TWI717122B - 線切割放電加工工件表面粗糙度預測方法 - Google Patents

線切割放電加工工件表面粗糙度預測方法 Download PDF

Info

Publication number
TWI717122B
TWI717122B TW108142896A TW108142896A TWI717122B TW I717122 B TWI717122 B TW I717122B TW 108142896 A TW108142896 A TW 108142896A TW 108142896 A TW108142896 A TW 108142896A TW I717122 B TWI717122 B TW I717122B
Authority
TW
Taiwan
Prior art keywords
surface roughness
wire
markov
hidden layer
discharge machining
Prior art date
Application number
TW108142896A
Other languages
English (en)
Other versions
TW202120233A (zh
Inventor
江振瑞
范振倫
Original Assignee
國立中央大學
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 國立中央大學 filed Critical 國立中央大學
Priority to TW108142896A priority Critical patent/TWI717122B/zh
Application granted granted Critical
Publication of TWI717122B publication Critical patent/TWI717122B/zh
Publication of TW202120233A publication Critical patent/TW202120233A/zh

Links

Images

Landscapes

  • Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)

Abstract

本發明是關於一種線切割放電加工工件表面粗糙度預測方法，用於判斷加工後工件的表面粗糙度，該方法包括：(A) 提供進行線切割放電加工前設定的多數靜態參數、及進行線切割放電加工中獲得的多數時序參數與每一時序參數的平均值與標準差；(B) 將該多數時序參數的每一時序參數藉由馬可夫鏈進行轉換，以轉換為一馬可夫特徵向量，該馬可夫特徵向量包含多數馬可夫特徵值；(C) 將該多數靜態參數、馬可夫特徵值、及平均值與標準差予以標準化；以及(D) 將該標準化之多數靜態參數、馬可夫特徵值、及平均值與標準差輸入一神經網路進行運算，以得出表面粗糙度之預測值。

