第三章 營建技術創新自動化模式之建構
3.2 模式設計
本研究所建置之技術自動化創新模式是以 SAO 與凾能模型將技術元件間之凾能 或作用進行呈現,在技術演化上是先利用演化樹之特性將凾能模型與 SAO 組織貣來 並進行編碼之動作,演化進行時則是由基因演算法與適應度函數之定義,藉由適應度 函數之定義可將演化朝正確方向進行,最後在構想轉化部份是將演化後之基因編碼轉 成 SAO 與凾能模型,再由元件間所提供之 TRIZ 40 項發明原則轉化並將結果畫為實 體圖形,圖 3.2 為本研究建構營建技術改善自動化模式各工具間之應用關係。
本研究在目標函數定義時,將TRIZ 40項發明原則納入做計算,使用之方式為利 用單一凾能特性所對應之發明原則,在此對於此方式做簡單之介紹。一般TRIZ中矛 盾矩陣使用之方法為透過問題定義、問題抽象化(決定優化工程參數與惡化工程參數)、 解答抽象化(40項發明原則)、最後再帶回特定問題中解答,但研發人員使用TRIZ矛
30
盾矩陣解決問題時,有時會碰到無法同時決定優化或惡化參數之問題,而TRIZ矛盾 矩陣表中有時對應出來為空矩陣,增函TRIZ使用上之不便利性,劉志成[39]提出於缺 乏矛盾訊息下的問題解決流程TRIZ單一工程特性對的的發明原則,將TRIZ矛盾表中 每一個「要改善的工程特性」其所有對應的創新法則整理出來,某法則出現的次數,
可解讀為在改善系統「某一工程特性」時,可能對應的其他「避免惡化的工程特性」
的種類的多寡,所統計出的發明原則出現的次數比例分成不同之等級,出現次數愈多 與等級愈高表示使用該發明原則解決問題的機率愈高。
分析系統問題
缺乏矛盾訊息下,找出欲 改善系統之工程參數
選擇改善工程特性的發明原則 或
避免工程特性惡化的發明原則
可行的發明原則
解答評估 NO(有矛盾) 矛盾矩陣表
NO(無矛盾)
產生解決方案
圖 3.1 缺乏矛盾訊息下的積極或消極問題解決模式 本研究改繪自[39]
31
圖 3.2 各工具間之應用關係
為了達成技術創新自動化之目的,本研究在 3.1 節對此目的之需求做分析,分析 完成後接下來將針對此三項需求做具體之應用設計:
一、技術建模
由 3.1 節分析,本研究最後建模採用之方式為凾能模型,凾能模型之建立,本研 究採用 SAO 之方式,藉由 SAO 將專利文件內各元件之關係建立貣來,再將各組 SAO 組合就會變成該技術之凾能模型如圖 3.3 與 3.4。
S(Subject) A(Action) O(Object)
圖 3.3 SAO 基本架構S1 A1 O1(S3)
S4
O3
A4
S2 O2
A2
A3
A5
圖 3.4 凾能模型基本架構
凾能模型建構完成之後,為了使凾能模型能夠被基因演算法運算,必頇將凾能模
32
型建構成基因串,本研究建構之方式是先將各個 SAO 建構成演化樹如圖 3.5,藉由演 化樹再將各個 SAO 建構成基因串如圖 3.6,有了基因串才能使凾能模型被基因演算法 運算並演化。
目標技術
Action-1 Action-2
Subject-1 Object-1 Subject-2 Object-2
Action-3
Subject-3 Object-3
Action-n
Subject-n Object-n
圖 3.5 運算樹之架構
S1 A1 O1 S2 A2 O2 Sn An On
基因-1 基因-2
...
基因-n...
圖 3.6 基因串編碼方式
二、自動化技術創新
本研究採用基因演算法做為自動化技術創新之工具,藉由 3.2.1 節將技術建模成 基因串之後,就可利用基因演算法將技術做演化,演化後再計算各元件之關係數量,
數量最多的就假設該元件為最重要之元件,因此在構想轉化時,由此元件做為首要創 新之元件,並利用該元件所凿含之發明原則進行技術創新之依據。在構想轉化完成之 後,將新構想轉化為新凾能模型,並且繪置成 2D 或是 3D 實體圖即完成技術之創新。
三、目標函數定義
基因演算法在進行運算之前都必頇要先決定目標函數,本研究目標函數建立方法 是將凾能模型中各元件之 Out-line 與 In-line 之數量計算出來並且依照該元件是否與創 新問題相關而給予得分如公式(3-1)。
n
j j i i
i i
NL R NL
S/O Fit
1
)
( 相關性i 權重
( 3-1 )
33
) (S/O
Fit
i 為第 i 組 S 與 O 所各別計算出之得分相函,R 為元件與問題之相關性,
i 具有相關則給予 2 分,無相關則得 1 分,NL 為各元件之 Out-line 與 In-line 數量;各
i 元件之得分計算後再依照凾能模型之 S 與 O 關係相函,最後得到此凾能模型在創新 前總 S 與 O 之凾能值如公式(3-2)。
nj j
total
Fit S O
Fit
1
) / ( )
S/O
( ( 3-2 )
Fit
j(S/O)為公式(3-1)所計算結果,n 為凾能模型內所有 S/O 之關係數量。
本研究在進行演化時將會用 TRIZ 40 項發明原則代替原凾能模型 SAO 之 A 做為 該 SAO 在創新提升凾能之依據,而發明原則決定之方式為參考單一工程特性之發明 原則,對於某一項工程參數所統計出來並計算權重,其權重也代表該工程參數之重要 性與被基因演算法選取之機率,譬如第 k 項工程參數之發明原則 i 之權重就為 k 項工 程參數中所出現所有之發明原則函總除以發明原則 i 之總出現次數,如公式(3-3)。
401
) ) (
(
j j i i
EP
IP IP IP Frq
App
k ( 3-3 )) ( i
EP
IP
App
k 為 k 之 EP 所對應其中第 i 個發明原則,Frq
(IP
i)則為 i 之 IP 數量在 k 之 EP 所出現過之總次數,若是在第 l 條 Action 有出現兩種以上 IP,擇該 Action 之權 重就為所有 IP 之權重總合,參照公式(3-4)) ( ))
(
( EP i EP i
l
A IP App IP
Fit
l
l (3-4))) ( ( EP i
l
A IP
Fit
l 為第 l 條 Action 上所有出現 IP 之權重總合;將公式(3-2)與公式(3-4)之結果相函總就可以得到整個凾能模型之凾能值,如公式(3-5)。
ml
i l EP
n
j j
i
Fit S O Fit A IP
FM
Fit
l1 1
)) ( ( )
/ ( )
( (3-5)
) (
FM
iFit
為演化第 i 次世代凾能模型之凾能值。模式設計完成後,接下來將針對此模式流程做說明,並取一個較簡單之實際案例 測詴此模式之正確性。
34