查詢結果分析
來源資料
相關文獻
- 光學研磨操控參數之多目標優化--誤差調合實驗與類神精網路的應用
- 應用柔性演算法於航太鋁合金銲接參數最佳化之研究
- Optimizing Printed Circuit Board Design by Neural Network, Desirability Functions and Particle Swarm Optimization
- Optimizing a Replication Process in CD-R/DVD±R Manufacturing Using a Hybrid Procedure
- Optimal Parameter Selection in Gas-Assisted Injection Molding: A Comparison of Neural Network Models and the Taguchi Method
- Parameter Optimization for Quality Response with Linguistic Ordered Category by Employing Artificial Neural Networks: A Case Study
- 以自我學習神經網路解三維指派問題
- Optimal Observation Design of Surveying Network Using Artificial Neural Network
- Neural-Based Annealing Processes Optimization of Cold-Rolling Coil by Genetic Algorithm and Grey Relational Analysis
- 混合類神經網路方法進行廢水處理程序最佳化控制
頁籤選單縮合
題 名 | 光學研磨操控參數之多目標優化--誤差調合實驗與類神精網路的應用 |
---|---|
作 者 | 張榮森; 蔣東儒; 江行全; 林漢傑; | 書刊名 | 泰山職訓學報 |
卷 期 | 4 2001.04[民90.04] |
頁 次 | 頁236-261 |
分類號 | 471.7 |
關鍵詞 | 擺動式研磨機; 光學透鏡; 參數設計; 多特性; 誤差調合; 類神經網路; 最佳化; |
語 文 | 中文(Chinese) |
中文摘要 | 製程設備操控參數之最佳設定值,經常必須藉由調整水準變化的實驗來取得;但在產業的實際生產製程,卻普遍因學科分野之不同,抑或實驗人員較少有機會接受實驗設計訓練的結果,以致極少有生產實務能善用有規劃的「實驗設計法」來進行實驗,一般採用的實驗方式為「經驗法」、「試誤法」或「一次變換一因子法」等,而此類無效率方法相較於有規劃的系統實驗方法,對求取最佳結果的效率而言,無異只能算是瞎子摸象般的碰運氣,除非運氣特別好,否則極難找到真正操控參數的最佳設定值。 本研究案例的參數優化過程,主要分為兩個階段,第一階段係針對透鏡精磨製程的五項操控參數設定值,進行有規劃的水準調控變化實驗,其目標在求取全區域範圍(凹至凸面透鏡範圍)的最適解,對此若以一般的「一次一因子法」做實驗,可能至少要做幾萬次以上的實驗(視取樣間隔而定);而本文則採用高效率的誤差調合式直交實驗配置方式,結果以54次實驗數就得到全區域的最適調合解,而且此種以S/N值所得最適解,係已同時考量了平均值與變異數的影響,故也是對製程變異不敏感的穩健解。 第二階段的目標,則在求取對鏡面研磨的兩項重要特性目標(粗糙度值、曲率半徑誤差值),兩者可共同達到最佳效果的最適操控參數組合。然而,世上並沒有可以同時使好幾個目標同時達到最佳的參數組合,故最終結果的好壞全繫於參數之間「小輸大贏」的取捨,而本文也捨去一般主觀的經驗判斷取捨方式,轉而運用較為客觀的類神經網路模式來調合實驗結果,在最終也成功的取得了操控參數設定值之間的最佳妥協解。 |
本系統中英文摘要資訊取自各篇刊載內容。