臺灣博碩士論文加值系統

本研究是針對SKD11模具鋼之銑削性進行探討，目的在建立銑削加工的刀具磨耗及表面粗糙度預測模式。研究架構包含實驗執行和預測模式建立，在實驗方面首先選擇銑削速度、進給率、銑削深度等為實驗參數，利用田口法的直交表實驗計劃法規劃54組實驗點。依照實驗點的設計執行銑削後，量測刀具的刀腹磨耗量及工件銑削面的表面粗糙度，並將實驗數據隨機方式分配成兩組，分別做為架構預測模式所需之訓練範例及回想範例。接著利用倒傳遞網路原理架構刀具磨耗及工件表面粗糙度預測模式，其中網路參數的最佳值組合則是藉由田口法的搜尋而得。經由回想範例驗證的結果得知，刀具磨耗預測值之平均誤差為4.72 ﹪，而表面粗糙度預測值之平均誤差為 3.92 ﹪,結果顯示這兩個預測模式的可信度良好，可提供實際銑削加工的應用。

The purpose of this study is to set-up two independently predictive models for tool wear and surface roughness in milling SKD 11 steel. Experiments conducting and preditive models developing are main scheme in this study. In experimental aspect, milling speed, feed and depth of cut are selected as the experimental parameters that have been arranged to 54 experimental points by using the orthogonal array of Taguchi method. Thus experiments can be carried out step by step following the arrangement. Followed each test tool flank wear and surface roughness are measured by appropriate instruments, respectively. Experimental results are used for training patterns and recalling patterns in constructing predictive models. In model aspect, back-propagation neural network is the theory applied to construct the models that used to predict tool flank wear and surface roughness in milling. The optimum network parameters are determined from the analysis of Taguchi method. Comparing the predicted data with the experimental results, an average error as 4.72% for tool flank wear and an average error as 3.92% for surface roughness have been found. Therefore, accuracy of these two models has been verified. The results show that both predictive models are able to utilize reliably in milling SKD 11 steel.

目 錄
摘要……………………………………………………………I
英文摘要………………………………………………………Ⅱ
誌謝……………………………………………………………Ⅲ
目錄……………………………………………………………IV
圖目錄…………………………………………………………Ⅴ
表目錄…………………………………………………………Ⅵ
第一章 緒論……………………………………………………1
1.1 前言……………………………………………………1
1.2 文獻回顧………………………………………………2
1.3 研究範圍與目的………………………………………4
第二章 田口法…………………………………………………6
2.1 前言……………………………………………………6
2.2 田口方法原……………………………………………6
2.2.1 損失函數…………………………………………6
2.2.2 品質特性值的種類………………………………7
2.2.3 直交表……………………………………………8
2.3 參數之最佳組合程序…………………………………9
2.3.1 定義目標函數……………………………………9
2.3.2 定義設計變數及水準表…………………………9
2.3.3 選擇直交表………………………………………9
2.3.4 平均數分析………………………………………10
2.4 田口方法的應用………………………………………11
第三章 類神經網路系統………………………………………14
3.1前言……………………………………………………14
3.2 類神經網路……………………………………………15
3.2.1 類神經網路之學習演算法………………………16
3.2.2 倒傳遞網路………………………………………17
3.3 倒傳遞網路運算式……………………………………18
3.3.1網路學習過程……………………………………18
3.3.2網路回想過程……………………………………22
3.4 架構刀具磨耗預測模式………………………………22
3.4.1 定義目標函數……………………………………23
3.4.2 定義預測參數、水準值及直交表………………23
3.4.3 平均數分析………………………………………23
3.5架構表面粗糙度預測模式……………………………27
3.6 刀具磨耗預測模式及表面粗糙度耗預測模式之
應用範圍………………………………………………27
第四章 實驗程序………………………………………………28
4.1實驗目的………………………………………………28
4.2 實驗設備………………………………………………28
4.2.1工件材料 …………………………………………28
4.2.2銑削刀具 …………………………………………29
4.2.3銑削工具機 ………………………………………30
4.2.4硬度計 ……………………………………………31
4.2.5工具顯微鏡 ………………………………………31
4.2.6表面粗糙度儀器 …………………………………32
4.3預測模式架構步驟 ……………………………………35
4.4實驗規劃 ………………………………………………36
4.5實驗執行步驟 …………………………………………36
第五章 結果與討論 ……………………………………………39
5.1刀具磨耗實驗結果 ……………………………………39
5.2刀具磨耗預測模式之最佳參數組合 …………………42
5.2.1 參數組合及預測結果 ……………………………42
5.2.2平均數分析…………………………………………42
5.2.3刀具磨耗預測模式之最佳參數組合………………44
5.2.4最佳參數組合之驗證………………………………45
5.3刀具磨耗預測模式之結果及討論………………………46
5.4表面粗糙度實驗結果……………………………………48
5.5表面粗糙度預測模式之最佳參數組合…………………51
5.5.1 參數組合及預測結果.……………………………51
5.5.2平均數分析…………………………………………51
5.5.3表面粗糙度預測模式之最佳參數組合……………53
5.5.4最佳參數組合之驗證………………………………54
5.6表面粗糙度預測模式之結果及討論 ……………………55
第六章 結論與建議 ……………………………………………58
6.1 結論 ……………………………………………………58
6.2 建議 ……………………………………………………59
參考文獻…………………………………………………………61
符號索引…………………………………………………………66
附錄A 實驗之儀器規格 ………………………………………68

