利用倒传递类神经网路探讨深孔钻孔壁表面特性.doc

《利用倒传递类神经网路探讨深孔钻孔壁表面特性.doc》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、利用倒I傳遞類神經網路探討深孔鑽孔壁表面特性之預測模式APredictiveModelontheSurfaceCharacteristicsofDeep-holeDrillingExploredbyBack・propagationNeuralNetwork硏究生：陳昱瑋Chen,Yu・Wei指導教授：簡文通Chien,Wen-Tung【摘要】不硏究之冃的在探討111碳鋼S45C槍鑽深孔加工之表面特性並建立其表面粗糙度預測模式。首先利用全因了法規劃實驗參數的配置，以深孔加工後之孔壁粗糙度及刀腹磨耗爲目標品質作探討。相關實驗數據並用做爲架構以倒傅遞類神經網路爲理論基礎之孔壁粗糙度預測模式。

2、整體實驗規劃分爲三部分，第一部分經由前置實驗結果選定影響槍鑽深孔加工最基本的兩個參數，分別爲轉速與進給速度，各有5個水準，依照全因子法配置深孔加工參數組合進行實驗。第二部份則是搭配倒傅遞類神經網路以第•部份的25組實驗數據，提供倒傳遞類神經網路架構之預測模式所需的練習範例及回想範例，再利用田口法之平均數分析找出最佳化網路參數組合。第三部分則是配置9組不包含回想範例及訓I練範例之深孑L加工參數進行實驗以驗證預測模式之準確性。結果顯示在最佳實驗組中，分別得到孔壁粗糙度(Ra)0.46“m，及刀腹磨耗(VB)量爲0」3mm等爲最佳深孔加工品質。此外，經由驗證實驗得知利用倒傅遞類神經網路所架構

3、之孔壁粗糙度(Ra)預測模式的平均誤差爲6.64%，顯示此模式具有良好的預測能力。本硏究的過程及結果對於槍鑽深孔加工中碳鋼S45C之加工品質及結果預測可提供實質上的協助及參考。關鍵字：深孔加1＞槍鑽、倒傳遞類神經網路、預測模式[Abstract】Thepurposeofthisstudyistoinvestigatethecharacteristicsforthedeep-holedrillingofcarbonsteelS45Cinagundrillingprocessandconstructapredictivemodeltorpredictingitssurfaceroughne

4、ss.Firstly,experimentsarearrangedbyanall-factormethodtoconductdeep-holedrilling.Afterexperimentshavebeenperformed,theworkpiecesurfaceroughnessandthetoolflankwearareselectedassinglequalityobjective,respectivelytheexperirnenudresultscanbefurtherusedforconstructingadeep-holesurfaceroughnesspredicti

5、vemodelthatisbasedonaback-propagationneutralnetworkalgorithm.Theoverallexperimentalprocedureisdividedintothreeparts・Inthefirstpart,accordingtothepreliminaryteststherearetwodeep-holedrillingparametersthatshowedstrongerinfluenceondrillingqualityhavebeenselected;namely,spindlespeedandfeedrate,eachw

6、ith5levels・Theexperimentswereconductedbasedonthearrangementofdeep-holedrillingparametersbyall-factormethod.Inthesecondpart,theformerexperimentalresultswereusedfortrainingpatternsandrecalJingpatternsofthepredictivemodelwhichwasconstructedbaseonaback-propagationneutralnetwork.Theoptimumnetworkpara

7、meterswereattainedbytheaveragemeananalysisofTaguchimethod・Inthethirdpart,thereareninesetsofverifyingexperimentswithoutincludinganyexperimentofthetrainingpatternsortherecallingpatternshavebeenconductedtovalidatetheaccuracyoft