預測金屬扣件成形製程失效時，需蒐集模具正常、漸變、到失效的歷程資訊才能有效建立失效診斷與預測模型。然成形模具失效歷程時間長，實不易取得模具不同失效模式的漸變資訊，難以有效診斷扣件成形製程的失效模式為何，從而失效成本與待料等待時間難以減少，實為扣件成形產業在生產穩定化的挑戰。
本研究開發一扣件成形製程的失效預診系統，特點有三，分別為仿製樣本(Dummy Sample)的生成、特徵的自動萃取、與多失效模式的診斷等。在生成仿製樣本上，藉由混合不同比例的失效模式樣本，透過生成對抗網路(Generative Adversarial Nets)可產生具漸變特性的仿製樣本。在自動特徵萃取上，透過自動編碼器(Autoencoder)可識別異常訊號並自動萃取關鍵特徵。在診斷多失效模式上，以類神經網路(Neural Network)與隨機森林(Random Forest)建立不同失效模型，提供不同失效模式的診斷能力。最後，經由MQTT(Message Queuing Telemetry Transport)通訊協定的網頁介面，可提供線上監測成形製程壓力變化的能力。
在研究成果上，以扣件成形製程為例，本研究的失效模式估測能力，在胚料異常、公模缺角、母模異物與潤滑不足等異常模式的診斷正確率可達95%以上。而在模具失效程度分析上，推估缺角或異物失效模式的MAPE穩定在4.3%-11.7%之間。因此，本研究所開發之扣件成形製程失效預診系統將可適用於模具狀態的有效監控，可達到估測成形製程是否失效的目標。

Collecting historical data from normal to fail is necessary to effectively build a failure prognosis model for diagnosing failures of a metal fastener forming process. However, it takes long time for collecting the failure progress of the forming die and is difficult to obtain and diagnose the gradual information of various failure modes of fastener forming process. The fastener forming industry is challenging how to stabilize production by reducing failure cost and time to repair.
This study develops a failure prognosis system with three characteristics dummy sample generation, feature auto-extraction, and failure modes diagnosis for a fastener forming process. In dummy sample generation, samples with gradual fail can be generated by mixing different proportions of failure samples using GAN (generative adversarial nets). The abnormal signals can be filtered and features are auto-extracted using autoencoder. With specified models built by neural network and random forest, various failure modes can be diagnosed. Finally, an online web process monitor is provided via MQTT protocol.
The research results indicate that the accuracies are up to 95% when diagnosing failure modes including abnormal length, core notch, cavity adhesion, and ill lubrication in the fastener forming process. The MAPEs are between 4.3% and 11.7% when estimating degrees of failure modes core notch and cavity adhesion. Therefore, this system is promising to monitor and estimate die states, and achieves the goal of estimating forming process failures.

摘要 i
Abstract ii
誌謝 iii
目錄 iv
表目錄 vi
圖目錄 viii
第1章 緒論 viii
1.1 研究背景 1
1.2 研究目的 4
1.3 研究架構 5
第2章 理論方法 6
2.1 扣件成形失效原因 6
2.2 類神經網路模型 7
2.3 仿製樣本生成方法 12
2.4 特徵自動萃取方法 13
2.5 失效分類方法 15
2.6 壽命推估方法 17
第3章 系統方法 18
3.1 系統架構 18
3.1.1 系統概念 18
3.1.2 系統流程 19
3.2 壓感資料蒐集 21
3.3 仿製樣本生成 22
3.3.1 生成對抗網路模型之建立 22
3.4 特徵萃取 23
3.4.1 自動編碼器模型之建立 23
3.5 模型建立 24
3.5.1 類神經模型之建立 24
3.5.2 隨機森林模型之建立 24
3.5.3 回歸類神經模型之建立 25
3.6 系統介面 26
3.6.1 Node-Red監控介面之建立 26
第4章 案例研究與實驗分析 28
4.1 瑕疵失效實驗之相關規格 28
4.1.1 機台規格與加工線鋼材 28
4.1.2 瑕疵實驗失效設計 30
4.1.3 失效成品與壓感訊號 32
4.2 壓感有效資料擷取 43
4.2.1 原始壓力訊號正規化 44
4.2.2 基於Autoencoder擷取第一組實驗 45
4.2.3 基於Autoencoder擷取第二組實驗 49
4.2.4 有效資料擷取 54
4.3 壓感仿製樣本生成 55
4.3.1 基於GAN生成仿製樣本 55
4.4 壓感萃取特徵 59
4.4.1 基於Autoencoder萃取特徵之失效實驗 59
4.4.2 基於Autoencoder萃取特徵之GAN生成仿製樣本 65
4.5 模具失效模式診斷 67
4.5.1 基於Autoencoder與NN之模具失效模式診斷 67
4.5.2 基於Autoencoder與RF之模具失效模式診斷 72
4.6 模具失效程度估測 77
4.6.1 GAN基於AE與RF之模具失效模式診斷 78
4.6.2 GAN基於AE與NN之模具失效程度估測 81
第5章 結論與未來展望 86
5.1 結論 86
5.2 未來展望 87
參考文獻 88