[1] 陳天生、黃寶建，2000，數控工具機原理及實習，高立圖書股份有限公司，台北。
[2] 張郭益，1999，精密量測實習，高立圖書股份有限公司，台北。
[3] 李鈞澤，1997，切削刀具學，文京圖書股份有限公司，台北。
[4] 傅光華，1986，切削刀具學，高立圖書股份有限公司，台北。
[5]張渭川譯，1987，切削加工技術資料集，全華科技圖書股份有限公司，台北。
[6] 黃錦鐘，1998，放電加工，高立圖書有限公司，台北。
[7] 蔡宗學，2002，「建立17-4PH不銹鋼之刀具磨耗預測及切削參數最佳化模式之探討」，碩士論文，屏東科技大學，屏東。
[8] 呂建宏，2001，「不銹鋼切削之表面粗糙度預測及參數最佳化模式之探討」，碩士論文，屏東科技大學，屏東。
[9] 林仁照，1992，「面銑削刀具磨耗預測之監測」，碩士論文，清華大學，新竹。
[10] 洪敬祥，1999，「面銑削加工參數預測模式之建立」，碩士論文，屏東科技大學，屏東。
[11] 劉鶴崗，1999，「高速端銑削模具鋼之現象分析」，碩士論文，台灣大學，台北。
[12] 樓成章，1992，「鋁合金高速銑削特性之研究」，碩士論文，成功大學，台南。
[13] 陳紹賢，1999，「Inconel-718與AISI4340銑削性探討」，碩士論文，中正大學，嘉義。
[14] 溫程雄，1998，「工具機最佳加工參數的設定」，碩士論文，中興大學，台中。
[15] 橫山巽子，1999，品質設計的實驗計畫法，中國生產力中心，台北。
[16]李輝煌，2000，田口方法-品質設計的原理與實務，高立圖書股份有限公司，台北。
[17]劉克琪，1994，田口式品質工程與實驗設計，華泰文化事業有限公司。
[18] 羅錦興，1999，田口品質工程指引，中國生產力中心，台北市，第1-37頁。
[19] 陳永正，1998，「606鋁合金之高速銑削行為與實驗探討」，碩士論文，國立中興大學，雲林。
[20] 蘇安瑜，1999，「田口方法在汽車零件加工之最佳化參數設計之應用」，碩士論文，雲林科技大學，雲林。
[21] 陳興忠、王柏村，1998，「田口法應用於最佳化設計問題」，屏東科技大學學報，第七卷，第一期，第13-20頁。
[22] 李克揚，1995，「模糊類神經網路於銑削磨耗檢測之應用」，碩士論文，成功大學，台南。
[23] 黃仁明，2000，「聚晶鑚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，第51-57頁。
[24] 姚成福，1997，「基於類神經網路及遺傳學演算法之金屬切削參數預測模式」，碩士論文，屏東科技大學，屏東。
[25] 周宗易，1998，「304不銹鋼切削性預測模式之建立」，碩士論文，屏東科技大學，屏東。
[26] 謝政宏，2000，「建立AISI 304不銹鋼之鑽孔品質預測及參數最佳化模式之探討」，碩士論文，屏東科技大學，屏東。
[27] 張永宗，1996，「工具機最大金屬切除率基於銑削振動之探討」，碩士論文，屏東科技大學，屏東。
[28] 關錦穗，1996，「工具機最大金屬切除率基於工件表面粗糙之探討」碩士論文，屏東科技大學，屏東。
[29] 洪國欽，1997，「鈦合金切削表面粗糙度基於切削參數之關係探討」，碩士論文，屏東科技大學，屏東。
[30] 彭國倫，1997，精通Fortran 90程式設計，碁峰資訊股份有限公司，台北。
[31] 葉怡成，1997，應用類神經網路，儒林圖書有限公司，台北。
[32] 焦成李，1991，神經網路系統理論，儒林圖書有限公司，台北。
[33] 盧炳勳等編譯，1992，類神經網路理論與應用，全華科技圖書股份有限公司，台北。
[34] 胡玉成，1997，暢談類神經網路，倚天資訊股份有限公司，台北。
[35] 葉怡成，1999，應用類神經網路，儒林圖書有限公司，台北。
[36] 葉怡成，1999，類神經網路模式應用與實作，儒林圖書有限公司，台北。
[37] Zdzislaw klim, Elmekki Ennajimi, Marek Balazinski, Clement Fortin, 1996, “Cutting Tool Reliability Analysis for Variable Feed Milling of 17-4PH Stainless Steel, ” Wear, Vol. 195, pp. 206-213.
[38] Phillip J. Ross, 1996, Taguchi Techniques for Quality Engineering, McGraw-Hill, Inc., New York, pp. 1-20.
[39] Su, Y. L., S. H. Yao, C. S. Wei, and C.T. Wu, 1998, “Analyses and Design of A WC Milling Cutter with TiCN Coating,” Wear, Vol. 215, pp. 59-66.
[40] Yang, W. H., 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.
[41] 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.