A durability analysis of forging tools for different operating conditions with application of a decision support system based on artificial neural networks (ANN)

• Autorzy: Hawryluk M. , Mrzygłód B.

Identyfikatory

DOI

10.17531/ein.2017.3.4

Warianty tytułu

PL

Analiza trwałości narzędzi kuźniczych dla różnych warunków eksploatacji z wykorzystaniem systemu wspomagania decyzji opartego o sztuczne sieci neuronowe

• Języki publikacji: EN PL

Abstrakty

EN

The paper presents the results of research concerning the percentage participation of destructive mechanisms for two typical variants of exploitation of forging tools: lubricated and cooled, and without lubrication. Discussed results come from the developed by the authors the decision support system (SEPEK-2) based on artificial neural network. The knowledge about the durability of forging tools needed for learning artificial neural network was included in the training data set, from comprehensive studies, carried out in industrial conditions. Set of training data set included 450 records of knowledge. The paper presents the process of acquiring knowledge, adopted neural network architecture and parameters developed network. Carried out a global analysis of the results generated by the developed system for the durability of forging tools treated as the maximum number of produced forgings to their destruction (from 0 to 25,000 items), showed that for the lubricated and cooling tools the dominant mechanism is thermo-mechanical fatigue, and do not abrasive wear, which actually dominates in the process of forging tools for uncooled and unlubricated tools. It should be emphasized that the overwhelming majority of studies in this area is attributed that to abrasive wear is dominant, and as shown by the results of research and analysis for the selected representative forging processes, with the use of decision support system based on ANN, the fatigue a thermo-mechanical is dominant in these processes. However, due to the easy measurability and commonly used models wear, based on the model of Archard, it is abrasive wear assigned the largest participation. In fact, for the tool lubricated and cooled tools a thermo-mechanical fatigue intensifies this effect attributed to abrasive wear. While the generally accepted view is correct, in the case of tools unlubricated, as confirmed by the analysis using ANN.

PL

W pracy przedstawiono wyniki badań, dotyczące, procentowego udziału mechanizmów niszczących dla dwóch typowych wariantów eksploatacji narzędzi kuźniczych: smarowanych i chłodzonych oraz bez smarowania. Prezentowane wyniki pochodzą z opracowanego przez autorów systemu wspomagania decyzji (SEPEK-2) działającego w oparciu o sztuczną sieć neuronową. Wiedza o analizowanym zagadnieniu trwałości narzędzi kuźniczych, potrzebna do procesu uczenia sztucznej sieci neuronowej zawarta była w zestawie danych uczących, pochodzących z kompleksowych badań, zrealizowanych w warunkach przemysłowych. Zestaw danych uczących obejmował zbiór 450 rekordów wiedzy. W pracy przestawiono proces pozyskiwania wiedzy, przyjętą architekturę sieci neuronowej oraz parametry opracowanej sieci. Przeprowadzona globalna analiza wyników generowanych przez opracowany system, dla trwałości traktowanej jako zwiększająca się liczba odkuwek (od 0 do 25000 sztuk), wykazała że dla narzędzi smarowanych i chłodzonych dominującym mechanizmem jest zmęczenie cieplno-mechaniczne, a nie zużycie ścierne, które rzeczywiście dominuje w procesach kucia dla narzędzi niechłodzonych i niesmarowanych. Należy podkreślić, że zdecydowana większość opracowań z tego obszaru przypisuje, że to zużycie ścierne jest dominujące, a jak wykazały wyniki badań i analiz dla wybranych reprezentatywnych procesów kucia, przy wykorzystaniu systemu wspomagania decyzji opartego o SNN, to zmęczenie cieplno-mechaniczne jest dominujące w tych procesach. Jednakże ze względu na łatwą mierzalność oraz popularnie stosowane modele zużycia ściernego, bazujące na modelu Archarda, to właśnie zużyciu ściernemu przypisuję się największy udział, choć w rzeczywistości dla narzędzi smarowanych i chłodzonych zmęczenie cieplno-mechaniczne wzmaga ów efekt przypisywany zużyciu ściernemu. Natomiast ogólnie przyjęty pogląd jest słuszny, w przypadku narzędzi niesmarowanych. co potwierdziły także analizy przy wykorzystaniu SNN.

