臺灣博碩士論文加值系統

隨著產業自動化的趨勢，業者為了提高競爭力，不僅要維持產量之外，產品的品質也是客戶關注的重要課題。品質會因製造形式的不同有所影響，其中機械加工的部分，有一個重要的品質指標為表面粗糙度，許多研究為了改善加工工件的表面粗糙度，提出對表面粗糙度做先行的預測，但都會造成停工或是為了維持產品的品質而影響到產量。因此，本研究將透過調整CNC機器加工參數的方法，控制工件表面粗糙度的品質指標，在維持生產力之下，讓表面粗糙度能符合客戶的要求。

為了能製造出符合要求的工件品質，本研究在考量表面粗糙度的參數規劃，除了機器本身的加工參數之外，將加入力量感測器(force sensor)來偵測製程中無法控制的切削力與切削過程中震動對產品表面粗糙度有所影響的參數，以達到系統能準確地控制表面粗糙度。本實驗將利用QP1620 CNC加工機進行資料的蒐集，並採用類神經網路來建置預測與控制表面粗糙度的決策系統，探討加工參數與表面粗糙度之間的關係。

系統中的實驗模組，由四個子系統所組成，分別為第一子系統預測加工條件、第二子系統預測表面粗糙度、第三子系統調整主軸轉速與第四子系統調整進刀速度所組成。每個子系統皆由類神經網路作為決策系統，為了能有效減少實驗次數，結合田口方法輔助尋找最佳的網路參數組合。由客戶要求的表面粗糙度品質指標值為系統執行的起始點，以客戶要求的表面粗糙度來預測其加工條件，再由第二子系統來預測該條件的表面粗糙度，最後將兩者之間的差值透過調整CNC機台兩個主要加工參數(主軸轉速與進刀速度)，將表面粗糙度控制在一個品質範圍內。

本研究發展智慧型表面粗糙度品質控制系統中，各個子系統之類神經網路的誤差函數分析皆低於0.0011，且以30筆數據資料進行系統驗證，透過本實驗模組調整機器參數結果，具有87%的驗證資料可調整至符合客戶要求的產品品質。

As the tendency to industry automation, to increase the competitiveness of the industry, the factory are not only maintain the productivity, but also to enhance the quality of product for customers. Quality is affected by different types. One important index that can represent quality characteristic is the surface roughness. Many studies were proposed to improve the surface roughness of processing work-pieces by predicting. But they would cause the stop of continuous production, and were too hard to find a balance between quality and productivity. Therefore, the purpose of this study is to have a good control of surface roughness by adjusting the parameters of CNC machine, and to meet the client’s requirements and maintain the productivity simultaneously.

In order to produce qualified work-pieces, this research not only takes processing parameter into consideration, but also uses force sensors to detect influences from uncontrolled cutting force and vibration that can affect the surface roughness during cutting process, to achieve the system can accurately control the surface roughness. Data is collecting from Surftest QP1620 CNC machine and then trained by neural network to build a decision making system that investigate the relation between processing parameter and surface roughness.

This intelligent surface roughness quality control system is consist of four sub-systems. The first subsystem is to make a forecasting machine parameters of the processing condition. The second one is a forecasting of the surface roughness. The third subsystem is to adjust the parameter of spindle speed. And the fourth subsystem is to adjust the feed rate. Every subsystem uses neural network as decision making system. To decrease the training time, the Taguchi method to find the best network parameter combination. Surface roughness quality indicated by clients was asked as a starting point for system implementation, and use the indicators to predict the processing condition in the first subsystem, adding the second subsystem to predict the surface roughness under this condition. Then, two major parameters (spindle speed, feed rate) of the machine CNC can be adjusted through the subtraction of the results between the first and second system. The surface roughness can be controlled in an acceptable quality range.

In this study, a intelligent surface roughness quality control system. The analysis of the error function are less than 0.0011 for subsystems, 30 data was used to validate the system, the results of the experiment model adjust the processing parameters can be found up to 87% data to meet customer requirements.

目錄
摘要 I
Abstract II
目錄 IV
圖目錄 VI
表目錄 VII
附錄索引 VIII
第一章 緒論 1
1.1 研究動機與目的 1
1.2 研究方法與流程 2
1.3 研究範圍與限制 3
1.4 研究架構 3
第二章 文獻探討 5
2.1 CNC工具機於銑削製程中加工參數與工件表面粗糙度的關係 5
2.1.1 製程參數對表面粗糙度之影響 5
2.1.2 設定製程參數 6
2.2 田口方法(Taguchi method) 7
2.2.1 直交表(Orthogonal array) 7
2.2.2 損失函數(Loss Function) 8
2.2.3 田口方法相關文獻 9
2.3 類神經網路(Artificial Neural Networks,ANNs) 10
2.3.1 類神經網路基本架構 10
2.3.2 類神經網路模式 11
2.3.3 倒傳遞類神經網路 13
2.3.4 類神經網路在表面粗糙度的控制應用 14
第三章 研究方法 15
3.1 硬體設備介紹 15
3.2 軟體設備介紹 17
3.3 蒐集實驗數據 18
3.3.1 切削力原理 18
3.3.2 實驗數據資料 21
3.4 決策系統 21
3.5 研究方法總結 25
第四章 實驗步驟與結果 26
4.1 建置實驗資料 26
4.2 應用田口方法 28
4.3 應用倒傳遞類神經網路 29
4.4 智慧型表面粗糙度品質控制系統 31
4.4.1 第一子系統 31
4.4.2 第二子系統 34
4.4.3 第三子系統 36
4.4.4 第四子系統 39
4.4.5 系統驗證 42
第五章 結論貢獻與未來研究方向 49
5.1 研究結論與貢獻 49
5.2 未來研究方向 49
參考文獻 50
附錄 54