Description

線切割放電加工工件表面粗糙度預測方法
本發明是關於一種線切割放電加工工件表面粗糙度預測方法。
線切割放電加工是一種熱電過程，具有可生產出複雜的2D或3D形狀之能力。其生產過程係將工件與線電極浸於電介質流體（諸如去離子水等），或以幫浦將電介質流體噴沖於工件與線電極之間，再將工件移向線電極（通常由銅、黃銅、或鎢所製成），當線電極與工件之間的間隙極小時，供電於工件與線電極之間的電源可提供高頻電脈衝以產生火花，形成高溫進而熔化工件，以達到切割工件之目的。
而加工工件之品質（即切割面之表面粗糙度）為當前廠商所關注問題之一，習知技術之一種直接的方式是對加工工件實際進行量測，因此其量測之速度無法應付量產的需求；此外，加工工件之表面粗糙度會隨著加工前設定之加工參數和線切割放電加工中的加工狀況之變化而改變。然而，在習知技術之其他方式中，雖可預測加工工件之表面粗糙度，但由於僅以加工前設定之加工參數進行表面粗糙度預測，而加工前設定之加工參數實為恆定，故難以預測因線切割放電加工中動態狀況對於工件表面粗糙度產生的變化，因而存在預測準確率不佳的問題。
因此，亟須提出一種改良的線切割放電加工工件表面粗糙度預測方法，以消除上述問題。
有鑑於此，依據本發明的一種觀點，提出一種線切割放電加工工件表面粗糙度預測方法，以提升對於工件表面粗糙度之預測準確率，且可將線切割放電加工中之動態狀況加入為預測因子，從而更有效率地進行生產、符合量產之需求、提升產品品質、或可增加產率。
本發明的線切割放電加工工件表面粗糙度預測方法，用於判斷加工後工件的表面粗糙度，該方法包括以下步驟：(A) 提供進行線切割放電加工前設定的多數靜態參數、及進行線切割放電加工中獲得的多數時序參數與每一時序參數的平均值與標準差；(B) 將該多數時序參數的每一時序參數藉由馬可夫鏈進行轉換，以轉換為一馬可夫特徵向量，該馬可夫特徵向量包含多數馬可夫特徵值；(C) 將該多數靜態參數、馬可夫特徵值、及平均值與標準差予以標準化；以及(D) 將該標準化之多數靜態參數、馬可夫特徵值、及平均值與標準差輸入一神經網路進行運算，以得出表面粗糙度之預測值。
可選地，或較佳地，於本發明的線切割放電加工工件表面粗糙度預測方法中，其中步驟(B)更可包括：訂定多數界線以將每一時序參數表現為多數狀態之間的轉換；建構一具有該多數狀態的狀態機率轉換圖，其中，任一狀態之間的移轉存在一狀態移轉機率；依據該狀態機率轉換圖，建構一狀態移轉矩陣；以及，將該狀態移轉矩陣轉換為一狀態移轉機率矩陣，並將該狀態移轉機率矩陣轉換成一維向量的馬可夫特徵向量。
可選地，或較佳地，於本發明的線切割放電加工工件表面粗糙度預測方法中，該一維向量的馬可夫特徵向量具有S 2個馬可夫特徵值， S為狀態機率轉換圖的狀態的個數，當中S為大於1之整數，且S較佳為介於2至100之間，S更佳為介於2至30之間，S最佳為2至10之間，但不限於此。
可選地，或較佳地，於本發明的線切割放電加工工件表面粗糙度預測方法中，輸入該神經網路的多數靜態參數、馬可夫特徵值、及平均值與標準差分別為N個靜態參數、M×S 2個馬可夫特徵值、M個平均值與M個標準差，M為時序參數的個數，當中，N及M皆分別為大於1之整數，但不限於此。
可選地，或較佳地，於本發明的線切割放電加工工件表面粗糙度預測方法中，該神經網路進一步藉由反向傳播演算法進行最佳化，以經由該神經網路運算得出表面粗糙度之最佳化預測值，但不限於此。
可選地，或較佳地，於本發明的線切割放電加工工件表面粗糙度預測方法中，當中神經網路可為前饋神經網路（Feed Forward Neural Network）、遞迴神經網路（Recurrent Neural Network）、深度神經網路（Deep Neural Network）、或其組合。而神經網路較佳為遞迴神經網路（Recurrent Neural Network）、深度神經網路（Deep Neural Network）、或其組合，神經網路最佳為深度神經網路，但不限於此。
