跳到主要內容

臺灣博碩士論文加值系統

(44.221.73.157) 您好!臺灣時間:2024/06/20 20:48
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:簡奕昕
研究生(外文):Chien, Yi-Xin
論文名稱:車削製程刀具磨耗智慧預測系統之研發
論文名稱(外文):Development of Intelligent Prediction System for Tool Wear in Turning Process
指導教授:陳茂盛陳茂盛引用關係
指導教授(外文):CHEN,MAO-SHENG
口試委員:鄭新有張銘峰
口試委員(外文):ZHENG,XIN-YOUZHANG,MING-FENG
口試日期:2020-07-30
學位類別:碩士
校院名稱:國立高雄科技大學
系所名稱:機械工程系
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:2020
畢業學年度:108
語文別:中文
論文頁數:135
中文關鍵詞:田口方法刀具磨耗類神經網路
外文關鍵詞:Taguchi MethodTool WearNeural Network
相關次數:
  • 被引用被引用:0
  • 點閱點閱:228
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
在工具機加工製程中,刀具磨耗對加工品質,加工效率和生產成本具有重要影響,本研究使用倒傳遞類神經網路建立了車削製程磨耗預測系統,希望能同時預測刀具磨耗與切削時間之間的關係,讓使用者可掌握換刀時機,提高生產線的效率。
為了可更準確的掌握加工時的刀具磨耗,本研究另外建立刀具磨耗實驗的標準流程。在實驗流程中加入了田口實驗法,讓使用者有系統性的進行實驗規劃。另外在類神經系統中使用k-fold cross validation和Adam優化器,使系統可以更準確的預測刀具磨耗。為使用者確立了一套標準實驗流程,當使用者在使用不同材料進行加工時,也可自行更新系統的刀具磨耗資料庫。整合本研究之自行開發刀具磨耗智慧預測服務系統,進行刀具磨耗管控與預測。
本研究之刀具磨耗智慧預測服務系統,經過改良後,平均預測誤差可達到15%以內,可整合至智慧切削系統中,提高生產效率。

In the machining process of machine tools, tool wear has an important impact on machining quality, machining efficiency, and production cost. This study uses an inverted neural network to establish a turning process wear prediction system, hoping to predict the difference between tool wear and cutting time at the same time The relationship between users can grasp the timing of tool change and improve the efficiency of the production line.
In order to more accurately grasp the tool wear during machining, this research also established a standard procedure for tool wear experiments. Taguchi experiment method is added to the experiment process, allowing users to systematically plan experiments. In addition, k-fold cross-validation and Adam optimizer are used in the neuro-like system, so that the system can predict tool wear more accurately. A set of standard experimental procedures have been established for users. When users use different materials for processing, they can also update the tool wear database of the system. Integrate the self-developed intelligent tool wear prediction service system of this research to control and predict tool wear.
The tool wear smart prediction service system in this research has been improved, and the average prediction error can reach within 15%, which can be integrated into the smart cutting system to improve production efficiency.

