臺灣博碩士論文加值系統

由文獻顯示，銑削加工的表面品質受到切削速度、切削深度、進給速率等加工參數的影響。傳統加工方式憑藉著過去的經驗或技術手冊，選擇了較保守的加工參數，不僅不容易掌握加工品質，無形中也花費了許多時間與成本。因此，在要求製造效率與加工品質前提下，研究能事先掌握加工結果的預測模型，以及解決加工參數的最佳化問題，確有其必要性。
本研究為建立表面品質條件下，端銑工件的加工參數最佳化模組。其中應用類神經網路之倒傳遞網路，建構端銑中碳鋼表面品質預測模型，以銑削的加工參數作為輸入參數，以銑削後工件表面品質作為輸出目標值，並利用加工實驗的量測結果來進行網路訓練與測試後，預測模型的推論值與目標值相比較，誤差值小於3.7%，模型驗證誤差也小於5%。
銑削參數最佳化是利用遺傳學演算法作為最佳化搜尋模組，藉由網路預測模型推論的表面品質為限制條件，以獲取銑削上最大的材料移除率為目標，經遺傳演算的過程，可搜尋到最大適應度的最佳銑削加工參數。最後經由最佳化模組的實例搜尋及加工參數特性描述，發現愈高的表面品質要求下，所獲得的最大材料移除率愈小，且銑削的主軸轉速則偏向高轉速。可見，加工參數最佳化模組能有效的滿足加工後表面品質的要求，也能求取銑削加工的最大效益。

From earlier research work, it was realized that the machined surface of an end-milled component can be determined by the machine setting parameters, such as tool rotational speed, feed rate, depth of cut, etc. Conventionally, the situation would consider conservative rather than appropriate under economic consideration. A prediction model would be needed to justify the setting parameters for the component to be machined, if the result of machining becomes critical during the whole production process.
A neural network model was contrusted in this research work to correlate end-milling machining parameters and the machined surface characteristics. This model takes machining parameters as the model input, and produces machined surface quality as the outputs. This feed-forward multi-layer network model was trained and tested with experimental data. The ERMS from the network testing is found to be less than 3.7%. Finally the trained network was verified to be less than 5%.
The genetic algorithm and the neural network were integrated to optimize cutting conditions for the maximum metal removal rate with the constraints from the expected surface quality. It is found that the maximum metal removal rate decreases with increasing surface quality. It can be seen that this module is useful and beneficial to determine the cutting parameters.

中文摘要i
英文摘要ii
誌 謝iii
目 錄iv
表 目 錄vi
圖 目 錄viii
一、緒論1
1.1 前言1
1.2 研究動機與目的2
1.3 論文架構3
二、文獻回顧4
2.1 加工預測模型4
2.2 加工參數最佳化6
三、銑削表面品質預測模型9
3.1 類神經網路10
3.1.1 類神經網路簡介10
3.1.2 倒傳遞網路11
3.2 銑削表面品質BPN模型之建構14
3.2.1 BPN模型與實驗設置15
3.2.2 網路參數之決定16
3.2.3 網路訓練與測試19
3.3 預測模型驗證與切削表面特性描述21
3.3.1 預測模型驗證21
3.3.2 預測模型對切削表面特性之描述22
四、銑削加工參數最佳化27
4.1 遺傳演算法27
4.1.1 基本遺傳演算法則27
4.1.2 適應度函數32
4.2 銑削加工參數之最佳化33
4.2.1 GA演算流程34
4.2.2 GA演算參數之決定41
4.3 最佳化參數特性描述44
五、結論與未來展望49
5.1 結論49
5.2 未來展望51
參考文獻53
附錄A：實驗裝置規格58
附錄B：銑削實驗結果60
附錄C：田口法63
附錄D：BPN模型之輸出預測值65
附錄E：PCNeuron類神經網路程式69
附錄F：GA程式71