可選地，或較佳地，於本發明的線切割放電加工工件表面粗糙度預測方法中，靜態參數可為沖水壓力（Flushing Pressure）、送線速度（Wired Feed）、峰值電流（Peak Current）、工件厚度（Object Thickness）、工件熔點（Melting Point）、工件密度（Workpiece Density）、工件熱導率（Thermal  Conductivity）、工件汽化熱（Heat of Vaporization）、脈衝持續時間（Pulse Duration）、脈衝停止時間（Pulse Off Time）、開路電壓（Open Voltage）、火花電壓（Spark Voltage）、線材質（Wire Material）、線徑（Wire Diameter）、線張力（Wire Tension）、或其組合。當中，靜態參數較佳為沖水壓力（Flushing Pressure）、峰值電流（Peak Current）、工件密度（Workpiece Density）、工件熱導率（Thermal  Conductivity）、工件汽化熱（Heat of Vaporization）、脈衝持續時間（Pulse Duration）、脈衝停止時間（Pulse Off Time）、開路電壓（Open Voltage）、火花電壓（Spark Voltage）、線張力（Wire Tension）、或其組合，靜態參數更佳為峰值電流（Peak Current）、工件汽化熱（Heat of Vaporization）、脈衝持續時間（Pulse Duration）、脈衝停止時間（Pulse Off Time）、開路電壓（Open Voltage）、火花電壓（Spark Voltage）、線張力（Wire Tension）、或其組合，而最佳為使用5個靜態參數(N=5)且該5個靜態參數分別為脈衝持續時間（Pulse Duration）、脈衝停止時間（Pulse Off Time）、開路電壓（Open Voltage）、火花電壓（Spark Voltage）及線張力（Wire Tension），但不限於此。
可選地，或較佳地，於本發明的線切割放電加工工件表面粗糙度預測方法中，時序參數可為水阻值（Water Resistance）、機體溫度（Machine Temperature）、室內環境溫度（Room Environment Temperature）、極間電壓（Gap Voltage）、進給速率（Feed）、正常狀態之數目（NS）、電弧狀態之數目（AS）、短路狀態之數目（SS）、或其組合。時序參數較佳為水阻值（Water Resistance）、室內環境溫度（Room Environment Temperature）、極間電壓（Gap Voltage）、進給速率（Feed）、正常狀態之數目（NS）、電弧狀態之數目（AS）、短路狀態之數目（SS）、或其組合，時序參數更佳為水阻值（Water Resistance）、極間電壓（Gap Voltage）、進給速率（Feed）、正常狀態之數目（NS）、電弧狀態之數目（AS）、短路狀態之數目（SS）、或其組合，而最佳為使用4個時序參數(M＝4)且該4個時序參數分別為極間電壓（Gap Voltage）、進給速率（Feed）、正常狀態之數目（NS）、及電弧狀態之數目（AS）與短路狀態之數目（SS）的總和，但不限於此。
可選地，或較佳地，於本發明的線切割放電加工工件表面粗糙度預測方法中，該神經網路包括多數隱藏層，當中隱藏層的數目可介於2至100層之間，隱藏層的數目較佳為介於2至50層之間，隱藏層的數目更佳為介於2至30層之間，隱藏層的數目最佳為介於2至10層之間，但不限於此；且每一隱藏層包括多數神經元，當中神經元的數目可介於2至10000個之間，神經元的數目較佳為介於2至5000個之間，神經元的數目更佳為介於2至3000個之間，神經元的數目最佳為介於2至1000個之間，但不限於此。
