Modelling of the draw bead coefficient of friction in sheet metal forming

• Autorzy: Chodoła Łukasz , Ficek Daniel , Szczęsny Ireneusz , Trzepieciński Tomasz , Wałek Łukasz

Identyfikatory

DOI

10.15199/160.2021.3.1

Warianty tytułu

PL

Modelowanie współczynnika tarcia na progu ciągowym w procesie kształtowania blach

• Języki publikacji: EN

Abstrakty

EN

This paper presents the results of determining the value of the coefficient of friction on the drawbead in sheet metal forming. As the research material, steel, brass and aluminium alloy sheets cut at different directions according to the sheet rolling direction were used. Sheet strip specimens were tested under dry friction and lubrication of sheet surfaces using machine oil. Results of experiments were used to study the effect of process parameters on the coefficient of friction using artificial neural networks. Input data was optimized using genetic algorithm, forward stepwise selection and backward stepwise selection. The aim of the research was to determine the effect of the value of the unit penalty on the significance of individual input parameters of the neural network and the value of the error generated by the multilayer perceptron. It was found that in the case of all materials the value of coefficient of friction for specimen orientation 90° was greater than for the specimen orientation 0°. Friction tests also reveal that sheet lubrication reduced the frictional resistance by 12-39%, depending on the grade of sheet material. Among all input parameters that significantly affect the value of the coefficient of friction the most important are the lubrication conditions and the orientation of the sample.

PL

W artykule przedstawiono wyniki wyznaczania wartości współczynnika tarcia na progu ciągowym w procesie kształtowania blach. Jako materiał badawczy wykorzystano blachy stalowe, mosiężne i ze stopu aluminium, które zostały wycięte w różnych kierunkach względem kierunku walcowania blachy. Pasy blachy badano w warunkach tarcia suchego oraz smarowania powierzchni blach olejem maszynowym. Wyniki eksperymentów posłużyły do zbadania wpływu parametrów procesu tarcia na wartość współczynnika tarcia za pomocą sztucznych sieci neuronowych. Dane wejściowe zostały zoptymalizowane przy użyciu algorytmu genetycznego, selekcji krokowej postępującej oraz wstecznej. Celem badań było określenie wpływu wartości kary jednostkowej na istotność poszczególnych parametrów wejściowych sieci neuronowej oraz wartość błędu generowanego przez perceptron wielowarstwowy. Stwierdzono, że w przypadku wszystkich materiałów wartość współczynnika tarcia próbek zorientowanych pod kątem 90° była większa niż dla orientacji próbek 0°. Testy tarcia wykazały również, że smarowanie blach zmniejszyło opory tarcia o 12-39% w zależności od gatunku materiału blachy. Spośród wszystkich parametrów wejściowych, które istotnie wpływają na wartość współczynnika tarcia, najważniejsze z nich to warunki smarowania oraz orientacja próbki.

Słowa kluczowe

EN

artificial neural networks; coefficient of friction; drawbead; friction; sheet metal forming

PL

sztuczne sieci neuronowe; współczynnik tarcia; próg ciągowy; tarcie; kształtowanie blach

• Wydawca: Oficyna Wydawnicza Politechniki Rzeszowskiej ; Sieć Badawcza Łukasiewicz - Warszawski Instytut Technologiczny
• Czasopismo: Technologia i Automatyzacja Montażu
• Rocznik: 2021
• Tom: nr 3
• Strony: 3--9
• Opis fizyczny: Bibliogr. 18 poz., il. kolor., rys.

Twórcy

autor

Chodoła Łukasz

• Rzeszów University of Technology. Faculty of Mechanics and Technology, Department of Integrated Design and Tribology Systems, Stalowa Wola, Poland

• https://orcid.org/0000-0002-9637-4669

autor

Ficek Daniel

• Rzeszów University of Technology. Faculty of Mechanical Engineering and Aeronautics, Department of Aerospace Engineering, Rzeszów, Poland

• https://orcid.org/0000-0002-9978-8939

autor

Szczęsny Ireneusz

• Rzeszów University of Technology. Faculty of Mechanical Engineering and Aeronautics, Department of Aerospace Engineering, Rzeszów, Poland

• https://orcid.org/0000-0002-3712-9548

autor

Trzepieciński Tomasz

• Rzeszów University of Technology. Faculty of Mechanical Engineering and Aeronautics, Department of Manufacturing and Production Engineering, Rzeszów, Poland

