News & Events
多道次放電加工之智能排程
December 06,2024
多道次放電加工之智能排程
放電加工多道次放電條件的產出以及優化方法，可應用智能排程技術快速建立最佳化排程。
放電加工中的多道次挑戰
多道次放電加工是兼顧加工速度及表面品質的必要技術。其特點是通過粗放加工節省加工時間，再透過多道次放電加工將粗放造成的粗糙面和變質層逐步去除，最終達成細緻的加工面品質。然而，這一技術也面臨以下挑戰：
1.參數多樣性：加工參數（如電流、脈衝持續時間）對加工效率和品質有著顯著影響，選擇不當可能導致材料移除效率低、表面粗糙度不達標等問題。
2.效率與品質的權衡：提高效率往往會犧牲品質，例如過高的電流可能導致再鑄層厚度增加，進而影響模具壽命和品質。
3.需要各道次的加工物理量：必須透過實驗和儀器，記錄各道次的加工時間，加工間隙、表面粗糙度、變質層厚度，因為參數多樣性，將導致實驗組數過多，可以透過田口式實驗法減少實驗組數。智能排程的運作方式
智能排程是基於最佳化演算法的一種方法，通過建立數學模型與精確的整數規劃，快速生成最佳加工參數組合。其核心在於將加工效率與品質要求轉化為數學形式的目標函數和限制條件，並利用優化工具進行求解。這一方法在製造業中已常被應用在派工和排班的最佳化上，在多道次加工條件選用上，可提升生產效率並節約成本。
研究方法與實驗設計
本研究聚焦於SKD11工具鋼的加工優化，採用石墨電極進行放電實驗，主要步驟如下：
1.數據收集與建模
通過128V的固定放電電壓進行64組全因素實驗，記錄每組參數對材料移除率、電極消耗率、表面粗糙度和再鑄層厚度、加工間隙。
2.模型構建與求解
利用Python編寫智能排程程式，並結合Gurobi求解器建立線性規劃模型。目標函數為最小化加工總時間，限制條件包括：
a. 每個製程都必須剛好指派1個加工條件去執行。
b. 每個加工參數最多只能加工1個製程。
c. 加工總深度必須為目標值扣掉最後一段製程的加工間隙。
d. 前道製程的VDI，必須比後道VDI大。
e. 第一道製程的側邊間隙必須小於等於電極的單邊縮減量。
f. 最後一道製程的VDI必須小於等於使用者要求的表面品質。
g. 每一道製程的加工深度加上加工間隙必須大於前一道製程的加工間隙。
目標函數定義：各製程累加後有最短的加工時間。
結果分析與技術突破
智能排程技術的應用不僅提高了多道次加工的效率，還在加工品質方面取得了顯著突破。以下是研究的核心成果：
1.材料移除率與表面粗糙度的平衡
實驗表明，隨著低壓電流與放電持續時間的增加，材料移除率逐步提高，但在特定條件下可能下降。智能排程模型有效避免了此類參數組合，確保了穩定的材料移除效率。
2.再鑄層厚度的精準控制
再鑄層厚度是影響產品性能的重要因素。本研究通過優化，將再鑄層厚度控制在10微米以下，滿足模具高壽命要求。
3.模型準確性驗證
優化模型預測的加工時間與實驗結果誤差不超過6%，顯示智能排程在加工時間預測上的可靠性。
總結與展望
智能排程技術作為解決多道次放電加工挑戰的重要方案，通過數學建模與優化演算法，能快速找到滿足品質要求的最短加工時間方案，提升生產效率並穩定加工品質。這一技術的應用能幫助智慧機械並縮短製程時間。
展望未來，隨著製造技術向智能化方向快速發展，最佳化排程可以持續深化到智慧機械：
1.將智能排程技術拓展至更多高硬度材料的放電加工排程應用，如碳化鎢、鈦合金等，滿足不同材料的加工需求，進一步提升技術的廣泛性與適應性。
2.與智能製造系統的整合，可結合MES（製造執行系統）和CAD/CAM技術，實現從設計、模擬到實際加工的全流程智能化，構建更高效、更協同的智能製造生態系統。