[1]鍾清章等人，1998，“品質工程(田口方法)”，中華民國品質學會發行。[2]Yu-Hsuan Tsai, Joseph C. Chen, Shi-Jer Lou, 1999, “An In-process Surface Recognition System Based on Neural Networks in End Milling Cutting Operations,” International Journal of Machine Tools & Manufacture, Vol. 39, pp. 583-605.[3]M. Alauddin, M.A. El Baradie and M.S.J. Hashmi, 1996, “Optimization of Surface Finish in End Milling Inconel 718,” Journal of Materials Processing Technology, Vol. 56, pp. 54-65.[4]P.V.S. Suresh, P. Venkateswara Rao, S.G. Deshmukh, 2002, “A Genetic Algorithmic Approach for Optimization of Surface Roughness Prediction Model,” International Journal of Machine Tools & Manufacture, Vol. 42, pp. 675-680.[5]關錦穗，1996，“工具機最大金屬切除率基於工件表面粗糙度之探討”，國立屏東科技大學，機械工程系碩士論文，屏東。[6]Tugrul Ozel , Taylan Altan, 2000, “Process Simulation Using Finite Element Method ─ Prediction of Cutting Forces, Tool Stresses and Temperatures in High-Speed Flat End Milling,” International Journal of Machine Tools & Manufacture, Vol. 40, pp. 713-738.[7]Kyung Sam Park, Soung Hie Kirn, 1998, “Artificial Intelligence Approaches to Determination of CNC Machining Parameters in Manufacturing: a review”, Artificial Intelligence in Engineering, Vol.12, pp.127-134[8]黃仁明，2000，“聚晶鑽石面銑刀銑削鋁合金表面粗糙度預測模式之研究”，中國機械工程學會第十七屆學術研討會，高雄市，第51-57頁。[9]K. Hans Raj, Rahul Swarup Sharma, Sanjay Srivastava, C. Patvardhan, 2000, “Modern of Manufacturing Processes with ANNs for Intelligent Manufacturing,” International Journal of Machine Tools & Manufacture, Vol. 40, pp. 851-868.[10]Matsumura, T., Shirakashi, T., Obikawa, T.,and Usui, E., 1993, ”Autonomous Turning Operation Planning with Adaptive Pre-diction of Tool Wear and Surface Roughness,” Journal of Manufacturing System, Vol. 12, No. 3, pp. 253-262.[11]Santanu das, A. B. Chattopadhyay AND A. S. R. murthy, 1996, “Force Parameters for On-line Tool Wear Estimation: A Neural Network Approach”, Neural Network, Vol. 9, No. 3, pp. 1639-1645.[12]Tamas Szecsi, 1999, “Cutting Force Modeling Using Artificial Neural Networks”, Journal of Materials Processing Technology, Vol. 92-93, pp.344-349. [13]L.H.S. Luong, T.A. Spedding, 1995, “A Neural-Network System for Predicting Machining Behaviour”, Journal of Materials Processing Technology, Vol. 52, pp.585-591. [14]Shiuh-Tarng Chang, Ding-I Liu, An-Chen Lee and Wei-Hua Chieng, 1995, “Adaptive Control Optimization in End Milling Using Neural Networks,” International Journal of Machine Tools & Manufacture, Vol. 34, No. 5, pp. 637-660.[15]劉惟信，1996，機械最佳化設計，金屬科技圖書股份有限公司，台北。[16]郭信川，王鴻鈞，1998，“遺傳演算法在最佳化設計問題之應用”，中國造船暨輪機工程學刊，第17卷，第1期，第39-48頁。[17]曾毓文，簡順源，2000，“遺傳演算法在平行機器排程上的應用“，機械工業雜誌，頁252-262。[18]駱景堯，張俊仁，1998，“遺傳基因演算法在彈性製造系統排程問題之探討“，大葉學報，第七卷第一期，頁70-90。[19]魏維俊，1997，“精密車床主軸頭之最佳化設計”，國立中興大學，機械工程研究所碩士論文。[20]陳家豪，李志光，1995，“遺傳演算法於機械元件設計最佳化之應用”，中國機械工程學會第十二屆學術研討會，頁180-188.。[21]M.S. Shunmugam, S.V. Bhaskara Reddy, T.T. Narendran, 2000, “Selection of Optimal Condition in Multi-pass Face-milling Using a Genetic Algorithm”, International Journal of Machine Tools & Manufacture 40, pp.401-414.