(3.235.25.169) 您好!臺灣時間:2021/04/17 19:21
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:::

我願授權國圖
: 
twitterline
研究生:蔡志中
研究生(外文):Chih-chung Tsai
論文名稱:利用類神經網路預測模具鋼銑削之行為
論文名稱(外文):Using artificial neural networks for predicting milling behavior of AISI H13 Steel
指導教授:陳國亮陳國亮引用關係
指導教授(外文):Gwo-Lianq Chern
學位類別:碩士
校院名稱:國立雲林科技大學
系所名稱:機械工程系碩士班
學門:工程學門
學類:機械工程學類
論文種類:學術論文
論文出版年:2008
畢業學年度:96
語文別:中文
論文頁數:102
中文關鍵詞:類神經網路銑削模具鋼切削力刀腹磨耗表面粗糙度
外文關鍵詞:surface roughnesstool steelcutting forceArtificial Neural Networkmillingtool wear
相關次數:
  • 被引用被引用:11
  • 點閱點閱:631
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:112
  • 收藏至我的研究室書目清單書目收藏:0
本研究係針對SKD 61模具鋼銑削進行探討,並結合類神經網路系統,目的在於建構銑削加工行為的預測模型,以加工參數為模型輸入條件;而切削力、刀腹磨耗與表面粗糙度則為輸出條件。其實驗架構主要可分為五部份,分別為模具鋼銑削、切削力量測、刀腹磨耗量測、表面粗糙度量測與網路最佳模型實驗。首先,設定切削速度、進給速度、切削深度與材料硬度為銑削參數,利用全因子實驗規劃可得81組實驗組合。實驗結果顯示,切削力與刀腹磨耗皆隨著切削速度、進給速度、切削深度與材料硬度增加而上升。由此可知,當刀腹磨耗量愈大則切削阻力愈大;而隨著切削速度與材料硬度的增加、較低的進給速度,則表面粗度值愈低,且切削深度對於表面粗糙度並無明顯影響。由模擬結果顯示,類神經網路預測切削力值平均誤差為27.1 %、刀腹磨耗量平均誤差為29.2 %、表面粗度值平均誤差為16.5 %。整體而言,吾人認為類神經網路對於銑削加工行為可有效的預測。
The purpose of this research is to set-up predictive model for milling behavior by coupling an Artificial Neural Network (ANN) system during milling SKD 61 tool steel. The input conditions of an ANN model are the cutting parameters. The output conditions of this model are the cutting fore, tool wear and surface roughness. The experimental architecture is mainly divided into five parts: end milling of SDK 61 tool steel, measuring the experimental cutting force, tool wear and surface roughness, determining the optimal ANN model. Firstly, we select the cutting speed, feed rate, depth of cut and material hardness as the milling parameters, using the full-factorial designs to determine the eight one experimental combinations. The experimental results show that the cutting force and tool wear are both increased with the increases in cutting speed, feed rate, depth of cut and material hardness. These results show that the cutting force increases when the tool wear increases. However, the value of surface roughness is reduced with the increases in cutting speed, material hardness and with lower feed rate. But the surface roughness is not significantly affected by the depth of cut. The simulation results of an ANN model show that the average error values for the cutting force, tool wear and surface roughness are about 27.1 % , 29.2 % and 16.5 % , respectively. Overall, we think that the ANN model can be applied efficiently to predict the milling behavior.
