《雷射切割不锈钢之粗糙度预测模式探讨.ppt》由会员分享，可在线阅读，更多相关《雷射切割不锈钢之粗糙度预测模式探讨.ppt（55页珍藏版）》请在三一文库上搜索。
1、雷射切割不銹鋼之粗糙度預測模式探討,學生 吳閔詮 呂建堂 施佑霖 指導教授 陳沛仲 老師,雷射加工應用,1.精密切割 2.微孔加工 3.精密焊接 4.表面處理,5.標誌刻印 6.晶圓劃線 7.電阻修整,文獻回顧,1.雷射切割 2.反應表面法 3.田口法 4.類神經網路,研究範圍與目的,1.理論基礎 :利用反應表面法與類神經網路配合田口法,並比較兩種預測模式的準確性。 2.預測模式部份:藉由其實驗設計和分析推導出輸入變數和輸出應變數間的數學關係式,以判讀其特性趨勢,作為預測之用。 3.同時結合田口法的直交表、平均數分析及變異數分析等，找出執行倒傳遞類神經網路時所需的網路參數之最佳組合值，使預測模
2、式可更為準確。,論文架構流程圖,雷射切割,1.原理:以雷射光為能量源.並利用聚焦裝置使材料於單位時間內達到切割目的 2.主要是以切割.焊接及表面處理為主. 3.探討方向:雷射加工條件對於切割面粗糙度.熱影響區及融渣高度等切割品質 4.特性: 高定向性 高聚光性 高單色性 高相位性,雷射光的產生,銣離子能階圖,優缺點,優點 1.工件不易變形 2.耗材損失少 3.切割噪音小 4.多樣化加工產品,缺點 1.成本高 2.能源效率低 3.必須精確控制聚焦 鏡和工件間之距離,反應表面法,1.前言:反應表面法是利用統計的方法建立實驗分析模式，藉由實驗設計和分析後，當輸入變數給定，即可求出相對應之反應或輸出變
3、數的預測值，並進一步探討輸入變數對反應的影響 2.注意要點:首重實驗之設計，在實驗前必須有週詳的規劃，其中包含選擇適當的輸入變數範圍及如何量測反應值等。,反應表面法原理,本研究利用反應表面法建立之實驗模式，一般是以三個輸入變數為主（為配合三維座標X1, X2, X3），在本研究中是以切割速度、脈衝頻率及脈衝寬度等雷射加工條件為輸入變數，以切割面粗糙度的預測值為反應（輸出變數）值。,迴歸分析之最小平方法,利用迴歸分析（Regression analysis）的目的是在了解及建立自變數xi與應變數yi 之間的關係，此處所謂的自變數和應變數之定義為yi 值是隨著xi值的不同而改變。,田口法,田口法的
4、應用是根據控制因子及其水準的數目選用適當的直交表，目的在減少試驗的次數，同時又可找到產品變異最小的設計或製程，使得產品在大量生產上市後，讓可能造成的平均損失成本為最低。 田口法原理,損失函數,損失函數(Loss function)為各界廣泛地應用在產品的品質評估系統上。 當品質特性值與其目標值之差距愈大時，損失也愈大。田口氏認為可用損失函數代表這個理念。,損失函數,損失函數L（y）以泰勒級數對目標值m 展開，可以表示成式 y=m 時的損失為最低,參數之最佳化程序,定義目標函數 定義控制因子及水準表 選擇直交表 平均數分析 變異數分析,平均數分析,平均數分析( Analysis of mean,
5、 ANOM )的目的在於了解每個控制因子水準對於目標函數之影響性及最佳組合水準。 變異數分析 變異數分析（Analysis of variance, ANOVA）主要目的是評估實驗誤差。,田口法的應用,田口法在本研究之應用為利用直交表、平均數分析與變異數分析等來求得倒傳遞類神經網路程式的最佳網路參數。,類神經網路系統,類神經網路（Artificial neural network, ANN） 是由生物學得到的靈感，為一種模仿生物神經網路的資訊處理系統，希望藉由其組成單元能夠像生物神經元（Neuron）般的構造，具備腦神經的特性，可應用於推估、預測、決策、診斷等方面。,類神經網路,類神經網路,一
6、個類神經網路架構包含許多層，主要分為輸入層、隱藏層與輸出層三種。 類神經網路架構大致可分為監督式學習網路（Supervised learning network）、非監督式學習網路（Unsupervised learning network）、聯想式學習網路（Associate learning network）和最適化應用網路（Optimization application network）等四大類。,倒傳遞網路,倒傳遞類神經網路的應用較其它型式網路普遍，且其預測能力較佳，此乃因倒傳遞類神經網路只用一個正規神經元表達一個變數，對基本輸入的部份累加運算、轉換，使得模式對於變數高值域與低值域部