可選地，或較佳地，於本發明的線切割放電加工工件表面粗糙度預測方法中該多數隱藏層分別為一第一隱藏層、一第二隱藏層、一第三隱藏層、一第四隱藏層、一第五隱藏層及一第六隱藏層，但不限於此，當中該第一隱藏層具有77個神經元，該第二隱藏層具有128個神經元，該第三隱藏層具有512個神經元，該第四隱藏層具有256個神經元，該第五隱藏層具有128個神經元，及該第六隱藏層具有64個神經元。
下文將配合圖式並詳細說明，使本發明的其他目的、優點、及新穎特徵更明顯。
以下提供本發明的不同實施例。這些實施例是用於說明本發明的技術內容，而非用於限制本發明的權利範圍。一實施例的一特徵可透過合適的修飾、置換、組合、分離以應用於其他實施例。
此外，在本文中，除了特別指明者之外，「第一」、「第二」等序數，只是用於區別具有相同名稱的多個元件，並不表示它們之間存在位階、層級、執行順序、或製程順序。一「第一」元件與一「第二」元件可能一起出現在同一構件中，或分別出現在不同構件中。序數較大的一元件的存在不必然表示序數較小的另一元件的存在。
此外，在本文中，所謂的「上」、「下」、「左」、「右」、「前」、「後」、或「之間」等用語，只是用於描述多個元件之間的相對位置，並在解釋上可推廣成包括平移、旋轉、或鏡射的情形。
此外，在本文中，「較佳」或「更佳」是用於描述可選的或附加的元件或特徵，亦即，這些元件或特徵並不是必要的，而可能加以省略。
（表面粗糙度預測方法）
圖1為一線切割放電加工示意圖，其顯示以一線切割放電加工機10對一工件101進行線切割放電加工，其中工件101是載置於一橫移台103上，以在控制電路107的控制下，藉由移動該橫移台103使金屬線105對工件101進行線切割放電加工。而圖2顯示一種線切割放電加工工件表面粗糙度預測方法之流程圖。
如圖1及2所示，本發明提供一種線切割放電加工工件表面粗糙度預測方法，用於判斷加工後工件101的表面粗糙度，該方法包括以下步驟。
(A) 從與線切割放電加工機10連接之機邊電腦20提供進行線切割放電加工前設定的多數靜態參數、及進行線切割放電加工中獲得的多數時序參數與每一時序參數的平均值與標準差。其中，多數靜態參數可為沖水壓力（Flushing Pressure）、送線速度（Wired Feed）、峰值電流（Peak Current）、工件厚度（Object Thickness）、工件熔點（Melting Point）、工件密度（Workpiece Density）、工件熱導率（Thermal  Conductivity）、工件汽化熱（Heat of Vaporization）、脈衝持續時間（Pulse Duration）、脈衝停止時間（Pulse Off Time）、開路電壓（Open Voltage）、火花電壓（Spark Voltage）、線材質（Wire Material）、線徑（Wire Diameter）、線張力（Wire Tension）、或其組合；時序參數可為水阻值（Water Resistance）、機體溫度（Machine Temperature）、室內環境溫度（Room Environment Temperature）、極間電壓（Gap Voltage）、進給速率（Feed）、正常狀態之數目（NS）、電弧狀態之數目（AS）、短路狀態之數目（SS）、或其組合。
(B) 為了使多數時序參數表現為狀態之間的轉換，而將該多數時序參數的每一時序參數藉由馬可夫鏈進行轉換，以轉換為一馬可夫特徵向量，該馬可夫特徵向量包含多數馬可夫特徵值。
(C) 將該多數靜態參數、馬可夫特徵值、及平均值與標準差予以標準化，即數值壓縮為介於0至1之間，使靜態參數、馬可夫特徵值、及平均值與標準差四者彼此的權重相等。
(D) 將該標準化之多數靜態參數、馬可夫特徵值、及平均值與標準差輸入一神經網路進行運算，以得出表面粗糙度之預測值。
為進一步說明步驟(B)之馬可夫鏈轉換，請參照圖3(A)-3(E)分別顯示本發明的一實施例的馬可夫鏈轉換的可視化圖、狀態機率轉換圖、狀態移轉矩陣、狀態移轉機率矩陣、及馬可夫特徵向量。