• https://orcid.org/0000-0002-4366-0135

autor

Wałek Łukasz

• Rzeszów University of Technology. Faculty of Mechanical Engineering and Aeronautics, Avionics and Control Department, Rzeszów, Poland

• https://orcid.org/0000-0002-2446-4403

Bibliografia

• [1] Antosz K., Chandima R.R.M. 2019. „Spare parts’ criticality assessment and prioritization for enhancing manufacturing systems’ availability and reliability”. Journal of Manufacturing Systems 50 : 212-225.
• [2] Buj-Corral I., Sivatte-Adroer M., Llanas-Parra X. 2020. „Adaptive indirect neural network model for roughness in honing processes”. Tribology International 141 : 105891.
• [3] Jamli M.R., Farid N.M. 2019. „The sustainability of neural network applications within finite element analysis in sheet metal forming: A review”. Measurement 138: 446-460.
• [4] Jasiukiewicz-Kaczmarek M., Antosz K., Wyczółkowski R., Mazurkiewicz D., Sun B., Qian C., Ren Y. 2021. „Application of MICMAC, Fuzzy AHP, and Fuzzy TOPSIS for Evaluation of the Maintenance Factors Affecting Sustainable Manufacturing”. Energies 14 (5) : 1436.
• [5] Ke J., Liu Y., Zhu H., Zhang Z. 2018. „Formability of sheet metal flowing through drawbead-an experimental investigation”. Journal of Materials Processing Technology 254 : 283-293.
• [6] Kluz R., Antosz K., Trzepieciński T., Bucior M. 2021. „Modelling the Influence of Slide Burnishing Parameters on the Surface Roughness of Shafts Made of 42CrMo4 Heat-Treatable Steel”. Materials 14 : 1175.
• [7] Liu X., Tian S., Tao F., Yu W. 2021. „A review of artificial neural networks in the constitutive modeling of composite materials”. In Press. https://doi.org/10.1016/j.composi tesb.2021.109152
• [8] Meng F., Gong J., Yang S., Huang L., Zhao H., Tang X. „Study on tribo-dynamic behaviors of rolling bearing-rotor system based on neural network”. Tribology International 156 : 106829.
• [9] Ramkumar T., Selvakumar M., Chandrasekar P., Mohanraj M., Krishnasharma R. 2021. „Monitoring the neural network modelling of wear behaviour of Ti-6Al-4 V reinforced with nano B4C particle”. Materials Today: Proceedings 41 : 942-950.
• [10] SchmidH.,HetzP.,MerkleinM.2019.„Failurebehaviourof different sheet metal after passing a drawbead”. Procedia Manufacturing 34 : 125-132.
• [11] Seshacharyulu K., Bandhavi C., Balu Naik B., Rao S.S., Singh S.K. 2018. „Understanding Friction in sheet metal forming-A review”. Materials Today: Proceedings 5 (9) : 18538-18244.
• [12] Shisode M.,Hazrati J.,Mishra T.,deRooij M.,van den Boogaard T. 2021. „Mixed lubrication friction model including surface texture effects for sheet metal forming”. Journal of Materials Processing Technology. 291 : 117035.
• [13] Sigvant M., Pilthammar J., Hol J., Wiebenga J.H., Chezan T., Carleer B., van den Boogard T. 2019. „Friction in sheet metal forming: influence of surface roughness and strain rate on sheet metal forming simulation results”. Procedia Manufacturing 29 : 512-519.
• [14] Smith L.A., Zhou Y.J., Zhou D.J., Du C., Wanintrudal C. 2009. „A new experimental test apparatus for angle binder draw bead simulations”. Journal of Materials Processing Technology 209 (10) : 4942-4948.
• [15] Trzepieciński T., Fejkiel R. 2017. „On the influence of deformation of deep drawing quality steel sheet on surface topography and friction”. Tribology International 115 : 78-88.
• [16] Wang W., Zhao Y., Wang Z., Hua M., Wei X. 2016. „A study on variable friction model in sheet metal forming with advanced high strength steels”. Tribology International 93 : 17-28.
• [17] Wang Z., Zhang Q., Liu Y., Zhang Z. 2017. „A robust and accurate geometric model for automated design of drawbeads in sheet metal forming”. Computer-Aided Design 92 : 42-57.
• [18] Xu Z., Huang J., Mao M., Peng L., Lai X. 2020. „An investigation on the friction in a micro sheet metal roll forming processes considering adhesion and ploughing”. Journal of Materials Processing Technology 285 : 116790.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).