Słowa kluczowe

EN

artificial neural network; decision support system; die forging; durability of forging tools; wear and destructive mechanisms

PL

sztuczna sieć neuronowa; system wspomagania decyzji; kucie matrycowe; trwałość narzędzi kuźniczych; zużycie i mechanizmy niszczące

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2017
• Tom: Vol. 19, no. 3
• Strony: 338--348
• Opis fizyczny: Bibliogr. 29 poz., rys., tab.

Twórcy

autor

Hawryluk M.

• Department of Metal Forming and Metrology Faculty of Mechanical Engineering Wrocław University of Science and Technology Wybrzeże Wyspiańskiego 25, 50-370 Wroclaw, Poland

autor

Mrzygłód B.

• Department of Applied Computer Science and Modelling Faculty of Metals Engineering and Industrial Computer Science AgH – University of Science and Technology Al. Mickiewicza 30, 30-059 Cracow, Poland

Bibliografia

• 1. Altan T. Cold and hot forging fundamentals and application. ASM Internation, Ohio 2005.
• 2. Azari A, Poursina, M. i Poursina, D. Radial forging force prediction through MR, ANN and ANFIS models. Neural Computing & Applications 2014; 25(3-4): 849-858, https://doi.org/10.1007/s00521-014-1562-8.
• 3. Gangopadhyay T, Kumar D, Pratihar I. Expert system to predict forging load and axial stress. Appl. Soft. Comput. 2014; 11(1): 744-753, https://doi.org/10.1016/j.asoc.2009.12.036.
• 4. Gronostajski Z, Hawryluk M, Jaśkiewicz K, Niechajowicz A, Polak S, Walczak S, Woźniak A. Application of physical and mathematical modelling to analysis of different forging processes of constant velocity joint body. Computer Methods In Materials Sciences 2007; 7(2): 231-236.
• 5. Gronostajski Z, Hawryluk M, Kaszuba M, Marciniak M, Niechajowicz A, Polak S, et al. The expert system supporting the assessment of the durability of forging tools. The International Journal of Advanced Manufacturing Technology 2015; 82(9): 1973-1991.
• 6. Gronostajski Z, Hawryluk M, Kaszuba M, Ziemba J. Application of a measuring arm with an integrated laser scanner In the analysis of the shape changes of forging instrumentation during production. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2016; 18 (2): 194-200, https://doi.org/10.17531/ein.2016.2.6
• 7. Gronostajski Z, Hawryluk M. The main aspects of precision forging. Archives of Civil and Mechanical Engineering 2008; 8(2): 39-57, https://doi.org/10.1016/S1644-9665(12)60192-7.
• 8. Gronostajski Z, Kaszuba M, Hawryluk M, Zwierzchowski M. A review of the degradation mechanisms of the hot forming tools. Archives of Civil and Mechanical Engineering 20014; 14: 528-539, https://doi.org/10.1016/j.acme.2014.07.002.
• 9. Gronostajski Z, Kaszuba M, Polak S, Zwierzchowski M, Niechajowicz A, Hawryluk M. The failure mechanisms of hot forging dies. Materials Science and Engineering. A, Structural Materials: Properties, Microstructure and Processing 2016; 657: 147-160, https://doi.org/10.1016/j.msea.2016.01.030.
• 10. Hawryluk M, Kaszuba M, Gronostajski Z, Sadowski P. Systems of supervision and analysis of industrial forming processes. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2016; 18 (3): 315-324, https://doi.org/10.17531/ein..2016.3.1
• 11. Hawryluk M. Metody analizy oraz zwiększania trwałości narzędzi kuźniczych stosowanych w procesach kucia matrycowego na gorąco. Monograficzna seria wydawnicza Problemy Eksploatacji i Budowy Maszyn, ISBN 978-83-7789 410-1, Wyd. Naukowe ITE - PIB, Radom 2016.