本發明之預測方法中，步驟(B)可包括下述過程：訂定多數界線，使每一時序資料區分為多數狀態（如圖3(A)所示），以進一步將每一時序參數表現為多數狀態之間的轉換，而建構一具有該多數狀態的狀態機率轉換圖（如圖3(B)所示），其中，任一狀態之間的移轉存在一狀態移轉機率。再依據狀態機率轉換圖，建構一狀態移轉矩陣（如圖3(C)所示）。將該狀態移轉矩陣轉換為一狀態移轉機率矩陣（如圖3(D)所示），並將該狀態移轉機率矩陣轉換成一維向量的馬可夫特徵向量（如圖3(E)所示）。
本發明之預測方法中，該一維向量的馬可夫特徵向量具有S 2個馬可夫特徵值， S為狀態機率轉換圖的狀態的個數，當中S為大於1之整數。
本發明之預測方法中，輸入該神經網路的多數靜態參數、馬可夫特徵值、及平均值與標準差分別為N個靜態參數、M×S 2個馬可夫特徵值、M個平均值與M個標準差，M為時序參數的個數，當中，N及M皆分別為大於1之整數，但不限於此。
（實施例）
於本實施例中，如圖3(A)所示，於步驟(B)之馬可夫鏈轉換中係訂定3條界線，例如分別為第一界線L1、第二界線L2及第三界線L3，以將一時序參數的數值區分為4個狀態（即S=4），例如分別為第一狀態S 1、第二狀態S 2、第三狀態S 3及第四狀態S 4。
接著，於本實施例中，如圖3(B)所示，以第一狀態S 1為例，第一狀態S 1必定分別存在移轉為第一狀態S 1、第二狀態S 2、第三狀態S 3、或第四狀態S 4的多數狀態移轉機率，其依序為第一機率P 1,1、第二機率P 1,2、第三機率P 1,3、或第四機率P 1,4，由於每一時序參數均會產生S個狀態（此處之S=4），而此S個狀態又會各自產生移轉至S個狀態的狀態移轉機率（此處為P 1,1、P 1,2、P 1,3、P 1,4），從而使每一時序參數產生S 2個馬可夫特徵值。
於本發明之預測方法中，靜態參數較佳為沖水壓力（Flushing Pressure）、峰值電流（Peak Current）、工件密度（Workpiece Density）、工件熱導率（Thermal  Conductivity）、工件汽化熱（Heat of Vaporization）、脈衝持續時間（Pulse Duration）、脈衝停止時間（Pulse Off Time）、開路電壓（Open Voltage）、火花電壓（Spark Voltage）、線張力（Wire Tension）、或其組合；更佳為峰值電流（Peak Current）、工件汽化熱（Heat of Vaporization）、脈衝持續時間（Pulse Duration）、脈衝停止時間（Pulse Off Time）、開路電壓（Open Voltage）、火花電壓（Spark Voltage）、線張力（Wire Tension）、或其組合；最佳地，於本實施例中，是使用5個靜態參數(N=5)且該5個靜態參數分別為脈衝持續時間（Pulse Duration）、脈衝停止時間（Pulse Off Time）、開路電壓（Open Voltage）、火花電壓（Spark Voltage）及線張力（Wire Tension）。
於本發明之預測方法中，時序參數較佳為水阻值（Water Resistance）、室內環境溫度（Room Environment Temperature）、極間電壓（Gap Voltage）、進給速率（Feed）、正常狀態之數目（NS）、電弧狀態之數目（AS）、短路狀態之數目（SS）、或其組合；更佳為水阻值（Water Resistance）、極間電壓（Gap Voltage）、進給速率（Feed）、正常狀態之數目（NS）、電弧狀態之數目（AS）、短路狀態之數目（SS）、或其組合；最佳地，於本實施例中，是使用4個時序參數(M＝4)且該4個時序參數分別為極間電壓（Gap Voltage）、進給速率（Feed）、正常狀態之數目（NS）、及電弧狀態之數目（AS）與短路狀態之數目（SS）的總和。
圖4顯示本發明的一實施例的神經網路模型示意圖。
於本實施例中，輸入神經網路的數值為5個靜態參數、64個馬可夫特徵值（根據4個時序參數（即M=4）與4個狀態（即S=4），可得M×S 2=64個馬可夫特徵值）、及4個平均值與4個標準差，因此共有77個數值輸入神經網路。
