Transcript 皮埃爾·居里(Pierre Curie)

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
1
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
2
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
。
3
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。
4
研究方法
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
5
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。
6
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：
Ra,l  Ra  Ra, r

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：
Al  A  Ar

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
Fn  Fn*
7
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)。
參數
切削速度(vs)
刀具的每刃進給(f)
切削深度(ae)
8
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。
編碼
初始群組
T= 0
適應度值計算
是否滿
足條件
是
最佳化解
否
遺傳運算
(再生、交配、突變)
T= T+ 1
(基本的遺傳演算法則)
9
小生境遺傳基因演算法
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)
10
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)
11
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)
12
前置實驗參數
刀具：立方氮化硼(CBN)兩刃球銑刀
工件材料：SKD11，硬度：HRc61
架設工件總體誤差低於2 μm
刀具直徑：d(mm)
轉速：s (rpm)
切削方式：乾式槽銑
0.5
24000
進給：f(mm/min)
192
切削深度：ae (μm)
30
加工參數的決定是依據經驗數據為之。首先以較輕量的條件
進行前置實驗，依其結果做為判斷後續實驗參數的選定依據，
包含數據取樣時機、加工終止時機等。
13
主體實驗規劃
參數
組別
轉速
(rpm)
切深
(μm)
進給
(mm/min)
1
30000
30
840
2
30000
30
960
3
30000
30
1080
4
30000
45
840
5
30000
45
960
6
30000
45
1080
7
30000
60
840
8
30000
60
960
9
30000
60
1080
14
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
超精密四軸加工機（TRIDER-X）
X. Y. Z 軸行程
行程
C 軸行程
X. Y. Z 軸行程
最小設定單位
C 軸行程
X. Y. Z 軸
進給
C軸
最大輸出
工件軸
最大扭力
高速主軸
刀具主軸
超高速主軸
100 mm
360°
0.1 μm
0.0225°
1800 mm/min
600 rpm
190 W (3200 rpm)
600 kg-cm
210 W (40,000 rpm)
21W(150,000rpm)
15
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。
16
實驗架設與加工情形
切削力量測裝置
微銑削加工情形
17
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)。
18
崩刀與斷刀
崩刀
斷刀
19
加工精度與粗糙度量測示意圖
探針
加工溝槽
探針
接觸式(Diamond Probe)
行程
50×50 μm - 95×95 mm
垂直解析度
0.06 μm
量測範圍
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。
2.5 mm
20
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。
21
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。
Fx sin   Fy cos
F t
cos (sin 2   cos2  )
F n
 Fx cos  Fy sin 
sin(0.5 )(sin2   cos2  )
  cos (1 
1
ap
r
)
22
前置實驗結果與實驗停止機制
法線力
體積移除量
初期
9.8 N
終止時機
18.2 N
30
mm3
粗糙度
開始上揚
磨耗值
18 μm
23
微銑削加工實驗結果與討論
24
第6組實驗結果
法線力
體積移除量
初期
25.8 N
後期
30.2 N
20 mm3
切削力劇烈上揚
25
第7組實驗結果
法線力
體積移除量
初期
23.5 N
斷裂時
30.2 N
28 mm3
粗糙度將劇烈上揚
35 mm3
不滿足拘束條件
40 mm3
刀具斷裂
26
第9組實驗結果
法線力
體積移除量
初期
26.8 N
斷裂時
31.1 N
5 mm3
粗糙度將劇烈上揚
6 mm3
刀具斷裂
27
各組實驗結果
表二：有效刀具壽命之數據：（N=30000）
28
實驗結果
29
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：
30
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
31
微銑削參數最佳化
（表四： 基因演算之最佳解）
32
微銑削參數最佳化
（圖五：柏拉圖最佳解）
33
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
34
報告完畢
敬請指教
35