7、份，具有相當高的敏銳性和精確性，其網路架構如圖,倒傳遞網路,倒傳遞類神經網路運算式,倒傳遞類神經網路的運算主體可分為兩部份，第一部份為藉由輸入學習範例資料來學習的模式，以求得加權值（Weight value）和偏權值（Threshold value）的學習過程。 第二部份為讀入經學習過程所得的加權值及偏權值，使模式具備預測能力的回想過程。,網路學習過程,網路參數最佳化,網路參數最佳化步驟依序為： 1.定義目標函數 2.定義控制因子、水準值及直交表 3.平均數分析 4.求得最佳預測參數 5.變異數分析,網路參數最佳化,網路參數最佳化步驟依序為： 1.定義目標函數 2.定義控制因子、水準值及直交表
8、 3.平均數分析 4.求得最佳預測參數 5.變異數分析,定義控制因子、水準值及直交表,對倒傳遞類神經網路程式造成預測誤差影響的網路參數有誤差函數精確度(A)、學習循環（B）、初始加權值(C)、初始偏權值(D)、隱藏層處理單元數(E)、學習速率(F)及慣性因子(G)等七個。,網路參數最佳化,網路參數最佳化步驟依序為： 1.定義目標函數 2.定義控制因子、水準值及直交表 3.平均數分析 4.求得最佳預測參數 5.變異數分析,網路參數最佳化,網路參數最佳化步驟依序為： 1.定義目標函數 2.定義控制因子、水準值及直交表 3.平均數分析 4.求得最佳預測參數 5.變異數分析,網路參數最佳化,網路參數最
9、佳化步驟依序為： 1.定義目標函數 2.定義控制因子、水準值及直交表 3.平均數分析 4.求得最佳預測參數 5.變異數分析,收斂性分析與驗證分析,在求得倒傳遞類神經網路的最佳網路參數後，程式於進行預測應用前，尚須進行學習過程的收斂性分析及驗證分析以確認其學習效果。,架構切割面粗糙度預測模式,本研究乃採用倒傳遞類神經網路原理來架構出切割面粗糙度預測程式，此程式先透過田口法決定最佳網路參數，再利用輸入訓練範例來求得最終的權值及閥值，最後以回想範例來驗證及分析以了解此一預測模式是否完成建構。 預測模式的應用性為在適用範圍內輸入切割速度、脈衝頻率及脈衝寬度等加工參數後，即可獲得相對應的切割面粗糙度預測
10、值。,實驗器材,材料: 採用AISI304不銹鋼板尺寸40mm*20mm*1mm 實驗儀器: 工具機:電腦數值控制雷射加工機 量測儀器: 表面粗度儀 取像裝置: 數位相機及工具顯微鏡,電腦數值控制雷射加工機,架構示意圖,實驗設計,第一部份:是提供反應表面法及倒傳遞類神經網路分別架構預測模式時之所需 第二部份:是取得驗證數據用以驗證此兩種預測模式的準確性,實驗變數,實驗流程圖,反應表面法預測,1.切割面粗糙度與加工條件間之數學模式 2.實驗配合迴歸分析之最小平方法 3.推導出雷射加工條件與切割面粗糙度間的數學關係式 4.算出係數(a0、a1、a2、a3),反應表面法討論,數學模式 切割面粗糙度與
11、切割速度（v）、脈衝頻率（f）、脈衝寬度（t）之間的數學關係式 雷射切割1mm 厚度的AISI304 不銹鋼板工件，且切割加工條件範圍為1.5v6 mm/s，120f160 Hz 和0.15t0.17 ms 時，只需要輸入v、f 及t 之值，即可得到切割面粗糙度之預測值。,倒傳遞類神經網路參數最佳化,定義目標函數 選用直交表 平均數分析 變異數分析 收斂性分析驗證分析,步驟,田口法 倒傳遞網類神經網路預測模式 由實驗中學習過程和回想過程 完成預測模式,切割面粗糙度預測驗證,兩種預測模式之預測值良測值比較,實驗結果,建立以Nd:YAG雷射切割AISI304不銹鋼板時，預測粗糙度。 反應表面法平均誤差為6.49% ，最大誤差值為20.21%，最小誤差值為0.26% 倒傳遞類神經網路平均誤差值為5.66%，最大誤差值為20.87%，最 小誤差值為0.17%,結論,反應表面法預測模式的建構較為簡單，故適合應用於需要迅速反應需求的應用，如加工現場。而倒傳遞類神經網路預測模式則是需要撰寫程式及選用相關網路參數，故建構上較為複雜，因而適用於需要高預測精確性以及非線性關係較為明顯的應用場合。,