[22]Chien, W. T., and Yao, C. F., 1997, “The Development of the Predictive Model for Metal Machining Parameters Based on Artificial Neural Network and Genetic Algorithm,” Proceedings of the 14th National Conference on Mechanical Engineering the Chinese Society of Mechanical Engineers, pp. 468-475.[23]溫程雄，1998，“工具機最佳加工參數的設定”，國立中興大學，機械工程研究所碩士論文，台中。[24]Taj Jo Ko et al., 1998, ”Autonomous Cutting Parameter Regulation Using Adaptive Modeling and Genetic Algorithms ”, Precision Engineering, Vol. 22, pp.243-251.[25]洪敬祥，1999，“面銑削加工參數預測模式之建立”，國立屏東科技大學，機械工程系碩士論文，屏東。[26]莊信源，2000，“類神經模糊系統與遺傳演算法在加工參數最佳化之應用”，國立台灣海洋大學，機械與輪機工程學系碩士論文，基隆。[27]呂建宏，2001，“針對不□鋼切削之表面粗糙度預測及參數最佳化模式之探討”，國立屏東科技大學，機械工程系碩士論文，屏東。[28]鍾清章，1996，“田口式品質工程之應用”，品質管理月刊，4月。[29]W.H. Yang. And Y.S. Tarng, 1998, ” Design Optimization of Cutting Parameters for Turning Operations Based on the Taguchi Method ”, Journal of Materials Processing Technology, Vol. 84, pp.122-129.[30]C.Y. Nian, W.H. Yang, Y.S. Tarng, 1999, ”Optimization of Turning Operations with Multiple Performance Characteristics ”, Journal of Materials Processing Technology, Vol. 95, Issue 1-3, pp. 90-96.[31]王俊志，吳佩霖，2000，“在工件溫度限制下最大材料移除率之銑削條件探討”，中國機械工程學會第十七屆學術研討會，高雄市，第411-418頁。[32]林昭榮，2001，“以田口方法探討JIS SUS304不鏽鋼之最佳鑽削條件”，國立高雄第一科技大學，機械與自動化工程研究所碩士論文。[33]劉修任，楊憲東，2000，“結合基因演算法與田口實驗法於飛行控制設計”，中國航空太空學會學刊，第32卷，第3期，第223-236頁。[34]W. Bouzid Sai, N. Ben Salah, J.L. Lebmn, 2001, ”Influence of Machining by Finishing Milling on Surface Characteristics”， International Journal of Machine Tools & Manufacture, Vol. 41, pp. 443-450.[35]蔡志成，2000，“切削表面粗糙度之分析與實驗探討”，機械月刊，26卷5期，5月，頁436-443。[36]林維新，1991，“CBN磨輪研削加工技術”，機械技術出版社。[37]陳永哲，民國90年7月，“磨削參數與磨後工作表面品質”，國立高雄第一科技大學，機械與自動化工程研究所碩士論文。[38]徐明堅，1999，“最新切削加工技術”，復漢出版社。[39]葉怡成，1998，“類神經網路模式應用與實作”，儒林圖書有限公司，台北。[40]邱寬旭，2000，“類神經網路簡介”，機電整合雜誌社，10月，頁58-62。[41]王進德，蕭大全，2000，“類神經網路與模糊控制理論入門”，全華科技圖書股份有限公司，台北。[42]葉怡成，1998，“應用類神經網路”，儒林圖書有限公司，台北。[43]王志方，1988，“材料表面測定技術”，復漢出版社。[44]周至宏，2000，“品質工程課程講義”，國立高雄第一科技大學機械與自動化工程研究所。[45]Littman, W.E., 1967, “Control of Residual Stresses in Metal Surfaces”, Proc. of the International Conference on Manufacture Technology, ASTME, pp. 1303.[46]Geoffrey Boothroyd, 1984, “Fundamentals of Metal Machining and Machine Tools”, Scripta Book Company, Washington, D.C. [47]蘇木春，張孝德，2000，“機器學習：類神經網路、模糊系統以及基因演算法則”，全華科技圖書股份有限公司，台北。[48]Q. J. Wang, 1997, “Using genetic algorithms to optimize model parameters”, Environmental Modeling & Software. Vol. 12. No. 1, pp. 27-34. [49]方曉嵐，1998，“高等人工智慧技術-遺傳演算法”，技術與訓練，23卷2期，4月，頁149-155。[50]Goldberg, D. E., “Genetic Algorithms in Search”, Optimization and Machine Learning, Addision-Wesley Publishing Company, 1989.[51]王栢村，陳興忠，1998，“田口法應用於最佳化設計問題”，屏東科技大學學報，7卷1期，頁13-20。[52]周明，孫樹棟，1998，“遺傳演算法原理及應用”，國防工業出版社，北京。