360 likes | 539 Views
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.
E N D
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。
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 研究方法
刀具有效壽命(Tool Effective Life)之影響 刀具磨耗 加工精度 材料移除的累進 切削力 加工表面粗糙度 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。
拘束條件 • 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
參數選定 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)。
基因演算法 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。 (基本的遺傳演算法則)
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。 (圖二:群體初始化並隨機散佈於解空間中) 小生境遺傳基因演算法
小生境遺傳基因演算法(續) 之後藉由基因交配過程,不同的群組會互相交配,如圖三所示,然後與相同族群內的個體競爭,進而達到於解空間中尋找多樣性解的概念 (圖三:個體與其他各體相互交配)
小生境遺傳基因演算法(續) 原本分佈在解空間的個體,會在演算法疊代的過程中 逐步收斂至各自的最佳解的區域中,如圖四所示 (圖四:在經過數次的疊代後個體會逐漸收斂至各自的解空間中)
實驗裝置- 加工機 NEXSYS公司生產之TRIDER-X桌上型四軸超精密加工機
材料與刀具選用 1.刀具選用 本文所實施銑削實驗,所採用的銑削刀具是SSBL200立方晶氮化硼(CBN)之兩刃球銑刀,刀徑0.5 mm,如下圖。 2.材料選用 工件試片之材料為SKD11合金工具鋼,試片之規格為100 mm×40 mm×10 mm,經熱處理後其硬度達HRC 61。
實驗架設與加工情形 微銑削加工情形 切削力量測裝置
刀腹磨耗量測 以工具顯微鏡拍攝刀腹磨耗狀況,並針對微球銑削刀具的主刀腹面(底部)進行等距離的量測,本研究採用10 μm的等間距量測,共分22段間距,以儘量涵蓋刀腹面,量測情形如右圖所示。刀腹磨耗值的紀錄,是將此22段量測數據進行平均值運算,以該平均值代表該次量測所得之刀腹磨耗值(VB)。
崩刀與斷刀 崩刀 斷刀
加工精度與粗糙度量測示意圖 探針 加工溝槽 加工的溝槽寬度很小,採用CCD鏡頭輔助,確保探針進入溝槽之底部進行正確量測,每道溝槽的Ra值為前、中、後三段量測取平均。
切削力處理與分析 在球銑削實驗中,乃透過動力計所擷取之銑削力訊號,其原始訊號如上圖所示。利用算術平均計算非切削訊號之雜訊大小後,將切削訊號的每個擷取點數值扣除非切削訊號之雜訊數值後便完成訊號的校正。
實驗數據處理 • 由於實驗所擷取到之訊號為Fx、Fy、Fz三軸切削訊號,需轉換成切線力(Ft)與法線力(Fn),以進行後續實驗計算之用。針對微球銑削力的切線力與法線力,可由Thomas等人所提出的微球銑削轉軸公式計算而得。
各組實驗結果 表二:有效刀具壽命之數據:(N=30000)
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