之步驟：

步驟71：設定該初始狀態數據的複數水準值，並設定該設定參數數據的複數水準值，以該初始狀態數據的該等水準值搭配該設定參數數據的該等水準值進行數次實驗，於實驗中，隨時間量測該混合破碎機2的該運轉參數數據，隨時間量測該混合物料9之該破碎狀態數據，隨時間量測該混合物料9的該目前粒徑。

其中，以該混合物料9為豆子91與水92作為說明，依據DOE實驗法，分別設定該初始狀態數據與該設定參數數據的三個水準值(高、中、低)，其設定值分別為：該設定固液比設定為豆子91與水92之重量比，並分別為1:4、1:6及1:8，且每次實驗之總重量為6公斤(kg)；該初始溫度設定為10℃、25℃、40℃；該設定運轉頻率設定為40Hz、50Hz、60Hz。並將上述該初始狀態數據的該等水準值與該設定參數數據的該等水準值根據DOE實驗法進行搭配後，進行多次實驗。

其中，隨時間量測例如為，每隔1~5秒(例如，每隔5秒)量測該馬達241的該運轉電壓及該運轉電流，每隔1~5秒(例如，每隔5秒)量測該混合物料9的該混合溫度，每隔1~5秒(例如，每隔1秒)量測該混合物料9之該光譜數據，上述數據可以是同一時間一起量測，也可以是錯開量測，且其時間間隔可以相同或不相同，依實際需求而定。至於該混合物料9的該目前粒徑之量測方式，則是每5分鐘取出部分的該混合物料9作為一樣本，並經由該粒徑分析儀5測量該樣本以得出該目前粒徑之數值。該目前粒徑之數值可以是該樣品中的顆粒的粒徑範圍或平均粒徑，於本實施例中，以平均粒徑作為說明。

步驟72：以步驟71中數次實驗的該初始狀態數據、該設定參數數據、該運轉參數數據、該破碎狀態數據與該目前粒徑之資料作為一訓練資料集，並以該訓練資料集對該機器學習模型進行訓練。

於步驟72中，在訓練過程中，可藉由調整該機器學習模型的權重值、或偏置值、或學習率，而使所預測出的該目前粒徑能趨近於該訓練資料集中該粒徑分析儀5所實際量測出的該目前粒徑。

步驟81：設定該初始狀態數據的一預定區間，並設定該設定參數數據的一預定區間，於該初始狀態數據的該預定區間與該設定參數數據的該預定區間中，各亂數取出數個數值進行搭配以進行數次實驗，於實驗中，隨時間量測該混合破碎機2的該運轉參數數據，隨時間量測該混合物料9之該破碎狀態數據，隨時間量測該混合物料9的該目前粒徑。

其中，隨時間量測之方式相同於上述步驟71之敘述，在此不再贅述。

其中，該初始狀態數據與該設定參數數據的該預定區間例如為，該設定固液比之重量比介於1:4到1:8間；該初始溫度介於10℃~40℃間；該設定運轉頻率介於40Hz~60Hz間。當執行步驟81時，是以亂數隨機方式於上述該預定區間中取出數值，例如，隨機取出該設定固液比之重量比為1:5、該初始溫度為30℃、該設定運轉頻率為45Hz，並以此組合進行實驗。接著，再隨機取出下一組數值組合進行實驗。

步驟82：以步驟81中數次實驗的該初始狀態數據、該設定參數數據、該運轉參數數據、該破碎狀態數據與該目前粒徑之資料作為一測試資料集，並以該測試資料集對該機器學習模型進行測試。於進行測試時，當該機器學習模型根據該測試資料集所預測出的該目前粒徑，和該測試資料集的實際量測的該目前粒徑之誤差在10%內時，判斷該機器學習模型的測試結果符合預期。

