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）。







ⁿ

j 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）。







₄₀

1

) ) (

(

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）。





 





^m

l

i l EP

n

j j

i

Fit S O Fit A IP

FM

Fit

l

1 1

)) ( ( )

/ ( )

( （3-5）

) (

FM

_i

Fit

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

在文檔中 應用演化運算樹於營建技術創新 自動化構想產生之探討 (頁 45-50)