中文摘要 ----------------------------------------------------------------------------- i
英文摘要 ----------------------------------------------------------------------------- ii
誌謝 ----------------------------------------------------------------------------- iii
目錄 ----------------------------------------------------------------------------- iv
表目錄 ----------------------------------------------------------------------------- vii
圖目錄 ----------------------------------------------------------------------------- viii
第一章 緒論 ---------------------------------------------------------------------- 01
1.1 前言 ---------------------------------------------------------------------- 01
1.2 研究動機與目的 ------------------------------------------------------- 01
1.3 文獻回顧 ---------------------------------------------------------------- 02
1.3.1 模具鋼與銑削相關文獻 ---------------------------------------------- 02
1.3.2 類神經網路與理論模擬相關文獻----------------------------------- 07
1.4 本文架構 ---------------------------------------------------------------- 10
第二章 實驗原理 ---------------------------------------------------------------- 12
2.1 金屬切削原理 ---------------------------------------------------------- 12
2.1.1 切削相對運動 ---------------------------------------------------------- 13
2.2 銑削加工原理 ---------------------------------------------------------- 13
2.2.1 銑刀簡介 ---------------------------------------------------------------- 14
2.3 刀具磨耗 ---------------------------------------------------------------- 15
2.3.1 刀腹磨耗 ---------------------------------------------------------------- 15
2.3.2 凹坑磨耗 ---------------------------------------------------------------- 15
2.3.3 剝離 ---------------------------------------------------------------------- 16
2.4 刀具壽命 ---------------------------------------------------------------- 16
2.5 表面粗糙度 ------------------------------------------------------------- 17
2.6 模具鋼特性與應用簡介 ---------------------------------------------- 18
第三章 類神經網路系統 ------------------------------------------------------- 20
3.1 類神經網路簡介 ------------------------------------------------------- 20
3.2 人工神經元 ------------------------------------------------------------- 20
3.3 類神經網路系統架構 ------------------------------------------------- 21
3.4 類神經網路的運作過程 ---------------------------------------------- 23
3.5 倒傳遞類神經網路 ---------------------------------------------------- 24
3.5.1 倒傳遞類神經網路的架構 ------------------------------------------- 24
3.5.2 倒傳遞網路的學習過程 ---------------------------------------------- 25
3.5.3 倒傳遞網路的回想過程 ---------------------------------------------- 27
3.6 類神經網路的特性 ---------------------------------------------------- 28
3.7 預測銑削行為模型的建立 ------------------------------------------- 28
第四章 實驗設備與量測儀器 ------------------------------------------------- 30
4.1 加工實驗設備 ---------------------------------------------------------- 30
4.2 實驗量測儀器 ---------------------------------------------------------- 31
4.3 實驗刀具及材料 ------------------------------------------------------- 35
4.4 其他相關使用設備 ---------------------------------------------------- 36
第五章 實驗規劃 ---------------------------------------------------------------- 38
5.1 實驗方法與步驟 ------------------------------------------------------- 38
5.2 模具鋼銑削實驗 ------------------------------------------------------- 39
5.3 切削力量測實驗 ------------------------------------------------------- 41
5.4 刀腹磨耗量測實驗 ---------------------------------------------------- 42
5.5 表面粗糙度量測實驗 ------------------------------------------------- 43
5.6 資料的處理 ------------------------------------------------------------- 44
5.7 預測模型的設計與規劃 ---------------------------------------------- 45
5.7.1 最佳網路參數定義 ---------------------------------------------------- 45
5.7.2 最佳網路參數實驗 ---------------------------------------------------- 47
第六章 實驗結果與討論 ------------------------------------------------------- 49
6.1 切削力量測實驗 ------------------------------------------------------- 49
6.1.1 模具鋼-HRc 38切削力量測結果 ----------------------------------- 49
6.1.2 模具鋼-HRc 42切削力量測結果 ----------------------------------- 51
6.1.3 模具鋼-HRc 46切削力量測結果 ----------------------------------- 53
6.2 刀腹磨耗量測實驗 ---------------------------------------------------- 56
6.2.1 模具鋼-HRc 38刀腹磨耗量測結果 -------------------------------- 56
6.2.2 模具鋼-HRc 42刀腹磨耗量測結果 -------------------------------- 58
6.2.3 模具鋼-HRc 46刀腹磨耗量測結果 -------------------------------- 60
6.3 表面粗糙度量測實驗 ------------------------------------------------- 63
6.3.1 模具鋼-HRc 38表面粗糙度量測結果 ----------------------------- 63
6.3.2 模具鋼-HRc 42表面粗糙度量測結果 ----------------------------- 65
6.3.3 模具鋼-HRc 46表面粗糙度量測結果 ----------------------------- 67
6.4 最佳網路參數實驗 ---------------------------------------------------- 70
6.4.1 資料前處理 ------------------------------------------------------------- 70
6.4.2 慣性因子參數實驗 ---------------------------------------------------- 73
6.4.3 學習速率參數實驗 ---------------------------------------------------- 75
6.4.4 隱藏層層數與處理單元數目參數實驗 ---------------------------- 76
6.5 建構銑削行為預測模型 ---------------------------------------------- 77
第七章 結論與未來展望 ------------------------------------------------------- 81
7.1 切削力量測實驗 ------------------------------------------------------- 81
7.2 刀腹磨耗量測實驗 ---------------------------------------------------- 81
7.3 表面粗糙度量測實驗 ------------------------------------------------- 82
7.4 最佳網路參數實驗 ---------------------------------------------------- 83
7.5 銑削行為預測模型 ---------------------------------------------------- 83
7.6 未來展望 ---------------------------------------------------------------- 84
參考文獻 ----------------------------------------------------------------------------- 85
附錄一 ----------------------------------------------------------------------------- 89
附錄二 ----------------------------------------------------------------------------- 90
個人簡歷 ----------------------------------------------------------------------------- 91