目錄
摘要 i
Abstract ii
致謝 iii
圖目錄 viii
表目錄 xiii
第一章 緒論 1
1.1前言 1
1.2研究目的 1
1.3論文架構 2
1.4 本文研究內容 3
第二章 文獻回顧 4
2.1實驗規劃相關方法 4
2.2切削理論相關 4
2.3刀具磨耗相關 5
2.4類神經網路與分析相關 6
第三章 切削理論 8
3.1主軸轉速 8
3.2切削速度 8
3.3進給量 8
3.4移除率 9
3.5體積移除量 9
3.6切削時間 9
第四章 田口品質工程 11
4.1田口品質工程簡介 11
4.2直交表 12
4.3 S/N反應圖 14
4.4交互作用 16
4.5 ANOVA分析 18
第五章 類神經網路 20
5.1監督式與非監督式比較 20
5.2類神經網路架構 21
5.3激活函數 22
5.4 倒傳遞類神經網路(Back Propagation Neural Network) 24
5.5 Adam(Adaptive Moment Estimation) 31
5.6 K-fold Cross Validation 33
第六章 研究方法 34
6.1實驗目的 34
6.2 SUS304粗車削實驗 34
6.2.1實驗設備 34
6.2.2實驗規劃 41
6.3.2實驗流程 43
6.2.3實驗方法 46
6.2.4切削方法 46
6.2.5量測方法 47
6.3 S45C銑削實驗 50
6.3.1實驗設備 50
6.3.2實驗規劃 54
6.3.3實驗流程 56
6.3.4切削方法 56
6.3.5量測方法 58
6.4類神經分析 61
6.4.1自行開發刀具磨耗預測系統分析(C#環境) 61
6.4.2 Tensorflow 類神經分析(Python環境) 67
6.4.3 Tensorflow 類神經分析(.NET環境) 73
第七章 實驗結果 76
7.1切削實驗數據 76
7.2類神經系統分析驗證 83
7.3實驗結果與討論 89
第八章 結論與未來展望 90
8.1結論 90
8.2未來展望 91
參考文獻 92
附錄 94
附錄一 SUS304切削實驗數據 94
附錄二 S45C切削實驗數據 109
[1] A.Altin, M.Nalbant, A.Taskesen, 2007,“The effects of cutting speed on tool wear and tool life when machining Inconel 718 with ceramic tools”, Materials & Design, vol. 28, pp. 2518-2522.
[2] 許芫銘,2007,「應用田口方法於陶瓷刀具硬車削模具鋼之切削條件最適化研究」,國立勤益科技大學,碩士論文。
[3] 黃繼輝,2008,「應用田口法於五軸 CNC 銑削加工製程之最佳化參數設計」,臺北科技大學,碩士論文。
[4] 陳晉昇,2015,「以田口法運用於SCM415材料擺線銑削加工參數優化探討」,龍華科技大學,碩士論文。
[5] 李金山,2006,「刀具壽命最佳化之切削參數探討」,建國科技大學,碩士論文。
[6] 林維新,2007,「碳化鎢車刀在各種不同切削速度累積作用下之刀具壽命分析」 技術學刊,第22卷第2期,pp. 161~165。
[7] SANDVIK Coromant,「CoroKey」技術手冊,2010。
[8] Sujan Debnath, Moola Mohan Reddy, Qua Sok Yi, 2016,“Influence of cutting fluid conditions and cutting parameters on surface roughness and tool wear in turning process using Taguchi method”, Measurement, vol. 78, pp. 111-119.
[9] ISO 3685“Tool-life testing with single-point turning tools”,1933.11.
[10] ISO 8688-2“Tool life testing in milling -- Part 2: End milling”,1989.4.
[11] Amin Dadgari, Dehong Huo, David Swailes, 2018,“Investigation on tool wear and tool life prediction in micro-milling of Ti-6Al-4V”, Nanotechnology and Precision Engineering, vol. 1, pp. 218~225.
[12] I.P.Okokpujie, O.S.Ohunakin, C.A.Bolu, K.O.Okokpujie, 2018,“Experimental data-set for prediction of tool wear during turning of Al-1061 alloy by high speed steel cutting tools”, Data in Brief, vol. 18, pp. 1196-1203.
[13] Norhamreeza Abdul Hamid, Nazri Mohd Nawi, Rozaida Ghazali, Mohd Najib Mohd Salleh, 2011,“Learning Efficiency Improvement of Back Propagation Algorithm by Adaptively Changing Gain Parameter together with Momentum and Learning Rate”, Software Engineering and Computer Systems, vol. 1, pp. 812-824
[14] Diederik P. Kingma, Jimmy Ba, 2015,“ADAM: A Method for Stochastic optimization”, International Conference on Learning Representations (ICLR).
[15] T.Andersen, T.Martinez, 1999,“Cross Validation and MLP Architecture Selection”, International Joint Conference on Neural Networks.
[16] S.Ravikumar, K.I.Ramachandran, 2018,“Tool Wear Monitoring of Multipoint Cutting Tool using Sound Signal Features Signals with Machine Learning Techniques”, Materials Today: Proceedings, vol. 5, pp. 25720-25729.
[17] Jun Wu, Yongheng Su, Yiwei Cheng, Xinyu Shao, Chao Deng,Cheng Liu, 2018,“Multi-sensor information fusion for remaining useful life prediction of machining tools by adaptive network based fuzzy inference system”, Applied Soft Computing, vol. 68, pp. 13-23.
[18] M.López, G.Iglesias, 2013,“Artificial Intelligence for estimating infragravity energy in a harbour”, Ocean Engineering, vol.57, pp. 56-63.
[19] B. H. Aghdam, M. Vahdati, M. H. Sadeghi, 2015,“Vibration-based estimation of tool major flank wear in a turning process using ARMA models”, The International Journal of Advanced Manufacturing Technology, vol.76, pp. 1631-1642.
[20] Fatemeh Aghazadeh, Antoine Tahan, Marc Thomas, 2018,“Tool Condition monitoring using spectral subtraction and convolutional neural networks in milling process”, The International Journal of Advanced Manufactoring Technology, vol. 98, pp. 3217-3227.
[21] Aldo Attanasio, Elisabetta Ceretti, Claudio Giardini, 2013,“Analytical Models for Tool Wear Prediction during AISI1045 Turning Operations”, Procedia CIRP, vol. 8, pp. 218-223.
[22] 廖世謨,「田口式品質設計方法教材」,2015。

電子全文 電子全文(網際網路公開日期:20250911)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