圖目錄
圖 1 1 研究流程圖 4
圖 2 1 生物神經元 10
圖 2 2 類神經網路架構圖 12
圖 3 1 CNC立式加工綜合工具機 15
圖 3 2 力量感測器 16
圖 3 3 荷重測定裝置 16
圖 3 4 類比數位轉換器 17
圖 3 5 實驗加工圖 18
圖 3 6 切削過程中切削力圖 19
圖 3 7 四刃铣刀實際切削合力圖 20
圖 3 8 Z軸方向切削力圖 20
圖 3 9 神經元模型 22
圖 3 10 對數雙彎曲轉移函數 23
圖 3 11 正切雙彎曲轉移函數 24
圖 3 12 線性轉移函數 24
圖 3 13 實驗流程圖 25
圖 4 1 學習函數設定介面圖 30
圖 4 2 訓練參數設定介面圖 31
圖 4 3 第一子系統Signal/Noise Ratio回應圖 33
圖 4 4 第一子系統誤差函數分析 33
圖 4 5 第二子系統Signal/Noise Ratio回應圖 35
圖 4 6 第二子系統誤差函數分析 36
圖 4 7 第三子系統Signal/Noise Ratio回應圖 38
圖 4 8 第三子系統誤差函數分析 39
圖 4 9 第四子系統Signal/Noise Ratio回應圖 41
圖 4 10 第四子系統誤差函數分析 42

表目錄
表 4 1 預測加工條件子系統之參數介紹 26
表 4 2 預測表面粗糙度子系統之參數介紹 27
表 4 3 調整主軸轉速子系統之參數介紹 27
表 4 4 調整進刀速度子系統之參數介紹 27
表 4 5 第一子系統因子水準設定 32
表 4 6 第一子系統直交表(L9)與因子水準配置 32
表 4 7 第一子系統ANOVA Table 32
表 4 8 第二子系統因子水準設定 34
表 4 9 第二子系統直交表(L9)與因子水準配置 34
表 4 10 第二子系統ANOVA Table 35
表 4 11 第三子系統實際加工數據整理表 37
表 4 12 第三子系統因子水準設定 37
表 4 13 第三子系統直交表(L9)與因子水準配置 37
表 4 14 第三子系統ANOVA Table 38
表 4 15 第四子系統實際加工數據整理表 40
表 4 16 第四子系統因子水準設定 40
表 4 17 第四子系統直交表(L9)與因子水準配置 40
表 4 18 第四子系統ANOVA Table 41
表 4 19 平均峰值力變異數分析表 42
表 4 20 平均峰值力迴歸係數分析表 43
表 4 21 絕對平均力變異數分析表 43
表 4 22 絕對平均力迴歸係數分析表 43
表 4 23 第一、二子系統類神經網路輸出結果 44
表 4 24 系統預測與客戶要求之表面粗糙度分析結果 45
表 4 25 第三子系統調整結果 46
表 4 26 第四子系統調整結果 46
表 4 27 第四子系統調整結果(第二次) 47
表 4 28 第三子系統調整結果(第二次) 47

附錄索引
附錄 1 第二子系統表面粗糙度預測值 54
附錄 2 第三子系統之主軸轉速輸出調整值 60
附錄 3 第四子系統之進刀速度輸出調整值 63

Aggarwal, A., Singh, H., Kumar, P., Singh, M., Optimization of multiple quality characteristics for CNC turning under cryogenic cutting environment using desirability function, Journal of Materials Processing Technology, Vol.205, pp.42-50, 2008.

Asilturk, I., Cunkas, M., Modeling and prediction of surface roughness in turning operations using artificial neural network and multiple regression method, Expert System with Applications, Vol.38, pp.5826-5832, 2011.

Benardos, P. G.., Vosniakos, G. C., Prediction of surface roughness in CNC face milling using neural networks and Taguchi’s design of experiments, Robotics and Computer-Integrated Manufacturing, Vol.18, pp.343-354, 2002.

Ghani, J. A., Choudhury, I. A., Masjuki, H. H., Performance of P10 TiN coated
Carbide tools when end milling AISI H13 tool steel at high cutting speed, Journal of Materials Processing Technology, Vol.153-154, pp.1062-1066, 2004.

