微铣削制成参数最佳化-国立高雄第一科技大学.PPT

實驗結果 實驗結果 本文針對實驗所取得之函數以加工進給率與切深作為獨立變數來預測刀具有效壽命,函數如下所示： 微銑削參數最佳化 本文以MATLAB撰寫基因演算程式，所採用的編碼方式是以「實數值」的方式進行編碼，適應值的計算因其本文之雙目標為體積移除率最大與刀具壽命最長最大，因此雙目標即為我們所需之適應性函數，選擇採用輪盤法。基因演算參數設定值如下：世代數選定為500，母代數量為500代，子代數量為160代，交配率為0.8；而程式的終止條件為達到指定之世代數即終止程式執行 微銑削參數最佳化 （表四： 基因演算之最佳解） 微銑削參數最佳化 （圖五：柏拉圖最佳解） 結論 1.由小生境基因演算法所得之柏拉圖最佳解；可看出其柏拉圖最佳解的分布範圍較廣，這也印證了小生境基因演算法之多樣性。 2.由微銑削實驗所得之刀具有效壽命函數經由迴歸分析後，可以用來預測特定範圍內之刀具有效壽命。 3.透過柏拉圖之最佳解可以讓決策者有更多的選擇，來決定使用哪一組加工條件，可達所需之最佳解 報 告 完 畢敬 請 指 教 * * * * * 國立高雄第一科技大學機械與自動化工程系 微銑削製程參數最佳化研究 Optimization of Micro-milling Process with Genetic Algorithm 指導教授: 邱能信 博士 報告人: 魏國庭 大綱 1. 摘要 2. 研究背景及目的 3. 研究方法 4. 微銑削加工實驗 5.實驗結果 6.微銑削製程參數最佳化 7.結論 摘要 本文旨在針對CBN微銑削加工製程參數最佳化進行研究，透過微銑削實驗的實施與曲線的非線性回歸，得一有效刀具壽命函數，再利用小生境基因演算法（Niched Pareto Genetic Algorithms）可求得參數範圍較廣之柏拉圖最佳解。 研究背景及目的 精微機械加工技術(Micro-meso machining technology)可加工複雜的且具精微特徵結構的微細元件，加工範圍從數釐米(mm)至數十微米(μm)，加工精度可達次微米等級，其發展日益重要。 精微銑削加工，具有加工效率高、低製造成本與良好的加工精度等優點。 銑削精微模具元件時，材料通常具有高強度、高硬度的特質，若加工參數選用不當，往往易導致刀具快速磨耗甚至斷裂，造成工件品質不佳與加工成本上揚。 研究方法 訂定最佳化策略 （目標/拘束條件） 決定解空間 建置目標函數 建置製程評估函數 進行參數最佳化演算 獲取最佳參數組合 驗證最佳參數之 製程效應 刀具有效壽命(Tool Effective Life)之影響 刀具不再能有效執行完成加工前，而能持續維持加工品質所能經歷的加工總移除體積，稱為刀具有效壽命。 加工精度 切削力 材料移除的累進 加工表面粗糙度 刀具磨耗 應產製符合所需的加工表面，如面粗度Ra等，然而對面粗度的需求往往並非一特定大小的Ra，而是在一有效範圍(Ra,l, Ra,r)的面粗度值： 刀具依所實施條件持續加工的過程中，加工件的形狀精度A，雖無法亦無須要求其落在所需精度的範圍內，因此，有關加工精度的拘束條件建議應訂定一個上下限(Al, Ar)如下： 由於微銑削刀具刀徑甚小，而法線切削力則如同作用在此樑末端的力。當最大應力的大小超過刀柄材料的降伏強度時即可能造成刀具的永久變形，甚或斷裂。以訂為允許銑削力的上限，成為第三項最佳化策略的拘束條件，亦即 拘束條件 在參數最佳化的過程，無論使用何種演算法則，均應事先建構及確認解空間。所謂解空間，就數學的最佳化問題而言，泛指能滿足拘束條件之所有可能的參數之組合。 若針對特定微銑削刀具及工件材料的組合，含有加工相關的製程參數如下表，這些條件的組合則決定了加工移除率( MRR)。 參數選定 參數 切削速度(vs) 刀具的每刃進給(f) 切削深度(ae) 本文採用基因演算法(Genetic Algorithm, GA)探討微銑削加工製程之參數的最佳化，藉以獲得加工移除率及工件材料總移除體積兩者的最大化。由於遺傳演算法的特點，可在連續型函數的最佳解空間上同時搜尋多個目標解，極適用於本研究之雙目標的最佳化。 基因演算法 (基本的遺傳演算法則)  小生境遺傳基因演算法 最佳化設計問題常具有多組最佳解並分佈在解空間中,如圖二所示。其中，黑色的點代表一個個體，當初始化群體時，每一個個體都是隨機散佈於解空間中。