由於本領域中具有通常知識者根據以上說明可以推知模型訓練及測試的擴充細節，因此不多加說明。

參閱圖2及圖4，於實際應用時，操作者先將該混合物料9加入該混合破碎機2，並將該混合物料9的該設定固液比與產品的一預定粒徑輸入該運算裝置4。接著，啟動該混合破碎機2進行混合破碎程序，並操作該運算裝置4執行上述粒徑預測方法，而使該運算裝置4可以在混合破碎過程中，即時地預測該混合物料9當下的該目前粒徑，並可將該目前粒徑顯示於一螢幕(圖未示)以供操作者觀看。當該運算裝置4預測該目前粒徑符合所輸入的該預定粒徑時，該運算裝置4輸出一控制信號至該控制模組25，以使該控制模組25控制該變頻器242而停止該馬達241運作。如此，可以取出已混合破碎完成的該混合物料9，並繼續放入下一批該混合物料9進行混合破碎處理。

參閱圖1、圖2及圖3，經由以上的說明，本實施例的功效如下：

藉由設置該感測裝置3及該運算裝置4，並搭配將該初始狀態數據、該設定參數數據、該運轉參數數據與該破碎狀態數據輸入該機器學習模型進行預測，可以即時得出該混合物料9當下的該目前粒徑。如此，可以在每一批的該混合物料9被破碎到所需的該預定粒徑後，即可結束製程，並更換下一批該混合物料9進行混合破碎處理。而不需如習知技術中，每一批該混合物料9都需要執行最保守的預定混合破碎時間。是以，即便是每一批該混合物料9間存在尺寸或質地差異，本實施例都可以根據該機器學習模型的預測，而在合適的時間完成混合破碎處理。故能大幅減少不必要的混合破碎時間耗費，而能有效提升生產效率。

其中，藉由使用不隨時間變動的該混合物料9的該初始狀態數據、該設定參數數據，與隨時間及製程不斷變動的該運轉參數數據、該破碎狀態數據做為該機器學習模型的該輸入層41之參數，可以提升該機器學習模型的預測準確度。因此，能在減少製程時間的情況下，同時維持產品的品質穩定。

再者，在產品的生產過程中，可以持續地收集該初始狀態數據、該設定參數數據、該運轉參數數據與該破碎狀態數據，並可透過該粒徑分析儀5收集該目前粒徑。如此，可以藉由不斷收集的新數據對該機器學習模型進行調整，以使該機器學習模型的預測更加精準。

綜上所述，本發明粒徑預測方法及系統，確實能達成本發明的目的。

惟以上所述者，僅為本發明之實施例而已，當不能以此限定本發明實施之範圍，凡是依本發明申請專利範圍及專利說明書內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。

2:混合破碎機 21:機體 211:混合破碎腔 22:輸入口 23:回流管道 24:馬達模組 241:馬達 242:變頻器 25:控制模組 3:感測裝置 31:光譜儀 32:溫度感測器 4:運算裝置 41:輸入層 42:隱藏層 43:輸出層 5:粒徑分析儀 61~63:步驟 71~72:步驟 81~82:步驟 9:混合物料 91:豆子 92:水

本發明之其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：圖1是本發明粒徑預測系統的一實施例連接至一粒徑分析儀的一方塊示意圖；圖2是該實施例的一混合破碎機的示意圖；圖3是該實施例的一機器學習模型的示意圖；圖4是該實施例應用於預測時的一方塊示意圖；圖5是本發明粒徑預測方法的一實施例的一流程圖；圖6是該實施例訓練一機器學習模型的一流程圖；及圖7是該實施例測試該機器學習模型的一流程圖。