• 12. Hawryluk, M. Review of selected methods of increasing the life of forging tools in hot die forging processes. Archives of Civil and Mechanical Engineering 2016;16: 845-866, http://dx.DOI:0.1016/j.acme.2016.06.001.
• 13. Heinemeyer D. Gensekschäden und Einflussgrössen der Standmenge. Industrieanzeiger 1978; 100 (73).
• 14. Katayama T, Akamatsu M, Tanaka Y. Construction of PC based expert system for cold forging process design. J Mater. Process. Technol. 2004; 155-156: 1583-1589, https://doi.org/10.1016/j.jmatprotec.2004.04.256.
• 15. Kocańda S, Kocańda A. Niskocyklowa wytrzymałość zmęczeniowa metali. PWN, Warszawa 1989.
• 16. Lange K, Cser L, Geiger M, Kals J,A.G. Tool Life and Tool Quality in Bulk Metal Forming. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture November 1993; 207 : 223-239, https://doi.org/10.1243/PIME_PROC_1993_207_085_02.
• 17. Lapovok R, Smirnov S, Shveykin V. Damage mechanics for the fracture prediction of metal forming tools. International Journal of Fracture 2000; 103(2): 111-126, https://doi.org/10.1023/A:1007593623392.
• 18. Li M, Liu,X, Xiong A. Prediction of the mechanical properties of forged TC11 titanium alloy by ANN. Journal Of Materials Processing Technology 2012; 121(1): 1-4, https://doi.org/10.1016/S0924-0136(01)01006-8.
• 19. Mazurkiewicz D. Maintenance of belt conveyors using an expert system based on fuzzy logic. Archives of Civil and Mechanical Engineering 2015;15(2) : 412-418, https://doi.org/10.1016/j.acme.2014.12.009.
• 20. Osowski, S. Sieci neuronowe w ujęciu algorytmicznym. WNT. Warszawa 1996.
• 21. Rauch L, Chmura A, Gronostajski Z, Pietrzyk M, Zwierzchowski M. Cellular automata model for prediction of crack initiation and propagation in hot forging tools. Archives of Civil and Mechanical Engineering 2016; 16(3) : 437-447, https://doi.org/10.1016/j.acme.2016.02.008.
• 22. Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review 1958; 65(6): 386- 408, https://doi.org/10.1037/h0042519.
• 23. Smolik J. Rola warstw hybrydowych typu warstwa azotowana/ powłoka PVD w procesie zwiększania trwałości matryc kuźniczych. WITE. Radom 2007.
• 24. Subba Rao A.V, Pratihar D,K. Fuzzy logic-based expert system to predict the results of finite element analysis. Knowl-Based Syst. 2007; 20: 37-50, https://doi.org/10.1016/j.knosys.2006.07.004.
• 25. Sun Y, Hu L. Modelling optimisation of hot processing parameters of Ti-6Al-4Valloy using artificial neural network and genetic algorithm. Materials Research Innovations 2014; 18: 1052-1056, https://doi.org/10.1179/1432891714Z.000000000856.
• 26. Tadeusiewicz R, Gąciarz T, Borowik B, Leper B. Odkrywanie właściwości sieci neuronowych, przy użyciu programów w języku C #. Polska Akademia Umiejętności, Międzywydziałowa Komisja Nauk Technicznych, Kraków 2007.
• 27. Tadeusiewicz R. Neural networks in mining sciences - general overview and some representative examples. Arch. Min. Scien. 2015; 60 (4): 971-984, https://doi.org/10.1515/amsc-2015-0064.
• 28. Tadeusiewicz R. Neural networks.PWN. Warszawa 1993.
• 29. Tompos A, Margitfalvi JL, Tfirst E, He ́berger K. Predictive performance of 'highly complex' artificial neural networks. Appl Catal Gen. 2007; 324: 90-93, https://doi.org/10.1016/j.apcata.2007.02.052.