[1]C. R. Gagg, “Premature failure of thread rolling dies: material selection, hardness criteria and case studies,” Engineering Failure Analysis, Vol. 8, pp. 87-105, 2001.
[2]C. L. Hu, T. Ding, H. Ou and Z. Zhao, “Effect of tooling surface on friction conditions in cold forging of an aluminum alloy,” Tribology International, Vol. 131, pp. 353-362, 2019.
[3]Z Gronostajski, M. Kaszuba, S. Polak, M. Zwierzchowski, A. Niechajowicz and M. Hawryluk, “The failure mechanisms of hot forging dies,” Materials Science and Engineering: A, Vol. 657, pp. 147-160, 2016.
[4]M. N. James, D. G. Hattingh, D. Asquith, M. Newby, and P. Doubell, “Applications of Residual Stress in Combatting Fatigue and Fracture,” Procedia Structural Integrity, Vol. 2, pp. 11-25, 2016.
[5]P. Groche, C. MüllerEmail and A. Jahn, “Effects of the Tool Lubrication in Cold Forging,” Tribology Letters, Vol. 53, pp. 599-605, 2014.
[6]S. Jhavar, C. P .Paul and N. K. Jain, “Causes of failure and repairing options for dies and molds: A review,” Engineering Failure Analysis, Vol. 34, pp. 519-535, 2013.
[7]R. Ebara, K. Takeda, Y. Ishibashi, A. Ogura, Y. Kondo and S. Hamaya, “Microfractography in failure analysis of cold forging dies,” Engineering Failure Analysis, Vol. 16, pp. 1968-1976, 2009.
[8]陳昱中，“基於類神經網路之模具狀態線上估測系統”，國立高雄第一科技大學電機工程研究所碩士論文，2018。
[9]王君敏，“以微機電麥克風之聲學震動進行精密型沖壓模具失效偵測”，國立中山大學機械與機電工程學系研究所碩士論文，2017。
[10]A. Long, D. Thornhill, C. Armstrong and D. Watson, “Predicting die life from die temperature for high pressure dies casting aluminium alloy,” Applied Thermal Engineering, Vol. 44, pp. 100-107, 2012.
[11]L. Zou, J. Xia, X. Wang and G. Hu, “Optimization of die profile for improving die life in the hot extrusion process,” Journal of Materials Processing Technology, Vol. 142, pp. 659-664, 2003.
[12]金昌擎，“冷間鍛造模具失效之研究- 以六角凸緣螺絲為例”，國立高雄應用科技大學機械工程系研究所碩士論文，2018。
[13]J. Chen, Y. Xie, K. Wang, Z. H. Wang, G. Lahoti, Z. H. Wang, G. Lahoti, C. Zhang, M. A. Vannan, B. Wang and Z. Qian, “Generative Invertible Networks (GIN): Pathophysiology-Interpretable Feature Mapping and Virtual Patient Generation,” Medical Image Computing and Computer Assisted Intervention- MICCAI, Vol. 14, pp. 537-545, 2018.
[14]L. Zou, J. Xia, X. Wang, and G. Hu, “Optimization of die profile for improving die life in the hot extrusion process,” Journal of Materials Processing Technology, Vol. 142, pp. 659-664, 2003.
[15]https://zh.wikipedia.org/wiki/%E4%BA%BA%E5%B7%A5%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C，類神經網路(Neural Network)，維基百科。
[16]https://zh.wikipedia.org/wiki/%E6%BF%80%E6%B4%BB%E5%87%BD%E6%95%B0，激活函數(Activation Function)，維基百科。
[17]https://keras.io/zh/initializers/，初始化方法(Initializer)，Keras。
[18]https://codertw.com/%E7%A8%8B%E5%BC%8F%E8%AA%9E%E8%A8%80/404042/，損失函數(Loss Function)，程式前沿。
[19]https://blog.csdn.net/legalhighhigh/article/details/81409551，損失函數(Loss Function)，CSDN。
[20]https://medium.com/%E9%9B%9E%E9%9B%9E%E8%88%87%E5%85%94%E5%85%94%E7%9A%84%E5%B7%A5%E7%A8%8B%E4%B8%96%E7%95%8C/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92ml-note-sgd-momentum-adagrad-adam-optimizer-f20568c968db，優化法(Optimizer)，Medium。
[21]https://towardsdatascience.com/understanding-rmsprop-faster-neural-network-learning-62e116fcf29a，優化法(Optimizer)，Medium。
[22]https://www.geeksforgeeks.org/generative-adversarial-network-gan/，生成對抗網路(GAN)，GeeksforGeeks。
[23]https://www.slideshare.net/yenlung/gan-90396897，生成對抗網路(GAN)，SlideShare。
[24]https://slidesplayer.com/slide/11334830/，自動編碼器(Autoencoder)，SlidesPlayer。
[25]https://www.cnblogs.com/by-dream/p/10088976.html，決策數(Decision Tree)，博客園。
[26]http://www.taroballz.com/2018/07/14/ML_decision_tree/，決策數(Decision Tree)，Taroballz。
[27]https://www.ccm3s.com/%E6%A8%99%E6%BA%96%E5%8A%A0%E9%95%B7%E5%9E%8B%E8%9E%BA%E7%B5%B2%E6%88%90%E5%9E%8B%E6%A9%9F.html，精湛科技股份有限公司。