1. 黃錦鍾、歐陽渭城,“射出模設計”,全華科技圖書股份有限公司,2003。
2. 李可揚,“模糊類神經網路於銑削磨耗檢測之應用”,國立成功大學機械工程研究所碩士論文,1996。
3. 林憲茂,“微量潤滑應用於模具鋼高速銑削之刀具壽命機制探討”,機械月刊,第三十四卷第二期,第18-36頁,2008。
4. Babur Ozcelik, Mahmut Bayramoglu, “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.
5. Eckart Uhlmann, Sascha Piltz, Kai Schauer, “Micro milling of sintered tungsten-copper composite materials”, Journal of Materials Processing Technology, Vol.167, pp.402-407, 2005.
6. N. Camuscu, E. Aslan, “A comparative study on cutting tool performance in end milling of AISI D3 tool steel”, Journal of Materials Processing Technology, Vol.170, pp.121-126, 2005.
7. J. A. Ghani, I. A. Choudhury, H. H. Masjuki, “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.
8. Rodolfo E. Haber, Jose E. Jimenez, C. Ronei Peres, Jose R. Alique, “An investigation of tool-wear monitoring in a high-speed machining process”, Sensors and Actuators A: Physical, Vol.116, pp.539-545, 2004.
9. 柯凱晉,“不同硬度與切速對模具鋼銑削特性影響之研究”,國立成功大學機械工程研究所碩士論文,2003。
10. Helen Coldwell, Richard Woods, Martin Paul, Philip Koshy, Richard Dewes, David Aspinwall, “Rapid machining of hardened AISI H13 and D2 moulds, dies and press tools”, Journal of Materials Processing Technology, Vol.135, pp.301-311, 2003.
11. H. Juan, S. F. Yu, B. Y. Lee, “The optimal cutting-parameter selection of production cost in HSM for SKD61 tool steels”, International Journal of Machine Tools and Manufacture, Vol.43, pp.679-686, 2003.
12. 顏耀義,“高速銑削SKD61模具鋼表面粗糙度預測模式之探討”國立屏東科技大學機械工程系碩士論文,2003。
13. P. Koshy, R. C. Dewes, D. K. Aspinwall, “High speed end milling of hardened AISI D2 tool steel (~58 HRC)”, Journal of Materials Processing Technology, Vol.127, pp.266-273, 2002.
14. 鄭茗元,“SKD61硬化模具鋼銑削特性之探討”,國立成功大學機械工程研究所碩士論文,2002。
15. R. F. Avila, A. M. Abrao, “The effect of cutting fluids on the machining of hardened AISI 4340 steel”, Journal of Materials Processing Technology, Vol.119, pp.21-26, 2001.
16. Hasan Oktem, Tuncay Erzurumlu, Fehmi Erzincanli, “Prediction of minimum surface roughness in end milling mold parts using neural network and genetic algorithm”, Materials and Design, Vol.27, pp.735-744, 2006.
17. E. O. Ezugwu, D. A. Fadare, J. Bonney, R. B. Da Silva, W. F. Sales, “Modelling the correlation between cutting and process parameters in high-speed machining of Inconel 718 alloy using an artificial neural network”, International Journal of Machine Tools and Manufacture, Vol.45, pp.1375-1385, 2005.
18. 楊宗儒,“倒傳遞類神經網路於暴潮預測之研究”,立德管理學院資源環境研究所碩士論文,2004。
19. Tugrul Ozel, Yigit Karpat, “Predictive modeling of surface roughness and tool wear in hard turning using regression and neural networks”, International Journal of Machine Tools and Manufacture, Vol.45, pp.467-479, 2005.
20. 黃再得,“銑削模具鋼之刀具磨耗及表面粗糙度預測模式之探討”,國立屏東科技大學機械工程系碩士論文,2003。
21. P. G. Benardos, G. C. Vosniakos, “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.
22. Tugrul Ozel, Abhijit Nadgir, “Prediction of flank wear by using back propagation neural network modeling when cutting hardened H-13 steel with chamfered and honed CBN tools”, International Journal of Machine Tools and Manufacture, Vol.42, pp.287-297, 2002.
23. 蔡宗學,“建立17-4PH不�袗�之刀具磨耗預測及切削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,2002。
24. 陳永昌,“應用類神經網路與遺傳演算法對端銑削加工參數之最佳化”,國立高雄第一科技大學機械與自動化工程系碩士論文,2002。
25. 黃條嵩,“建立SKD61模具鋼之切削力預測及車削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,2002。
26. 柳義耿,“高速銑削之切削力研究”,國立中興大學機械工程學系碩士論文,2001。
27. Tamas Szecsi, “Cutting force modeling using artificial neural networks”, Journal of Materials Processing Technology, Vol.92-93, pp.344-349, 1999.
