研磨加工參數最佳化之研究StudyonOptimizationofGrindingOperation

研磨加工參數最佳化之研究StudyonOptimizationofGrindingOperation

ID:36519361

大小:335.73 KB

页数:8页

时间:2019-05-11

研磨加工參數最佳化之研究StudyonOptimizationofGrindingOperation_第1页
研磨加工參數最佳化之研究StudyonOptimizationofGrindingOperation_第2页
研磨加工參數最佳化之研究StudyonOptimizationofGrindingOperation_第3页
研磨加工參數最佳化之研究StudyonOptimizationofGrindingOperation_第4页
研磨加工參數最佳化之研究StudyonOptimizationofGrindingOperation_第5页
资源描述:

《研磨加工參數最佳化之研究StudyonOptimizationofGrindingOperation》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、2008第十六屆全國自動化科技研討會中華民國九十七年六月二十七日~二十八日臺灣‧高雄國立高雄第一科技大學研磨加工參數最佳化之研究StudyonOptimizationofGrindingOperationParameters許丁惠*蔡吉勝**粘文聰***建國科技大學工業工程與管理系**建國科技大學自動化系暨機電光研究所E-mail:tsaics@ctu.edu.tw摘要質提昇有立即顯著的效益,也是製造者最優先考慮的方在模具研磨加工中,工件的表面粗糙度受許多參數法之一。因此,如何使加工品質能滿足預期條件,而且交互作用的影響,如主軸轉速、研磨深度、進給速度等,加工參數能隨著目標需求作最佳化調整,已

2、是值得研究且很難以數學模式來表示他們的關係,因此無法以數學的課題。方式來求出最佳的參數,故設計一研究架構來找尋最佳早期加工參數的最佳化,是加工人員(operators)按照化的研磨加工參數已是重要課題。本研究首先以田口法自己的累積經驗,在不斷嘗試錯誤方法中找到一項較適設計研磨實驗並進行實驗獲得最初解;其次以類神經網路當的組合。如此,倘若要調整的參數很多時,這種嘗試建立表面粗糙度與加工參數關係之預測模型,並以先前錯誤法就派不上用場了[1]。田口法所獲得之結果作為訓練樣本進行訓練;最後再以遺以實驗計畫法聞名的田口法(TaguchiMethods),也是傳演算法搜尋預測模型之最佳參數。研究結果顯示,

3、此進行加工參數最佳化最有效率的方法。田口法應用直交架構可以用很少的訓練樣本數獲得準確的預測模型且快表來做實驗分析,以減少實驗的次數,所分析出的最佳速搜尋到最佳的加工參數。解亦具有強健特性,使得原先僅應用於品質工程領域田關鍵詞:研磨、田口法、類神經網路、基因演算法。口法,近年來亦普遍應用於求解最佳化問題[27]。田口法應用於加工參數的最佳化方面,例如Yangetal.[28]利用Abstract田口法對於碳化鎢刀具車削中碳鋼時,選定切削速度、進給速度和切削深度三個因子,及一個誤差項進行實Thesurfaceroughnessoftheworkpieceingrindingprocessisinf

4、luencedbyalotofinteractiveparameterssuch驗,結果顯示加工參數最佳化之後,刀具壽命與表面粗as:spindlewheelspeed,depthofcut,feedrate,etc.糙度較原先增益高達250﹪。Nianetal.[29]應用田口法Moreover,itisdifficulttoexpresstheirrelationshipsusing設定切削速度、進給速度、切削深度為控制因子,並同mathematicmodels.Thus,wecannotdeterminetheoptimal時考慮多目標特性,以加權值方式將刀具壽命、切削力paramete

5、rswithmathematicanalysis.Forthisreason,it及表面粗糙度合成後,經過平均數分析,發展出一個參becomesimportantstudytodesignaresearchframeworkfor數最佳化模組。然而應用田口法以少量的實驗數據,分determiningtheoptimalparameters.Inthisresearch,a析獲取最佳參數解,屬於離散型的最佳解;因此如何在practicalframeworkisproposed.TaguchiMethodisfirstlyusedtodesigntheexperimenttrialofgrindi

6、ngandto連續參數模型中找尋最佳的加工參數,成為另一個研究deservesomedata.Then,applicationofArtificialNeural最佳化的主流。Networkstobuildpredictmodelfortherelationshipbetween連續參數模型最佳化設計的問題近年來相當熱門,surfaceroughnessandoperationalparametersandtraining主要是應用數值分析的方法,依據加工的目標與拘束條themodelwiththedatadeservedfromTaguchiMethod.件(Constraint),進行最佳

7、化加工參數的搜尋,使得到一組Finally,usingGeneticAlgorithmstosearchtheoptimal較適合的加工參數,做為加工過程的依據。其方法有很parametersinpredictmodel.Theresultsshowthatthe多種,例如陡坡下降法(SteepestDescentMethod)、共軛proposedframeworkcanbuildmodelwi

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。