Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2017

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: trwałość narzędzi kuźniczych

Sortuj według:

Ogranicz wyniki do:

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

Hawryluk M., Mrzygłód B.

Eksploatacja i Niezawodność

2017

Vol. 19, no. 3

338--348

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.

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.