28. L. H. S. Luong, T. A. Spedding, “A neural-network system for predicting machining behaviour”, Journal of Materials Processing Technology, Vol.52, pp.585-591, 1995.
29. E. O. Ezugwu, S. J. Arthur, E. L. Hines, “Tool-wear prediction using artificial neural networks”, Journal of Materials Processing Technology, Vol.49, pp.255-264, 1995.
30. 洪良德,“切削刀具學”,全華科技圖書股份有限公司,2003。
31. 趙芝眉、湯銘權,“金屬切削原理”,科技圖書,1989。
32. 賴耿陽,“CNC切削加工技術”,復文書局,2003。
33. 張郭益、許全守,“精密量測”,全華科技圖書股份有限公司,1993。
34. 張郭益、范光照,“精密量測”,高立圖書有限公司,2007。
35. 徐仁輝,“模具概論”,新文京開發出版股份有限公司,2004。
36. 張斐章、張麗秋、黃浩倫,“類神經網路理論與實務”,東華書局,2003。
37. 蔡瑞煌,“類神經網路概論”,三名書局,1995。
38. 葉怡成,“應用類神經網路”,儒林圖書有限公司,2001。
39. 王進德,蕭大全,“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,1994。
40. 林仲譚,“鎳基合金Inconel 718銑削加工特性之研究”,國立雲林科技大學機械工程系碩士論文,2007。
41. 邱衍智,“Ti-6Al-4V鈦合金之可加工性探討”,國立高雄第一科技大學機械與自動化工程系碩士論文,2004。
42. 崔哲明,“振動磨削技術應用於碳化鎢加工之研究”,國立雲林科技大學機械工程系碩士論文,2006。
43. 羅華強,“類神經網路-MATLAB的應用”,高立圖書有限公司,2005。
44. 鄭松輝,“以有限元素法及類神經網路建構高速切削性能分析模型”,國立虎尾科技大學動力機械工程研究所碩士論文,2004。
45. 王俊志、張煌權,“SKD11模具鋼切削現象之探討-切速及工件硬度之影響”,機械月刊,第二十九卷第七期,第8-18頁,2003。
46. 殷曉暐、張文洲,“模具高速切削技術與發展”,機械月刊,第三十二卷第六期,第84-90頁,2006。
47. Bernie P. Huang, Joseph C. Chen, Ye Li, “Artificial-neural-networks-based surface roughness Pokayoke system for end-milling operations”, Neurocomputing, Vol.71, pp.544-549, 2008.
48. Vedat Savas, Cetin Ozay, “Analysis of the surface roughness of tangential turn-milling for machining with end milling cutter”, Journal of Materials Processing Technology, Vol.186, pp.279-283, 2007.
49. K. T. Chung, A. Geddam, “A multi-sensor approach to the monitoring of end milling operations”, Journal of Materials Processing Technology, Vol.139, pp.15-20, 2003.
50. L. N. Lopez de lacalle, J. Perez, J. I. Llorente, J.A. Sanchez, “Advanced cutting conditions for the milling of aeronautical alloys”, Journal of Materials Processing Technology, Vol.100, pp.1-11, 2000.
51. B. V. Manoj Kumar, J. Ram Kumar, Bikramjit Basu, “Crater wear mechanisms of TiCN-Ni-WC cermets during dry machining”, Journal of Refractory Metals and Hard Materials, Vol.25, pp.392-399, 2007.
52. 陳紹賢,“Inconel-718與AISI4340銑削性探討”,國立中正大學機械工程研究所碩士論文,2000。
53. X. H. Zheng, Q. X. Yu, J. Lin, M. Lu, S. Q. Pang, “Research on the cutting performance of carbon nitride cutting tools”, Journal of Materials Processing Technology, Vol.129, pp.157-160, 2002.
54. T. Ueda, A. Hosokawa, K. Oda, K. Yamada, “Temperature on Flank Face of Cutting Tool in High Speed Milling”, CIRP Annals-Manufacturing Technology, Vol.50, pp.37-40, 2001.
55. Uros Zuperl, Franci Cus, “Optimization of cutting conditions during cutting by using neural networks”, Robotics and Computer Integrated Manufacturing, Vol.19, pp.189-199, 2003.
56. Ming-Yung Wang, Hung-Yen Chang, “Experimental study of surface roughness in slot end milling AL2014-T6”, International Journal of Machine Tools and Manufacture, Vol.44, pp.51-57, 2004.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