於本發明之預測方法的實施例中，該神經網路係為深度神經網路。
於本發明之預測方法的實施例中，該神經網路包括多數隱藏層1，且每一隱藏層1包括多數神經元。
如圖4所示，本發明之預測方法之本實施例中，該多數隱藏層1分別為一第一隱藏層11、一第二隱藏層12、一第三隱藏層13、一第四隱藏層14、一第五隱藏層15及一第六隱藏層16，該第一隱藏層11具有77個神經元，該第二隱藏層12具有128個神經元，該第三隱藏層13具有512個神經元，該第四隱藏層14具有256個神經元，該第五隱藏層15具有128個神經元，及該第六隱藏層16具有64個神經元。
於本發明之預測方法的實施例中，該神經網路進一步藉由反向傳播演算法進行最佳化，而反向傳播演算法即為將經由神經網路所獲得的表面粗糙度預測值與實際值相比，將預測值與實際值之間的誤差回推至各隱藏層中的各個神經元，以調整神經元的權重，從而使預測值更為準確，以經由該神經網路運算得出表面粗糙度之最佳化預測值。
（比較例1）
本發明之預測方法之比較例1中，僅使用5個靜態參數分別為脈衝持續時間（Pulse Duration）、脈衝停止時間（Pulse Off Time）、開路電壓（Open Voltage）、火花電壓（Spark Voltage）及線張力（Wire Tension），且直接將上述5個靜態參數以二次回歸法，進行表面粗糙度之預測。
（比較例2）
本發明之預測方法之比較例2中，僅使用5個靜態參數分別為脈衝持續時間（Pulse Duration）、脈衝停止時間（Pulse Off Time）、開路電壓（Open Voltage）、火花電壓（Spark Voltage）及線張力（Wire Tension），且直接將上述5個靜態參數輸入神經網路中，進行表面粗糙度之預測。
（結果）
圖5(A)及圖5(B)示意地顯示本發明的一實施例的神經網路模型訓練過程。
如圖所示，圖5(A)為使用比較例2進行測試與訓練深度神經網路之平均絕對誤差MAE，而圖5(B)為使用本實施例進行測試與訓練深度神經網路之平均絕對誤差MAE，可發現比較例2之MAE高達0.17，而本實施例初始時即提供較少的誤差，且本實施例之MAE值僅0.13，證明本實施例之表面粗糙度預測方法可有效降低誤差程度。
圖6(A)、6(B)及圖6(C)示意地顯示本發明的一實施例的表面粗糙度預測結果。
如圖所示，圖6(A)為使用比較例1預測表面粗糙度之結果，圖6(B)為使用比較例2預測表面粗糙度之結果，而圖6(C)則為使用本實施例之預測結果。可明顯發現比較例1和比較例2預測失誤率分別為4.9%和4.91%，然而使用本實施例之預測方法的預測失誤率可降至4.68%。綜上所述，本發明相較於比較例1和比較例2不僅明顯提升了準確率，且更顯著降低MAE值。
儘管本發明已透過多個實施例來說明，應理解的是，只要不背離本發明的精神及申請專利範圍所主張者，可作出許多其他可能的修飾及變化。
1:隱藏層 10:線切割放電加工機 11:第一隱藏層 12:第二隱藏層 13:第三隱藏層 14:第四隱藏層 15:第五隱藏層 16:第六隱藏層 20:電腦 101:工件 103:橫移台 105:金屬線 107:控制電路 108:加工液槽 109:去離子水 110:加工電源 A、B、C、D:步驟 P:幫浦
圖1為一線切割放電加工示意圖。 圖2顯示一種線切割放電加工工件表面粗糙度預測方法之流程圖。 圖3(A)顯示本發明的一實施例的馬可夫鏈轉換的可視化圖。 圖3(B)顯示本發明的一實施例的馬可夫鏈轉換的狀態機率轉換圖。 圖3(C)顯示本發明的一實施例的馬可夫鏈轉換的狀態移轉矩陣。 圖3(D)顯示本發明的一實施例的馬可夫鏈轉換的狀態移轉機率矩陣。 圖3(E)顯示本發明的一實施例的馬可夫鏈轉換的馬可夫特徵向量。 圖4顯示本發明的一實施例的神經網路模型示意圖。 圖5(A)及圖5(B)示意地顯示本發明的一實施例的神經網路模型訓練過程。 圖6(A)、6(B)及圖6(C)示意地顯示本發明的一實施例的表面粗糙度預測結果。
A、B、C、D:步驟

