跳到主要內容

臺灣博碩士論文加值系統

(3.235.120.150) 您好!臺灣時間:2021/08/03 04:52
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:吳東川
研究生(外文):Tung-Chuan Wu
論文名稱:智慧型控制系統應用於射出成型產品品質控制
論文名稱(外文):Implementation of Intelligent Control System in the Quality Control of Injection-Molded Product
指導教授:張榮語張榮語引用關係
指導教授(外文):Rong-Yeu Chang
學位類別:碩士
校院名稱:國立清華大學
系所名稱:化學工程學系
學門:工程學門
學類:化學工程學類
論文種類:學術論文
論文出版年:2004
畢業學年度:92
語文別:中文
論文頁數:91
中文關鍵詞:射出成型類神經網路田口方法實驗計畫法
外文關鍵詞:Injection MoldingNeural NetworkTaguchi MethodDesign of Experiment
相關次數:
  • 被引用被引用:9
  • 點閱點閱:412
  • 評分評分:
  • 下載下載:90
  • 收藏至我的研究室書目清單書目收藏:0
近年來高分子工業發展迅速,使得塑膠製品成為日常生活中最普遍的產品,甚至跨入高科技產業,如何改善產品的生產效率及提高產品品質,儼然成為當前首要之研究課題。在進行射出成型加工時,為獲得所期望的加工特性,往往需先決定適當的加工參數,但因加工參數眾多且複雜,選取時完全需仰賴有經驗的操作人員。由於射出過程中除了加工條件為變因之外,仍有許多不確定性變因存在,因此造成了,即使在相同的加工條件下,產品的品質特性仍會有所不同。

本研究首先利用田口式直交表實驗計畫法,針對射出成型程序進行實驗,由於可操控的機台條件有5個,分別為射出時間、充填保壓切換點、保壓壓力、射出速度以及射出壓力,因此選用田口式直交表中的L25(56)直交表進行實驗。利用實驗過程中機台所量測得到的動態資料與量測到的產品重量資料作為類神經網路的訓練資料,建構一具有預測出產品重量能力的品質預測器,利用回饋控制的概念,藉由產品重量預測值與目標值的誤差作為控制器的判斷依據,控制修正影響產品重量最顯著的加工條件,期望能使射出成型過程完全自動化,以依產品品質需求,自動穩定於近品質目標值上持續生產。
In order to obtain the desirable product quality, need to make the optimal process parameter first, but the process parameters numerously and compli- catedly, need to dependent on the experienced operators. Even under the same processing condition, product quality will still be different .

In this study, we use the design of experiment in injection molding pro- cess. Because of the injection parameters that we can control are the injection time; vp-switch; packing pressure, injection velocity and the injection pressure, so we choose the L25(56) orthogonal array that in the Taguchi Method. Use the process dynamic data and the part weight that measure from the experiment be the Neural Network training data, we can make a quality predictor that can precisely predict part weight.