Gologlu, C., Sakarya, N., The effects of cutter path strategies on surface roughness of pocket milling of 1.2738 steel based on Taguchi method, Journal of materials processing Technology, Vol.206, pp.7-15, 2008.

Gupta, A., Singh, H., Aggarwal, A., Taguchi-fuzzy multi output optimization
(MOO)in high speed CNC turning of AISI P-20 tool steel, Expert Systems with
Applications, Vol.38, pp.6822-6828, 2011.

Huang, B. P., A neural networks-based in-process adaptive surface roughness control (NN-IASRC) system in end-milling operations, Copyright © Wilbur Terrance Johnson, All rights reversed. Graduate College Iowa State University, 2002.

Huang, B. P., Chen, J. C., An in-process neural network-based surface roughness prediction (INN-SRP) system using a dynamometer in end milling operation, The International Journal of Advanced Manufacturing Technology, Vol.47, pp.339-347, 2003.

Huang, B. P., Chen, J. C., Li, Y., Artificial-neural-networks-based surface
roughness Pokayoke system for end-milling operations, Neurocomputing, Vol.
71, pp.544-549, 2008.

Huang, B. P., Chen, J. C., Lin C. J., A Taguchi-Neural-Based In-process Tool
Breakage Monitoring System in End Milling Operations, Key Engineering
Materials, Vol.450, pp.251-254, 2011.

Julie, Z., Joseph, C., Chen, E. Daniel Kirby, Surface roughness optimization
in an end-milling operation using the Taguchi design method, Journal of Materials Processing Technology, Vol.184, pp.233-239, 2007.

Kirby, E. D., Chen, J. C., Zhang, J. Z., Development of a fuzzy-nets-based
in-process surface roughness adaptive control system in turning operations,
Expert Systems with Applications, Vol.30, pp.592-604, 2006.

Karayel, D., Prediction and control of surface roughness in CNC lathe using
artificial neural network, Journal of Materials Processing Technology, Vol.209, pp.3125-3137, 2009.

Nalbant, M., Gokkaya, H., Toktas, I., Sur, G., The experimental investigation of the effects of uncoated PVD- and CVD- coated cemented carbide inserts and
cutting parameters on surface roughness in CNC turning and its prediction using artificial neural networks, Robotics and Computer-Integrated Manufacturing, Vol.25, pp.211-223, 2009.

Ozel, T., Karpat, Y., Predictive modeling of surface roughness and tool
wear in hard turning using regression and neural networks , International
Journal of Materials Tools and Manufacture, Vol.45, pp.467-479, 2005.

Ozcelik, B., Bayramoglu, M., The statistical modeling of surface roughness in
high-speed flat end milling, International Journal of Machine Tools and
Manufacture, Vol.46, pp.1395–1402, 2006.

Stevens, A., Liang, S., Rejection in End Milling Through Two-Dimensional
Repetitive Force Control, Mechatronics, Vol.5, pp.1-13, 1995.

Topal, E. S., The role of stepover ratio in prediction of surface roughness in flat end milling, International Journal of Mechanical Sciences, Vol.51, pp.782-789, 2009.

Uhlmann, E., Piltz, S., Schauer, K., Micro milling of sintered tungsten-copper
composite materials, Journal of Materials Processing Technology, Vol.167,
pp.402-407, 2005.

Zain, A. M., Habibollah, H., Sharif, S., Prediction of surface roughness in the end milling machining using Artificial Neural Network, Expert System with
Application, Vol.37, pp.1755-1768, 2010.

林礽昌、謝明樺、楊永光、蔡志弘，應用類神經結合基因演算法於純鎢材料之線切割放電加工最佳化參數研究，兩岸機電暨產學合作學術研討會論文集, Vol.25, 2009。

施柏屹，倒傳遞類神經網路學習收斂之初步探討，國立中央大學機械工程研究所碩士學位論文，2000。

黃耀立，應用類神經網路前饋控制於改裝銑床之摩擦力補償，華梵大學機電工程研究所碩士學位論文，2004。

張永豐，用類神經網路處理伺服控制系統自動調整動作之研究-以CNC工具機為例，朝陽科技大學工業工程與管理所碩士學士論文，2003。

張斐章‧張麗秋 合著，類神經網路導論原理與應用，滄海書局，2010。

蔡志中，利用類神經網路預測模具鋼銑削之行為，國立雲林科技大學機械工程系碩士班碩士論文，2008。

賴柏辰，運用主成份田口類神經模組建立端銑表面粗糙度可調式控制系統，中原大學工業與系統工程學系碩士學位論文，2010。

顏耀義，高速銑削SKD61模具鋼表面粗糙度預測模式之探討，國立屏東科械工程系碩士學位論文，2003。

羅華強，類神經網路-MATLAB的應用，高立圖書有限公司，2005。

蘇朝墩，產品穩健設計-田口品質工程法的介紹與應用，中華民國品質學會，2002。