雷射切割不锈钢之粗糙度预测模式探讨.pptVIP

雷射切割不銹鋼之粗糙度預測模式探討 學生 吳閔詮 呂建堂 施佑霖 指導教授 陳沛仲 老師 雷射加工應用 1.精密切割 2.微孔加工 3.精密焊接 4.表面處理 5.標誌刻印 6.晶圓劃線 7.電阻修整 文獻回顧 1.雷射切割 2.反應表面法 3.田口法 4.類神經網路 研究範圍與目的 1.理論基礎 :利用反應表面法與類神經網路配合田口法,並比較兩種預測模式的準確性。 2.預測模式部份:藉由其實驗設計和分析推導出輸入變數和輸出應變數間的數學關係式,以判讀其特性趨勢,作為預測之用。 3.同時結合田口法的直交表、平均數分析及變異數分析等，找出執行倒傳遞類神經網路時所需的網路參數之最佳組合值，使預測模式可更為準確。 雷射切割 1.原理:以雷射光為能量源.並利用聚焦裝置使材料於單位時間內達到切割目的 2.主要是以切割.焊接及表面處理為主. 3.探討方向:雷射加工條件對於切割面粗糙度.熱影響區及融渣高度等切割品質 4.特性: 高定向性 高聚光性 高單色性 高相位性 雷射光的產生 銣離子能階圖 優缺點 優點 1.工件不易變形 2.耗材損失少 3.切割噪音小 4.多樣化加工產品 缺點 1.成本高 2.能源效率低 3.必須精確控制聚焦 鏡和工件間之距離 反應表面法 1.前言:反應表面法是利用統計的方法建立實驗分析模式，藉由實驗設計和分析後，當輸入變數給定，即可求出相對應之反應或輸出變數的預測值，並進一步探討輸入變數對反應的影響 2.注意要點:首重實驗之設計，在實驗前必須有週詳的規劃，其中包含選擇適當的輸入變數範圍及如何量測反應值等。 反應表面法原理 本研究利用反應表面法建立之實驗模式，一般是以三個輸入變數為主（為配合三維座標X1, X2, X3），在本研究中是以切割速度、脈衝頻率及脈衝寬度等雷射加工條件為輸入變數，以切割面粗糙度的預測值為反應（輸出變數）值。 迴歸分析之最小平方法 利用迴歸分析（Regression analysis）的目的是在了解及建立自變數xi與應變數yi 之間的關係，此處所謂的自變數和應變數之定義為yi 值是隨著xi值的不同而改變。 田口法 田口法的應用是根據控制因子及其水準的數目選用適當的直交表，目的在減少試驗的次數，同時又可找到產品變異最小的設計或製程，使得產品在大量生產上市後，讓可能造成的平均損失成本為最低。 田口法原理 損失函數 損失函數(Loss function)為各界廣泛地應用在產品的品質評估系統上。 當品質特性值與其目標值之差距愈大時，損失也愈大。田口氏認為可用損失函數代表這個理念。 損失函數 損失函數L（y）以泰勒級數對目標值m 展開，可以表示成式 y=m 時的損失為最低 參數之最佳化程序 定義目標函數 定義控制因子及水準表 選擇直交表 平均數分析 變異數分析 平均數分析 平均數分析( Analysis of mean, ANOM )的目的在於了解每個控制因子水準對於目標函數之影響性及最佳組合水準。 變異數分析 變異數分析（Analysis of variance, ANOVA）主要目的是評估實驗誤差。 田口法的應用 田口法在本研究之應用為利用直交表、平均數分析與變異數分析等來求得倒傳遞類神經網路程式的最佳網路參數。 類神經網路系統 類神經網路（Artificial neural network, ANN） 是由生物學得到的靈感，為一種模仿生物神經網路的資訊處理系統，希望藉由其組成單元能夠像生物神經元（Neuron）般的構造，具備腦神經的特性，可應用於推估、預測、決策、診斷等方面。 類神經網路 類神經網路 一個類神經網路架構包含許多層，主要分為輸入層、隱藏層與輸出層三種。 類神經網路架構大致可分為監督式學習網路（Supervised learning network）、非監督式學習網路（Unsupervised learning network）、聯想式學習網路（Associate learning network）和最適化應用網路（Optimization application network）等四大類。 倒傳遞網路 倒傳遞類神經網路的應用較其它型式網路普遍，且其預測能力較佳，此乃因倒傳遞類神經網路只用一個正規神經元表達一個變數，對基本輸入的部份累加運算、轉換，使得模式對於變數高值域與低值域部份，具有相當高的敏銳性和精確性，其網路架構如圖 倒傳遞網路 倒傳遞類