By the idea of feedback control, we design a single variable process controller. It only adjust the injection parameter which influence the part weight. In the conclusion, the product in this injection molding process can be controlled in the quality requirement and maintain steady operating condition.
中文摘要 II
ABSTRACT III
目錄 IV
圖目錄 VII
表目錄 X
第一章、緒論 1
1.1研究目的與動機 1
1.2射出成型加工簡介 2
1.2.1射出成型加工程序 2
1.2.2全電式射出成型機 5
1.3類神經網路簡介 7
1.3.1何謂類神經網路 7
1.3.2多層類神經網路 10
1.3.3類神經網路的類型 12
1.3.4類神經網路的運作過程 13
1.3.5類神經網路的學習演算法 14
1.3.6類神經網路之應用 15
1.3.7類神經網路之優缺點 16
1.4田口式實驗計畫法 17
1.4.1田口式品質工程簡介 17
1.4.2品質損失函數 17
1.4.3信號雜音比 20
1.4.4直交表 23
1.4.5變異數分析 23
1.4.6數據分析流程 25
第二章、文獻回顧 27
2.1 品質預測 27
2.2 智慧型控制 29
第三章、研究方法 30
3.1倒傳遞類神經網路 30
3.1.1倒傳遞類神經網路演算法 30
3.1.2倒傳遞類神經網路測試 33
3.1.3改良式倒傳遞類神經網路 39
3.1.4以田口方法求倒傳遞類神經網路最佳組合參數 43
3.1.5最佳學習循環次數 44
3.2實驗流程 45
3.2.1 實驗設備 47
3.2.2 L25(56)田口式直交表 51
3.2.3 品質預測器 52
3.2.4 程序控制器 53
第四章、結果與討論 55
4.1類神經網路最佳參數組合 55
4.1.1 訓練範本 55
4.1.2 田口方法求類神經網路最佳參數組合 57
4.1.3 驗證實驗結果與討論 59
4.2品質預測器 60
4.2.1 單變數預測實驗 60
4.2.2 双變數預測實驗 64
4.2.3 多變數預測實驗 68
4.2.4 品質預測結果與討論 72
4.3程序控制器 73
4.3.1 控制器設計 73
4.3.2 單變數控制實驗 77
4.3.3 双變數控制實驗 79
4.3.4 多變數控制實驗 81
4.3.5 不同鬆弛因子實驗 83
4.3.6 程序控制結果與討論 87
第五章、結論與展望 88
參考文獻 89
參考文獻
1. 張榮語 主編 “射出成型模具設計-模具設計” 高立出版社2001.
2. 葉怡成 著 “類神經網路模式應用與實作” 儒林圖書有限公司 1998.
3. 李輝煌 著 “田口方法-品質設計的原理與實務” 高立出版社 2002.
4. G. H. Choi, K. D. Lee, N. Chang, and S. G.. Kim, ”Optimization of Process Parameters of Injection Molding with Neural Network Application in a Process Simulation Environment”, Annals of the CIRP, Vol. 43, pp. 449-452, 1994.
5. W. He, Y. F. Zhang, K. S. Lee, J. Y. H. Fuh, and A. Y. C. Nee, “Automated Process Parameter Resetting for Injection Molding : a Fuzzy-neuro Approach”, Journal of Intelligent Manufacturing, Vol. 9, No. 1, pp. 17-27, 1998.
6. T. Petrova, and D. Kazmer., “Incorporation of Phenomenological Models in a Hybrid Neural for Quality Control of Injection Molding”, Polymer Plastic Technology Engineer, Vol. 38, No. 1, pp. 1-18, 1999.
7. R. A. Jacobs, “Increased Rate of Convergence through Learning Rate Adaptation”, Neural Network, Vol. 1, pp. 295-307, 1988.
8. P. Arabshahi, J. J. Choi, R. J. Marks, and T. P. Caudell, “Fuzzy Parameter Adaptation in Optimization : Some Neural net Training Examples”, IEEE Computational Science & Engineering, Vol. 3, No. 1, pp. 57-65, 1996.
9. A. G. Parlos, B. Fernandez , A. F. Atiya, J. Muthusami, and W. K. Tsai, “Accelerated Learning Algorithm for Multilayer Perceptron Networks”, IEEE Transactions on Neural Networks, Vol. 5, No. 3, pp. 493-497, 1994.
10. A. D. kulkarni, and C. D. Cavanaugh, “Fuzzy Neural Method for Classification”, Applied Intelligence, Vol. 12, pp. 207-215, 2000.
11. R. C. Hwang, H. C. Huang, Y. J. Chen, J. G. Hsieh, and H. Chao, ”Adaptive Power Signal Prediction by Non-Fixed Neural Network Model with Modified Fuzzy Back-Propagation Learning Algorithm”, Proceedings of the International Conference on Information, Communications and Signal Processing, Part 2, pp. 689-692, 1997.
12. M. B. Gorzalczany, and Z. Pizsta, “Neural-Fuzzy Approach Versus Rough-Set Inspired Methodology for Intelligent Decision”, Information Sciences, Vol. 120, pp. 45-68, 1999.
13. G. J. Wang, and T. C. Chen, “A Robust Parameters Self-Tunings Learning Algorithm for Multilayer Feed-forward Neural Network”, Neuralcomputing, Vol. 25, pp. 167-189, 1999.
14. K. S. Tang, C. Y. Chan, K. F. Man, and S. Kwong, “Genetic Structure for NN Topology and Weights Optimization”, Proceedings of the 1st IEE/IEEE International Conference on Genetic Algorithms in Engineering System, pp. 250-255, 1995.
15. 田口玄一 , “Introduction to Design of Experiment”, 滄海書局.
16. G. J. Wang, J. C. Tsai, P. C. Tseng, and T. C. Chen, “Neural-Taguchi Method for Robust Design Analysis”, Journal of the Chinese Society of Mechanical Engineers, Vol.19, No. 2, pp. 223-230, 1998.
17. 周孟賢, ”化學機械研磨時控製程參數最佳化技術”, 國立中興大學機械工程學系碩士論文, 1999.
18. Y. S. Tarng, W. H. Yang, and S. C. Juang, “The Use of Fuzzy Logic in the Taguchi Method for the Optimization of the Submerged Arc Welding Process”, International Journal of Advanced Manufacturing Technology, Vol. 16, pp. 688-694, 2000.
19. Karmal, M. R., Varela, A. E. and Patterson, W. I., “Control of Part Weight in Injection Molding of Amorphous Thermoplastics”, Polymer Eng. Sci., Vol. 39, No. 5, pp. 940-952, 1996.
20. Sonja, M. and Dubay, R., “The Effect of Varying Injection Molding Condition on Cavity Pressure”, ANTEC, p653, 2000.
21. S. L. Suzane, D.J. Copper, and V. Blair, ”Online Pattern-Based Part Quality Monitoring of the Injection Molding Process”, Polymer Eng. Sci., Vol. 36, No.11, pp.1477-1488,1996.
22. 梁瑞閔, ”智慧型程序控制整合於射出成型之分析”, 國立清華大學動力機械系博士論文, 2002.
23. Furong Gao, “Injection Molding Packing Profile - Toward Closed-Loop Quality Control”, 國際化短期密集訓練-先進材料,成型與模具技術, 2003.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top