機械工業網 - 機械產業的入口網站

:::

歷史雜誌

依專輯名稱關鍵字搜尋或依年份搜尋，年份輸入範例202406

作者:古宏麒、黃博煜、劉偉軒、黃宣諭物理導向AI驅動跨材料複材應用之零樣本參數精準導航

在淨零碳排的趨勢下，具備輕量化與高強度特性的複合材料成為航太與運具等產業的發展核心。

然而，複材製程參數開發長期受限於高昂的CAE（Computer-aided Engineering）軟體門檻與繁瑣試誤流程。

當導入新材料時，傳統仰賴大量模擬與實驗的方法，常導致開發週期過長且成本高昂。本研究提出「物理導向零樣本整體式學習」（Physics-guided Zero-Shot Ensemble Learning）AI 技術，能利用既有材料知識推論新材料參數，解決跨材料特性預測問題，成功減少超過50% 的模擬與試驗次數。同時透過遷移學習（Transfer Learning），以少量真實數據進行模型補償，使模型預測值與真實強度誤差降至 3% 以下，大幅提升複材製程優化效率與精度。

作者:張信常、黃博煜、古宏麒、鄭志平AI調整控制器補償參數提升全體積空間精度

面對全球競爭，臺灣工具機業發展高階五軸機，關鍵在於全體積空間精度提升。傳統精度調校耗時且依賴資深技師，難以解決五軸機構中43 項幾何誤差的複雜耦合。本文結合五軸運動學與AI 數據建模，提出補償參數調整技術。利用ISO-10791-6 K4 (Kinematic Test 4) 動態路徑測試和雷射量測儀，採集刀具中心點動態誤差數據與控制器機械座標。建立物理導引AI 模型，聚焦優化四項旋轉軸機構鏈誤差參數，包含XOC（X 軸對C 軸的偏心誤差，X-coordinate of Origin of C-axis）、YOC（Y 軸對C 軸的偏心誤差，Y-coordinate of Origin of C-axis）、YOA（Y軸對A軸的偏心誤差，Y-coordinate of Origin of A-axis）、ZOA（Z軸對A 軸的偏心誤差，Z-coordinate of Origin of A-axis）。結果顯示，本系統能有效預測與補償空間誤差，縮短調機時間，實現精度調校標準化與數據化，助國內工具機產業晉升A+ 級精度品級。