61~63:步驟

Claims

一種粒徑預測方法，運用於一運算裝置，適用於預測一混合破碎機中的一混合物料的一目前粒徑，並包含下列步驟：(A)加入該混合物料至該混合破碎機，取得該混合物料的一初始狀態數據，並以一設定參數數據控制該混合破碎機運轉，該初始狀態數據包括該混合物料的一設定固液比及該混合物料之一初始溫度；(B)隨時間量測該混合破碎機的一運轉參數數據，隨時間量測該混合物料之一破碎狀態數據；及(C)將該初始狀態數據、該設定參數數據、該運轉參數數據與該破碎狀態數據輸入一機器學習模型，該機器學習模型根據該初始狀態數據、該設定參數數據、該運轉參數數據與該破碎狀態數據運算該混合物料的該目前粒徑。
如請求項1所述的粒徑預測方法，其中，於步驟(A)中，該設定參數數據包括該混合破碎機之一馬達的一設定運轉頻率或一設定轉速。
如請求項1所述的粒徑預測方法，其中，於步驟(B)中，每隔一段時間量測該混合破碎機之一馬達的一運轉電壓及一運轉電流，該運轉參數數據包括該運轉電壓與該運轉電流。
如請求項1所述的粒徑預測方法，其中，於步驟(B)中，每隔一段時間量測該混合物料之一混合溫度，及該混合物料之一光譜數據，該破碎狀態數據包括該混合溫度與該光譜數據。
如請求項1所述的粒徑預測方法，其中，於步驟(C)中，該機器學習模型為類神經網路模型，並具有1~3層之隱藏層，每一該隱藏層具有64~25個神經元。
如請求項1所述的粒徑預測方法，還包含下列用以訓練及測試該機器學習模型之步驟：(D)設定該初始狀態數據的複數水準值，並設定該設定參數數據的複數水準值，以該初始狀態數據的該等水準值搭配該設定參數數據的該等水準值進行數次實驗，於實驗中，隨時間量測該混合破碎機的該運轉參數數據，隨時間量測該混合物料之該破碎狀態數據，隨時間量測該混合物料的該目前粒徑；(E)以步驟(D)中數次實驗的該初始狀態數據、該設定參數數據、該運轉參數數據、該破碎狀態數據與該目前粒徑之資料作為一訓練資料集，並以該訓練資料集對該機器學習模型進行訓練；(F)設定該初始狀態數據的一預定區間，並設定該設定參數數據的一預定區間，於該初始狀態數據的該預定區間與該設定參數數據的該預定區間中，各亂數取出數個數值進行搭配以進行數次實驗，於實驗中，隨時間量測該混合破碎機的該運轉參數數據，隨時間量測該混合物料之該破碎狀態數據，隨時間量測該混合物料的該目前粒徑；及 (G)以步驟(F)中數次實驗的該初始狀態數據、該設定參數數據、該運轉參數數據、該破碎狀態數據與該目前粒徑之資料作為一測試資料集，並以該測試資料集對該機器學習模型進行測試。
一種粒徑預測系統，包含：一混合破碎機，適用於混合破碎一混合物料，包括一隨時間輸出一運轉參數數據的馬達模組，及一以一設定參數數據控制該馬達模組運轉的控制模組；一感測裝置，對應該混合破碎機設置，用以取得該混合物料的一初始狀態數據，並隨時間量測該混合物料之一破碎狀態數據，該初始狀態數據包括該混合物料的一設定固液比及該混合物料之一初始溫度；及一運算裝置，信號連接該馬達模組、該控制模組與該感測裝置，並儲存一機器學習模型，該運算裝置將該運轉參數數據、該設定參數數據、該初始狀態數據與該破碎狀態數據輸入該機器學習模型，使該機器學習模型根據該運轉參數數據、該設定參數數據、該初始狀態數據與該破碎狀態數據運算該混合物料的一目前粒徑。
如請求項7所述的粒徑預測系統，其中，該馬達模組具有一馬達及一信號連接該控制模組且用以驅動該馬達運轉的變頻器，該感測裝置包括對應該混合破碎機設置的一光譜儀及一溫度感測器，該光譜儀用以量測該混合物料之一光譜數據，該溫度感測器用以量測該混合物料之溫度，該初始溫度為該混合物料加入該混合破碎機時的溫度，該設定參數數據包括該馬達的一設定運轉頻率或一設定轉速，該運轉參數數據包括該馬達於運轉時的一運轉電壓及一運轉電流，該破碎狀態數據包括該混合物料於混合時的一混合溫度與該光譜數據。