(資料來源:南台科大 戴子堯、呂駿)
放電加工多道次放電條件的產出以及優化方法，可應用智能排程技術快速建立最佳化排程。
放電加工中的多道次挑戰
多道次放電加工是兼顧加工速度及表面品質的必要技術。其特點是通過粗放加工節省加工時間，再透過多道次放電加工將粗放造成的粗糙面和變質層逐步去除，最終達成細緻的加工面品質。然而，這一技術也面臨以下挑戰：
1.參數多樣性：加工參數（如電流、脈衝持續時間）對加工效率和品質有著顯著影響，選擇不當可能導致材料移除效率低、表面粗糙度不達標等問題。
2.效率與品質的權衡：提高效率往往會犧牲品質，例如過高的電流可能導致再鑄層厚度增加，進而影響模具壽命和品質。
3.需要各道次的加工物理量：必須透過實驗和儀器，記錄各道次的加工時間，加工間隙、表面粗糙度、變質層厚度，因為參數多樣性，將導致實驗組數過多，可以透過田口式實驗法減少實驗組數。智能排程的運作方式
智能排程是基於最佳化演算法的一種方法，通過建立數學模型與精確的整數規劃，快速生成最佳加工參數組合。其核心在於將加工效率與品質要求轉化為數學形式的目標函數和限制條件，並利用優化工具進行求解。這一方法在製造業中已常被應用在派工和排班的最佳化上，在多道次加工條件選用上，可提升生產效率並節約成本。
研究方法與實驗設計
本研究聚焦於SKD11工具鋼的加工優化，採用石墨電極進行放電實驗，主要步驟如下：
1.數據收集與建模
通過128V的固定放電電壓進行64組全因素實驗，記錄每組參數對材料移除率、電極消耗率、表面粗糙度和再鑄層厚度、加工間隙。
2.模型構建與求解
利用Python編寫智能排程程式，並結合Gurobi求解器建立線性規劃模型。目標函數為最小化加工總時間，限制條件包括：
a. 每個製程都必須剛好指派1個加工條件去執行。
b. 每個加工參數最多只能加工1個製程。
c. 加工總深度必須為目標值扣掉最後一段製程的加工間隙。
d. 前道製程的VDI，必須比後道VDI大。
e. 第一道製程的側邊間隙必須小於等於電極的單邊縮減量。
f. 最後一道製程的VDI必須小於等於使用者要求的表面品質。
g. 每一道製程的加工深度加上加工間隙必須大於前一道製程的加工間隙。
目標函數定義：各製程累加後有最短的加工時間。
結果分析與技術突破
智能排程技術的應用不僅提高了多道次加工的效率，還在加工品質方面取得了顯著突破。以下是研究的核心成果：
1.材料移除率與表面粗糙度的平衡
實驗表明，隨著低壓電流與放電持續時間的增加，材料移除率逐步提高，但在特定條件下可能下降。智能排程模型有效避免了此類參數組合，確保了穩定的材料移除效率。
2.再鑄層厚度的精準控制
再鑄層厚度是影響產品性能的重要因素。本研究通過優化，將再鑄層厚度控制在10微米以下，滿足模具高壽命要求。
3.模型準確性驗證
優化模型預測的加工時間與實驗結果誤差不超過6%，顯示智能排程在加工時間預測上的可靠性。
總結與展望
智能排程技術作為解決多道次放電加工挑戰的重要方案，通過數學建模與優化演算法，能快速找到滿足品質要求的最短加工時間方案，提升生產效率並穩定加工品質。這一技術的應用能幫助智慧機械並縮短製程時間。
展望未來，隨著製造技術向智能化方向快速發展，最佳化排程可以持續深化到智慧機械：
1.將智能排程技術拓展至更多高硬度材料的放電加工排程應用，如碳化鎢、鈦合金等，滿足不同材料的加工需求，進一步提升技術的廣泛性與適應性。
2.與智能製造系統的整合，可結合MES（製造執行系統）和CAD/CAM技術，實現從設計、模擬到實際加工的全流程智能化，構建更高效、更協同的智能製造生態系統。
(資料來源:南台科大 戴子堯、呂駿)