Claims (10)

  1. 一種線切割放電加工工件表面粗糙度預測方法，用於判斷加工後工件的表面粗糙度，該方法包括以下步驟： (A) 提供進行線切割放電加工前設定的多數靜態參數、及進行線切割放電加工中獲得的多數時序參數與每一時序參數的平均值與標準差； (B) 將該多數時序參數的每一時序參數藉由馬可夫鏈進行轉換，以轉換為一馬可夫特徵向量，該馬可夫特徵向量包含多數馬可夫特徵值； (C) 將該多數靜態參數、馬可夫特徵值、及平均值與標準差予以標準化；以及 (D) 將該標準化之多數靜態參數、馬可夫特徵值、及平均值與標準差輸入一神經網路進行運算，以得出表面粗糙度之預測值。
  2. 如請求項1所述的線切割放電加工工件表面粗糙度預測方法，其中，步驟(B)包括： 訂定多數界線以將每一時序參數表現為多數狀態之間的轉換； 建構一具有該多數狀態的狀態機率轉換圖，其中，任一狀態之間的移轉存在一狀態移轉機率； 依據該狀態機率轉換圖，建構一狀態移轉矩陣；以及 將該狀態移轉矩陣轉換為一狀態移轉機率矩陣，並將該狀態移轉機率矩陣轉換成一維向量的馬可夫特徵向量。
  3. 如請求項1所述的線切割放電加工工件表面粗糙度預測方法，其中，該一維向量的馬可夫特徵向量具有S 2個馬可夫特徵值， S為狀態機率轉換圖的狀態的個數，當中S為大於1之整數。
  4. 如請求項3所述的線切割放電加工工件表面粗糙度預測方法，其中，輸入該神經網路的多數靜態參數、馬可夫特徵值、及平均值與標準差分別為N個靜態參數、M×S 2個馬可夫特徵值、M個平均值與M個標準差，M為時序參數的個數，當中，N及M皆分別為大於1之整數。
  5. 如請求項1所述的線切割放電加工工件表面粗糙度預測方法，其中，該神經網路進一步藉由反向傳播演算法進行最佳化，以經由該神經網路運算得出表面粗糙度之最佳化預測值。
  6. 如請求項1所述的線切割放電加工工件表面粗糙度預測方法，其中，該神經網路係為深度神經網路。
  7. 如請求項4所述的線切割放電加工工件表面粗糙度預測方法，其中，N=5且該5個靜態參數分別為脈衝持續時間（Pulse Duration）、脈衝停止時間（Pulse Off Time）、開路電壓（Open Voltage）、火花電壓（Spark Voltage）及線張力（Wire Tension）。
  8. 如請求項7所述的線切割放電加工工件表面粗糙度預測方法，其中，M＝4且該4個時序參數分別為極間電壓（Gap Voltage）、進給速率（Feed）、正常狀態之數目（NS）、及電弧狀態之數目（AS）與短路狀態之數目（SS）的總和。
  9. 如請求項8所述的線切割放電加工工件表面粗糙度預測方法，其中，該神經網路包括多數隱藏層，且每一隱藏層包括多數神經元。
  10. 如請求項9所述的線切割放電加工工件表面粗糙度預測方法，其中，S=4且該多數隱藏層分別為一第一隱藏層、一第二隱藏層、一第三隱藏層、一第四隱藏層、一第五隱藏層及一第六隱藏層，該第一隱藏層具有77個神經元，該第二隱藏層具有128個神經元，該第三隱藏層具有512個神經元，該第四隱藏層具有256個神經元，該第五隱藏層具有128個神經元，及該第六隱藏層具有64個神經元。
TW108142896A 2019-11-26 2019-11-26 線切割放電加工工件表面粗糙度預測方法 TWI717122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW108142896A TWI717122B (zh) 2019-11-26 2019-11-26 線切割放電加工工件表面粗糙度預測方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108142896A TWI717122B (zh) 2019-11-26 2019-11-26 線切割放電加工工件表面粗糙度預測方法

