人工智能化形雕放电加工.PDF

人工智能化的形雕放電加工 Intelligent die sinking Electrical Discharge Machining 計畫編號 ：NSC 89-2212-E-002-065 　　　　　　　　　 執行期限 ：88/08/01-89/07/31 主持人 ：廖運炫　　　臺灣大學機械系教授 共同主持人 ：許春耀　 龍華技術學院機械系講師 一、中英文摘要 最後爆炸去除加工 。 眾所周知 ，其加工過程充滿隨機性並且比其他種 本報告提出對放電波列的自然訊息 ，進行特徵化 類的加工機器慢得多 。最佳的加工狀況是連續的、緩 分類以及資料的壓縮 ，以利電腦分析。藉由自組織特 變的 ，但是又可能因某種突然的因素（排渣不良或極 徵映射網路學習法 ，文中發展了一可用於辨識放電波 間短路搭橋）造成集中的電弧放電 ，在電極及工件面 列的特徵 ，指出目前加工近似於何種狀態的方法。本 上可能轉變成積碳惡化 ，破壞了製程的持續進行。因 研究方法先從樣本學習轉換成各種代表加工狀態的 此 ，在過去就有很多的大學、研究單位及EDM 專業 [W]n權矩陣。在新的一串波列的分類時，求取串列資 製造廠 ，不斷努力地投入EDM 製程最佳化的研究或 料與已知的各種加工狀態[W]n的距離 ，最小距離的 開發。為了使多個參數能達成最佳操作的操作點 ，提 [W]i即是代表串列資料最接近此一加工狀態。經測試 出一種不同參數有不同時間距（time constant ）的尋優 後 ，發現此法能客觀的辨識加工狀態。放電波列更多 策略 ，通常分成幾個層次或部份系統： 訊息的提供可對自適應控制（ACO）及模糊控制（FUZZY） 第一層次 ：應用適應限制（ACC ）進行高速的異 的語意邏輯規則的建立 ，有進一步的幫助。 常處理 。 關鍵詞:放電波列分類 、特徵辨識、自適應控制、模 第二層次 ：應用適應最佳化（ACO ）進行放電參 糊控制 數尋優 。 ABSTRACT: 第三層次 ：應用專家系統提供線上或線外加工工 序的指引 。 This report addresses features recognition from the 回顧過去的 EDM 製程適應控制的研究 ， Tseng pulse trains of EDM, and compression of information to 於 1978 年提出一個有系統的方法應用於放電加工的 facilitate computer analysis. Based on the self-