南開科技大學圖書館 |

Language: 繁體中文

說明(常見問題)

南開科技大學

圖書館首頁

編目中圖書申請

登入

回首頁

切換: 標籤 | MARC模式 | ISBD

應用反應曲面法與類神經網路於氣中放電加工分析之研究

劉佳蘴

應用反應曲面法與類神經網路於氣中放電加工分析之研究

紀錄類型:	書目-語言資料,印刷品 : 單行本
作者:	劉佳蘴,
其他作者:	林炎成,
其他作者:	卓漢明,
出版地:	[南投縣]
出版者:	南開科技大學車輛與機電產業研究所;
出版年:	民104[2015]
面頁冊數:	67葉 : 圖,表 ; 31公分+1張光碟
標題:	氣中放電加工
標題:	EDM in gas
電子資源:	http://handle.ncl.edu.tw/11296/ndltd/13535532180246643278
附註:	指導教授: 林炎成
附註:	共同指導教授: 卓漢明
附註:	參考書目: 葉63-67
摘要註:	本論文主要目的在應用反應曲面分析法與類神經網路技術，針對氣中放電加工設定並操作參數以及加工特性間建立有效的數學預測模型，並分析氣中放電加工對材料去除率與表面粗糙度具有顯著影響的加工參數，以獲得氣中放電加工特性中最有效率的參數設定值。首先經由反應曲面法之中央合成法設計實驗，建立二次迴歸關係式的數學模型，並使用變異數分析(ANOVA)評估數學模型相關係數對加工特性觀察值影響的重要性。類神經網路技術中以倒傳遞類神經的方式來分析，首先利用輸入層、隱藏層以及輸出層來結合網路，再運用最陡坡降法重覆規劃連結權重與偏權的數值，將訓練學習所獲得之連結權重與偏權值放入該網路系統中，使該網路模型具有預測能力。氣中放電實驗參數選定放電電流(Ip)、脈衝時間(Tp)、空氣壓力(Gp)以及伺服參考電壓(Sv)，而加工特性的觀察值為材料移除率(MRR)及表面粗糙度(SR)。經由反應曲面法分析結果，分別對MRR及SR建立二次迴歸方程式，可得到氣中放電加工參數最佳的加工條件為放電電流(Ip)設為12.9 A、脈衝時間(Tp)設為250 μs、空氣壓力(Gp)設為5 kg/cm2、伺服參考電壓(Sv)設為47 V，在這個條件下曲面反應法所得到MRR為1.85603 mm3/min，SR為 Ra 2.5236 µm。類神經分析法，經30組數據訓練後，獲得具4個輸入參數的輸入層、1個具5個神經元的隱藏層及2個輸出參數的輸出層的類神經網路，將此類神經預測模型與5組實驗數據進行測試比對，誤差值約5%以內，顯示所建立的類神經網路具有良好的預測能力。

應用反應曲面法與類神經網路於氣中放電加工分析之研究
劉, 佳蘴

應用反應曲面法與類神經網路於氣中放電加工分析之研究 / 劉佳蘴 - [南投縣] : 南開科技大學車輛與機電產業研究所, 民104[2015]. - 67葉 ; 圖,表 ; 31公分.
指導教授: 林炎成共同指導教授: 卓漢明參考書目: 葉63-67.
氣中放電加工EDM in gas

