You are on page 1of 10

Robotic Embedded

Lab
Instructor: Chih-Hao Lien
National Yunlin University of Science and
Technology
A Regression Neural Model
for In-process Surface
Roughness Monitoring in End
Milling Operations

PoTsang B. Huang James C. Chen Yuan-


Tsan Jou

Key Engineering Materials Vols 419-420(2010) pp 369-


372
2010 Trans Tech Publications, Switzerland
 
Department of Industrial and Systems Engineering,
Chung-Yuan Christian University, 200 Chung Pei Rd,
Chung Li 32023, Taiwan
Introduction
類神經網路是一種普遍性的決
策模型應用於幾個領域。
要使得類神經網路能正確的運
作,則必須透過訓練
( training )的方式,讓類
神經網路反覆的學習,直到對
於每個輸入都能正確對應到所
需要的輸出

Introduction

Architecture of the Regression Neural Model


Development of Regression
Neural Model for the In-process
Ra Monitoring System
 Step
1 : Collect the training data
 CNC 切削中心機作業時,取得 Ra 數據,訓練類
神經 Ra 監測系統。
 Step 2 : Determine the input and output
variables
 需統計轉速,進給速度,和深度切度等,共
255 個數據。
 輸入因素:主軸速度( S ) 、進給速度( f ) 、切
深( d )、 在 XY 切削機平均產生的撞擊力( Fap )
絕對的平均的集中在 Z 軸方向( Faz )。
 其中 Fap 可表示為:
 ◎ n 為確定切削轉速的最大值
 Faz 可表示為 :
 ◎ k 確定轉速的總數
 最後可將訓練數據表示為:

Step 3 : Develop the regression model
with filter
 回授模型的開發狀態是為了的平均分配所造成最
大影響的加工參數,並列舉如下:

 因此,新的訓練數據集可以表示如下:


Step 4 : Train the regression neural
models
 在訓練過程中,「學會和錯誤」方法用來調整訓
練參數,直到理想的 RMS 錯誤達到為止

Results
Ta b le . Comparison of two neural models

從結果看,回授神經系統的模組與類神經網
路訓練數據集測試中具有幾乎相同甚至更好
的誤差
Conclusion
1.回授神經系統的決策模組在端铣操作過程的
Ra 監測系統已成功被開發並可執行
2.應用在產業可以準確的監測和預測 Ra 在廣
泛的加工參數

 以上報告
 謝謝