Publications (2)

Publication Number Publication Date
TWI717122B true TWI717122B (zh) 2021-01-21
TW202120233A TW202120233A (zh) 2021-06-01

Family

ID=75237578

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108142896A TWI717122B (zh) 2019-11-26 2019-11-26 線切割放電加工工件表面粗糙度預測方法

Country Status (1)

Country Link
TW (1) TWI717122B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034170A (zh) * 2012-11-27 2013-04-10 华中科技大学 一种基于区间的数控机床性能预测方法
CN105760662A (zh) * 2016-02-03 2016-07-13 北京工业大学 一种基于快速马尔可夫链的机床加工精度可靠性灵敏度分析方法
CN108388702A (zh) * 2018-01-30 2018-08-10 河南工程学院 基于pso神经网络的工程陶瓷电火花加工效果预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034170A (zh) * 2012-11-27 2013-04-10 华中科技大学 一种基于区间的数控机床性能预测方法
CN105760662A (zh) * 2016-02-03 2016-07-13 北京工业大学 一种基于快速马尔可夫链的机床加工精度可靠性灵敏度分析方法
CN108388702A (zh) * 2018-01-30 2018-08-10 河南工程学院 基于pso神经网络的工程陶瓷电火花加工效果预测方法

Also Published As

Publication number Publication date
TW202120233A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
Sohani et al. Investigations into the effect of tool shapes with size factor consideration in sink electrical discharge machining (EDM) process
El-Taweel Multi-response optimization of EDM with Al–Cu–Si–TiC P/M composite electrode
Rahman et al. Optimization of machining parameters on tool wear rate of Ti-6Al-4V through EDM using copper tungsten electrode: A statistical approach
Ong et al. Intelligent approach for process modelling and optimization on electrical discharge machining of polycrystalline diamond
Nayim et al. Recent trends & developments in optimization and modelling of electro-discharge machining using modern techniques: a review
Patel et al. A Review on: Wire cut electrical discharge machining process for metal matrix composite
Ming et al. Investigating the energy distribution of workpiece and optimizing process parameters during the EDM of Al6061, Inconel718, and SKD11
Kanagarajan et al. Influence of process parameters on electric discharge machining of WC/30% Co composites
Raj et al. Empirical modelling and optimization of process parameters of machining titanium alloy by wire-EDM using RSM
Maji et al. Modeling of electrical discharge machining process using conventional regression analysis and genetic algorithms
Kuriachen et al. Modeling of wire electrical discharge machining parameters using titanium alloy (Ti-6AL-4V)
Das et al. Optimization of material removal rate in EDM using taguchi method
Gohil et al. Optimization of electrical discharge turning process using Taguchi-Grey relational approach
TWI717122B (zh) 線切割放電加工工件表面粗糙度預測方法
Ahmed et al. Analysis of the influence of input parameters of EDM on material removal rate and surface roughness for machining stainless steel 304
Azimi et al. An optimization on the DIN1. 2080 alloy in the electrical discharge machining process using ANN and GA
Choudhary et al. Optimization of EDM process parameters for TWR on machining of Inconel 600 superalloy using Taguchi approach
Bisht et al. Application of AI and RSM to optimize WEDM process parameters on D4 steel
Priyadarshini et al. Grey-Taguchi optimization of Wire-EDM parameters for P20 tool steel
Choudhary et al. Latest research trend of optimization techniques in electric discharge machining (EDM)
Chekuri et al. A study on die sinking EDM of Nimonic C-263 superalloy: an intelligent approach to predict the process parameters using ANN
Porwal et al. Modelling and optimisation of hole drilling electrical discharge micromachining process of Ti-6Al-4V thin sheet
CN108393548B (zh) 一种电火花线切割单晶硅的放电间隙控制系统及控制方法
Satsangi et al. Multivariable optimization in micro WEDM of Al 7000 alloy using grey relational analysis
Kumar et al. Prevention of wire breakage in wire EDM