林, 炎成

應用反應曲面法與類神經網路於氣中放電加工分析之研究
LDR:05198nam0 2200301 450 001 1000051356
005 20150911161149.0
009 00153612
010 0 $b 精裝
099 $a 103NKUT0162007
100 $a 20150625y2015 k y0chiy0801 e
101 0 $a chi
102 $a tw
105 $a ak m 000yy
200 1 $a 應用反應曲面法與類神經網路於氣中放電加工分析之研究 $f 劉佳蘴
210 $a [南投縣] $c 南開科技大學車輛與機電產業研究所 $d 民104[2015]
215 0 $a 67葉 $c 圖,表 $d 31公分 $e 1張光碟
300 $a 指導教授: 林炎成
300 $a 共同指導教授: 卓漢明
300 $a 參考書目: 葉63-67
328 $a 碩士論文--南開科技大學車輛與機電產業研究所
330 $a 本論文主要目的在應用反應曲面分析法與類神經網路技術，針對氣中放電加工設定並操作參數以及加工特性間建立有效的數學預測模型，並分析氣中放電加工對材料去除率與表面粗糙度具有顯著影響的加工參數，以獲得氣中放電加工特性中最有效率的參數設定值。首先經由反應曲面法之中央合成法設計實驗，建立二次迴歸關係式的數學模型，並使用變異數分析(ANOVA)評估數學模型相關係數對加工特性觀察值影響的重要性。類神經網路技術中以倒傳遞類神經的方式來分析，首先利用輸入層、隱藏層以及輸出層來結合網路，再運用最陡坡降法重覆規劃連結權重與偏權的數值，將訓練學習所獲得之連結權重與偏權值放入該網路系統中，使該網路模型具有預測能力。氣中放電實驗參數選定放電電流(Ip)、脈衝時間(Tp)、空氣壓力(Gp)以及伺服參考電壓(Sv)，而加工特性的觀察值為材料移除率(MRR)及表面粗糙度(SR)。經由反應曲面法分析結果，分別對MRR及SR建立二次迴歸方程式，可得到氣中放電加工參數最佳的加工條件為放電電流(Ip)設為12.9 A、脈衝時間(Tp)設為250 μs、空氣壓力(Gp)設為5 kg/cm2、伺服參考電壓(Sv)設為47 V，在這個條件下曲面反應法所得到MRR為1.85603 mm3/min，SR為 Ra 2.5236 µm。類神經分析法，經30組數據訓練後，獲得具4個輸入參數的輸入層、1個具5個神經元的隱藏層及2個輸出參數的輸出層的類神經網路，將此類神經預測模型與5組實驗數據進行測試比對，誤差值約5%以內，顯示所建立的類神經網路具有良好的預測能力。 $u The aim of this study is to determine the significant parameters with relation to material removal rate (MRR) and surface roughness (SR) of electrical discharge machining (EDM) in gas, and the mathematical prediction models between operating parameters and machining characteristics based on the response surface methodology (RSM) and the artificial neural network (ANN) were established to achieve the optimal parameter settings for the EDM in gas. First, the experimental tasks were implemented by a specific design of experimental method named central composite design (CCD) method based on RSM to develop the quadratic regression mathematical models. The significant parameters and their interactions were examined by analysis of variance (ANOVA) to evaluate the significance on response values. Secondary, back propagation neural network (BPNN) was employed to construct the architecture of the input layer, the hidden layer and the output layer to build the ANN. Moreover, the weight and the bias values were examined by the steepest descent method (SDM) with the training data. Thus, the suitable ANN models were established with the acquired weight and bias values, and then the developed ANN models were adopted to predict the machining performance of the EDM in gas with various parameter settings. The essential parameters of the EDM in gas such as peak current (Ip), pulse duration (Tp), air pressure (GP) and servo reference voltage (Sv) were chosen to investigate the effects on MRR and SR. From the developed quadratic regression mathematical models based on RSM, the optimal setting levels of machining parameters were 12.9 A peak current (Ip), 250 μs pulse duration (TP ), 5 kg/cm2 air pressure (GP) and 47 V servo reference voltage (Sv), and the optimization of MRR and SR were 1.85603 mm3/min and 2.5236 μm when the machining parameters were set at the optimal levels. The developed ANN models with 4 input variables on the input layer, one hidden layer with 5 neurons, and 2 response variables on the output layer obtained by the training with 30 experimental data. Moreover, as the prediction values obtained from the ANN compared with the 5 testing data, the error falls in the rage of 5% indicating the developed ANN is appropriate and predictable.
510 1 $a Electrical discharge machining in gas based on response surface methodology and artificial neural network. $z eng
610 # 0 $a 氣中放電加工 $a 反應曲面法 $a 變異數分析 $a 類神經網路
610 # 1 $a EDM in gas $a Response Surface Methodology (RSM) $a ANOVA $a Artificial Neural Network (ANN)
681 $a 000 $b 7222
700 1 $a 劉 $b 佳蘴 $3 1000078497
702 1 $a 林 $b 炎成 $3 17217
702 1 $a 卓 $b 漢明 $3 69974
801 0 $a tw $b 國圖 $c 20130805 $g CCR
801 1 $a tw $b 國圖 $c 20130805 $g CCR
856 # # $u http://handle.ncl.edu.tw/11296/ndltd/13535532180246643278