Narzędzia help

Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
first previous next last
cannonical link button

http://yadda.icm.edu.pl:443/baztech/element/bwmeta1.element.baztech-article-BUJ5-0050-0074

Czasopismo

Zeszyty Naukowe Wyższej Szkoły Informatyki

Tytuł artykułu

Zastosowanie regresji wielokrotnej i sieci neuronowej do modelowania zjawiska tarcia

Autorzy Trzepieciński, T. 
Treść / Zawartość http://wsinf.edu.pl/p-103-Zeszyty-naukowe
Warianty tytułu
EN Application of multiple regression and neural network for modelling of friction phenomenon
Języki publikacji PL
Abstrakty
PL W pracy przedstawiono modele regresyjne opisu zjawiska tarcia w procesach kształtowania blach. Zastosowana analiza regresji wielowymiarowej oraz sztuczne sieci neuronowe pozwalają na zminimalizowanie lub całkowite wyeliminowanie wykonywania czasochłonnych prób tarcia w celu określenia wartości współczynnika tarcia dla szerokiego zakresu zmienności warunków tarcia. Ponadto metody te nie wymagają znajomości wszystkich czynników wpływających na zjawiska tribologiczne oraz ich interakcji w strefie kontaktu. Do budowy modeli tarcia wykorzystano wyniki przeprowadzonych doświadczeń próby przeciągania paska blachy w warunkach tarcia suchego mających na celu wyznaczenie wpływu wartość chropowatości powierzchni blachy, chropowatości powierzchni przeciwpróbek oraz siły nacisku na wartość współczynnika tarcia. Analizę regresji wielokrotnej przeprowadzono za pomocą podprogramu użytkownika w środowisku Matlab, natomiast do zbudowania modelu neuronowego zastosowano program Statistica Neural Networks.
EN The article contains regression models of friction phenomenon description in sheet metal forming. The applied multiple regression analysis and artificial neural networks allow to limit or eliminate time-consuming friction research with the purpose of determination of friction coefficient value for wide range of friction conditions variability. Furthermore these methods do not require knowledge of all parameters influencing on tribological phenomena and their interactions in the contact zone. To build friction models the results of a strip drawing test in dry friction conditions were utilized. The aim of performed friction tests was to determine the sheet surface roughness, surface roughness of rolls and holder force on friction coefficient value. Multiple regression analysis was carried out using user subroutine in Matlab software. To build neural network model Statistica Neural Networks software package was applied.
Słowa kluczowe
PL regresja wielokrotna   sieć neuronowa   kształtowanie blach   tarcie blach   model tarcia   wartość chropowatości   współczynnik tarcia   MATLAB   Statistica Neural Networks  
Wydawca Wyższa Szkoła Informatyki i Umiejętności
Czasopismo Zeszyty Naukowe Wyższej Szkoły Informatyki
Rocznik 2010
Tom Vol. 9, Nr 3
Strony 31--43
Opis fizyczny Bibliogr. 9 poz., rys.
Twórcy
autor Trzepieciński, T.
  • Katedra Przeróbki Plastycznej Politechnika Rzeszowska
Bibliografia
[1] Johnson R., Wichern D., Applied multivariate statistical analysis, Prentice-Hall, Englewood Cliffs, 1982.
[2] Kleinbaum D.G., Kupper L.L., Muller K.E., Applied regression analysis and other multivariable methods, PWS Publishing Co., Boston,1988.
[3] Matuszak A., Factors infuencing friction in steel sheet forming, J. Mat. Proc. Technol., Vol. 106, pp. 250-253, 2000.
[4] Stachowicz F., Trzepieciński T., ANN application for determination of frictional characteristics of brass sheet metal, J. Artif. Intell., Vol. 1, pp. 81-90, 2004.
[5] Dasgupta R., Thakur R., Govindrajan B., Regression analysis of factors affecting high stress abrasive wear behavior, J. of Failure Analysis and Prevention, Vol. 2, pp. 65-68, 2002.
[6] Hertz J., Krogh A., Palmer.G., Wstęp do teorii obliczeń neuronowych, WNT, Warszawa, 1993.
[7] Rapetto M.P., Almqvist A., Larsson R., Lugt P.M., On the influence of surface roughness on real area of contact in normal, dry, friction free, rough contact by using a neural network, Wear, Vol. 266, pp. 592–59, 2009.
[8] Dragan A., Neural network prediction of brake friction materials wear, Wear, Vol. 268, pp. 117–125, 2010.
[9] Statistica Neural Networks, Addendum for version 4, StatSoft, Tulsa, 1999
Kolekcja BazTech
Identyfikator YADDA bwmeta1.element.baztech-article-BUJ5-0050-0074
Identyfikatory