Zastosowanie metod sztucznej inteligencji do klasyfikacji wad w odlewach ze stopów Al-Si-Cu

• Autorzy: Dobrzański L. A. , Krupiński M. , Sokolowski J. H.

Warianty tytułu

EN

Application of artifical intelligence methods for classification of defects of Al-Si-Cu alloys castings

• Języki publikacji: PL

Abstrakty

PL

Praca dotyczy oceny jakości elementów np. korpusów silników samochodowych ze stopów aluminium wytworzonych metodą Cosworth, przy wykorzystaniu analizy obrazów zdjęć cyfrowych uzyskanych w wyniku rentgenograficznych badań defektoskopowych tychże elementów. Uzyskane wyniki decydują o tym, czy wytworzony produkt jest odpadem poprodukcyjnym czy też nie, co ma na celu zmniejszenie liczby wytwarzanych produktów niespełniających kryteriów kontroli technicznej. W pracy przedstawiono opracowaną, komputerowo wspomaganą metodę oceny jakości odlewów, na podstawie morfologii wad, przy zastosowaniu narzędzi sztucznej inteligencji.

EN

This paper presents the analysis of automotive alloy castings of engine heads and blocks. The technological process applied for these Al-Si alloy castings, EN AC-AISi7Cu3Mg type, was Cosworth. AIso, it includes the development of the methodology of image analysis of casting defects. They were achieved by the defectoscopic X-ray analysis of AI-Si-Cu alloy elements, EN AC-AISi7Cu3Mg type. Besides, it contains both the manner of classification of casting defects by means of artificial intelligence, including neural networks and the application of the developed methodology in the form of a system of computer programmes for quality controI.

Słowa kluczowe

PL

stop aluminiowy; wady odlewów; klasyfikacja wad; metody sztucznej inteligencji

EN

aluminium alloy; casting defect; artifical intelligence methods; neural networks

• Wydawca: Komisja Odlewnictwa Polskiej Akademii Nauk Oddział w Katowicach
• Czasopismo: Archiwum Odlewnictwa
• Rocznik: 2006
• Tom: R. 6, nr 22
• Strony: 598--605
• Opis fizyczny: Bibliogr. 15 poz., rys., tab.

Twórcy

autor

Dobrzański L. A.

autor

Krupiński M.

autor

Sokolowski J. H.

• Politechnika Śląska, Instytut Materiałów Inżynierskich i Biomedycznych, 44-100 Gliwice, ul. Konarskiego 18A,

Bibliografia

• [1] Anson J. P., Gruzleski J. E.: The quantitative discrimination between shrinkage and gas microporosity in cast aluminum alloys using spatial data analysis, Materials Characterization 43, pp. 319-335 (1999), Elsevier Science Inc., 1999.
• [2] Anijdan S. H. Mousavi, Bahrami A., Hosseini Madaah H. R., Shafyei A.: Using genetic algorithm and artificial neural network analyses to design an Al-Si casting alloy of minimum porosity, Materials and Design, 27, 2006, pp. 605-609.
• [3] Asim Tewari, Manish Dighe, Arun M. Gokhale: Quantitative Characterization of Spatial Arrangement of Micropores in Cast Microstructures, Materials Characterization 40, (1998), pp. 119-132.
• [4] Avalle M., Belingardi G., Cavatorta M. P., Doglione R.: Casting defects and fatigue strength of a die cast aluminium alloy: a comparison between standard specimens and production components, International Journal of Fatigue 24 (2002), pp. 1-9.
• [5] Caceres C. H., Djurdjevic M. B., Stockwell T. J., Sokolowski J. H.: The effect of Cu content on the level of microporosity in Al-Si-Cu-Mg casting alloys, Elsevier Science, Scripta Materialia, Vol. 40, No. 5, (1999), pp. 631-637.
• [6] Dobrzański L. A.: Podstawy nauki o materiałach i metaloznawstwo. Materiały inżynierskie z podstawami projektowania materiałowego, Wydawnictwa Naukowo-Techniczne, Warszawa, 2002.
• [7] Dobrzański L. A., Krupiński M., Sokolowski J. H.: Computer aided classification of f1aws occurred during casting of aluminum, Journal of Materials Processing Technology, Vol. 167, iss. 2-3, 2005, pp. 456-462.
• [8] Dobrzański L.A., Trzaska J.: Application of neural networks for prediction of critical values of temperatures and time of the supercooled austenite transformations, Journal of Materials Processing Technology, Vol. 155-156, 2004, pp.1950-1955.
• [9] Dolan K. W.: Design and Product Optimization for Cast Ligot Metals, Livermore, 2000
• [10] Jiahe A., Jiang X., Huiju G., Yaohe H., Xishan X.: Artificial neural network prediction of the microstructure of 60Si2MnA rod based on its controlled rolling and cooling process parameters, Materials Science and Engineering, A344, 2003, pp. 318-322.
• [11] Krupińska B., Szewieczek D.: Analysis of technological process on the basis of efficiency criterion, Journal of Achievements in Materials and Manufacturing Engineering 2006, Vol. 17, July-August 2006.
• [12] Kozłowski J., Biernacki R., Myszka D., Perzyk M., Kochański A.: Zastosowanie systemów uczących się do przewidywania własności materiałów odlewanych, Archiwum Odlewnictwa, nr 14, 2004, s. 249-257.
• [13] Nałęcz M.: Biocybernetyka i inżynieria biomedyczna, Sieci neuronowe, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2000.
• [14] Polmear I. J.: Light Alloys, Metallurgy of the Light Metals, Second edition, 1989.
• [15] Desaki Toru, Kamiya Soji: Development of a new aluminum alloy bearing for small-sized diesel engines, JSAE Review 21, 2000, pp. 143-147.