利用深度學習演算法架構圓錐桶型刀銑削鋁合金之表面粗糙度預測模式

Using Deep Learning Method to Set-up a Predictive Model for Surface Roughness by Using a Barrel Cutter in Milling Aluminum Alloy

陳則翰(Chen Ze-Han)

指導教授 ： 簡文通

國立屏東科技大學/工學院/機械工程系所/碩士(2020年)

https://doi.org/10.6346/NPUST202000109

摘要

本研究使用五軸加工機搭配圓錐桶型刀進行銑削實驗，配合使用深度學習演算法建立一個預測模型。首先執行108組加工實驗做為訓練資料，選用的加工參數為切削速度、每刃切削量、精加工步距及切削深度，加工後量測值為表面粗糙度。使用Python程式語言建立30種預測模型，模型選用的參數為隱藏層數、激活函數及訓練次數。將108組實驗參數與量測值分別代入30種預測模型中，獲得30組訓練完成的準預測模型，接著執行24組加工實驗作為測試資料，先將加工參數代入30組準預測模型中分別比較其表面粗糙度預測值與實際值之誤差，找出最佳的一組做為預測模型；結果顯示誤差最小的預測模型為第30組隱藏層數3層、激活函數tanh及訓練次數1000次，得到誤差百分比為5.49 %，可以進行良好的預測。

關鍵字

五軸加工機 ； 表面粗糙度 ； 圓錐桶型刀 ； 深度學習

並列摘要

The purpose of this research is using five-axis tool machine with conical barrel tool, using Deep Learning Method to Set-up a Predictive Model. First, arrange 108 experiments as training data, the parameters selected including cutting speed, feed per tooth, finishing step and cutting depth, after experiments get the surface roughness. Using Python to build 30 kinds of prediction models, the models parameter selected including hidden layers, activation function and training times. Substituting 108 sets experiments parameters and measured values into 30 prediction models respectively to obtain 30 sets of prediction-models after training, then arrange 24 experiments as test data, Substitute the parameters into 30 kinds of prediction models to compare the difference between the predicted value and the actual value of surface roughness, and find the best as the final prediction model; the result show that the prediction model with the smallest error is 30th, the model parameter are hidden layer with 3 layers, activation function with tanh and training times with 1000 times, the error percentage is 5.49%, which can make a good prediction.

並列關鍵字

Five-axis Tool Machine ； Surface Roughness ； Barrel Cutter ； Deep Learning

參考文獻

[1]陳家輝，2007，6061-T6鋁合金高轉速銑削加工參數之探討，碩士論文，國立中興大學，機械工程學系，台中。

[2]李冠宗、李宗保、林裕翔、曾華南、何劭威、張開維，2007，不同銑削加工方法對表面粗糙度之影響，亞東學報，第27期，第37-42頁。

[3]樓成章，1993，鋁合金高速銑削特性之研究，碩士論文，國立成功大學，機械工程研究所，台南。

[4]Kamaljeet, S., Anoop, K.S., Chattopadhyay, K.D., 2019, “Selection of optimal cutting conditions and coolant flow rate (CFR) forenhancing surface finish in milling of aluminium alloy,” Materials Today: Proceedings.

[5]劉懋融，2013，五軸加工機高速銑削Al6061-T6曲面之特性探討，碩士論文，國立屏東科技大學，機械工程系研究所，屏東。