Марио Юес-Гил

катедра по строително строителство, Университет Бургос, Avda Cantabria s/n, Бургос 09006, Испания

Иван Николаевич Ердаков

b Леярен департамент, Южноуралски държавен университет, Ленин просп. 76, Челябинск 454080, Русия

Андрес Бустило

катедра по строително строителство, Университет Бургос, Avda Cantabria s/n, Бургос 09006, Испания

Данил Юриевич Пименов

c Катедра по автоматизирано машиностроене, Южноуралски държавен университет, Ленин просп. 76, Челябинск 454080, Русия

Свързани данни

Графично резюме

хибридна

Резюме

Въведение

Манганова стомана с висока якост на опън, известна още като стомана Hadfield, кръстена на първия си производител, състояща се от 11,5–15,0% от Mn и 0,9–1,4% от C, демонстрира висока якост на опън при ударни натоварвания, като например при експлоатация на цистерни, трактори и други машини за отстраняване на почвата, зъбни пръти за варовик, челюстни дробилки за руда и железопътни стрелки на колесните комплекти. Гореспоменатите свойства се дължат на взаимодействието на стоманата с по-мек материал и отсъствието на надраскване върху ударната повърхност на стоманения детайл, като по този начин причиняват умора, а не абразивно износване. В резултат на трудностите, свързани с рязането на тази сплав, детайлите от манганова стомана с висока якост обикновено се произвеждат чрез леене.

Обширните изследвания за подобрения в този вид стомана отразяват активния промишлен интерес към нейните механични свойства. Siafakas et al. [1] проведе количествен анализ на количеството, размера и броя на частиците, които се утаяват in situ в обработена с титан и алуминий стомана Hadfield по време на леенето. В някои изследователски работи се препоръчва термична обработка като средство за увеличаване на микротвърдостта на отлитата стоманена матрица на Hadfield [2], [3], [4]. Освен това в няколко проучвания [5], [6], [7] са изследвани факторите, които могат да повлияят на повишената устойчивост на износване на високомангановата стомана.

Въпреки това, всички гореспоменати методи усложняват технологията за производство на детайли, използващи стомана Hadfield, и водят до това да бъде по-скъпа. Нещо повече, не е обърнато достатъчно внимание на въпроса за опазването на ресурсите, с изключение на проучванията на Erdakov et al. [19], [20], [21], [22], които предложиха нова високоефективна система за затваряне и хранене и определиха нейните оптимални параметри за леене с помощта на форми от зелен пясък. С оптималните параметри, новата технология не изисква нито тежки глави, нито трудоемки операции с отливката преди и след изливане, за да се постигне оптимален ъгъл; като по този начин намалява разходите за производство на плочи и води до значителни икономии на метал в затварящата система и главите на машините (15–20%).

С наближаването на четвъртата технологична революция в условията на глобална конкуренция, анализът на всички съществуващи данни от процеса на леене става все по-актуален по отношение на идентифицирането на най-добрите стратегии, които ще оптимизират механичните характеристики, особено износоустойчивостта на компонентите, които се отливат използвайки този тип стомана, като по този начин създава конкурентно предимство. По-рано неизвестни и скрити тенденции могат да бъдат полезни и разбираеми модели, намерени в пресечната точка на бази данни, статистически данни и техники за машинно обучение. Размерът на базата данни (големи данни или данни от конкретен експеримент) не е от съществено значение; важността е в идентифицирането на скрити модели, което би било невъзможно да се установи с директен визуален анализ или чрез изчисляване на прости статистически характеристики.

Кастингът е присъщо вероятностен процес; качеството на отливката се дължи преди всичко на химичния състав на сплавта и естеството на нейното втвърдяване. Целта за намиране на скрити модели в масива от технологични данни от производството и експлоатацията на стоманени плочи, използвани в дробилни станции, изглежда релевантна за разследването на причините, които причиняват тяхното износване. Следователно целта на това проучване е да удължи общия живот на (леки, средни и тежки) стоманени плочи Hadfield за оборудване за преработка на руда чрез разкриване на нови тенденции с помощта на техники за машинно обучение за моделиране на техните граници на износване.

Решенията на сложни производствени производствени процеси, както са представени в това проучване, обикновено следват две отделни стратегии. В първия се предлага използването на аналитични модели въз основа на експериментални данни; в определени случаи тази стратегия се подкрепя от физически модели или симулации на производствения процес и е прецизирана с експерименталните данни, получени в лабораторни условия. Този подход вече е дискутиран във въведението за прогнозиране на живота на плочите за трошене на руда. Във втория подход се използват техники за машинно обучение за изграждане на модели за прогнозиране от масивни набори от данни; този подход може да се превърне в подходящ инструмент за вземане на решения.

Въпреки че най-често срещаните техники за машинно обучение принадлежат към категорията „черна кутия“, има някои техники за машинно обучение, като дървета за вземане на решения, които предоставят визуална информация за процеса. Тези техники обаче често са по-прости от изкуствените невронни мрежи (ANN) и може да не се представят еднакво добре в много сложни процеси, въпреки че са свободни от сложността и досадното фино настройване на параметрите на модела ANN. В това проучване ние предлагаме хибридна стратегия за преодоляване на това ограничение, която комбинира дървета за вземане на решения за извличане на основната информация, включена в набора от данни за обучение, с ANN за модели за прогнозиране с висока точност. Тази стратегия съчетава най-големите предимства и на двете техники за машинно обучение: за да се разберат основните характеристики на набора от данни, тя генерира бързи, визуални и прости дървета за вземане на решения, като по този начин улеснява вземането на решения относно входните данни за прости, но точни, ANN модели.

Тази стратегия е в състояние да се справи с данни от различно естество, химичния състав на плочите и производствения процес на плочите в нашия случай. Освен това стратегията създава модели, които са оптимизирани по отношение на точност, с намален брой входове; намаляването на броя на входовете е допълнително индустриално изискване, за да могат такива модели да бъдат внедрени във фабрики, тъй като те ще намалят разходите за анализ (т.е. ако в детайла трябва да се оцени процент от само 2, а не 16 химически компонента, тогава аналитичният процес ще струва по-малко).

Изследователски материал и методи

Преди да се разработи модел за прогнозиране на живота на смачкващите плочи и преди провеждането на експеримент, е необходимо да се определят свойствата на използваните материали, параметрите на отливките, както и методите на леене и изследване.

Методи за производство и отливане на плочи

При това изследване са използвани следните материали и методи за изследване. Химичният състав (%) на стомана Hadfield е посочен в таблица 1. Стомана Hadfield съдържа 84,3–87,3% желязо (Fe), 11,5–15,0% магнезий (Mn), 0,9–1,4% въглерод (C), 0,3–1,0% силиций (Si) и 0–3% примеси. Физико-механичните свойства на стомана Hadfield в нейната аустенитна форма са следните: плътност (ρ) от 7890 kg/m 3, твърдост по Бринел НВ от 186–229 и якост, σ, от 654–830 MPa; механични свойства: пластична сплав. Физическите и механичните свойства на ферохромовите руди от индустриален тип с примеси с висока стопилка са следните: плътност (ρ) 2235 kg/m 3, твърдост по Бринел (HB) 438–662 и якост, σ, от 307–522 МРа. механични свойства: крехка рудна минерална.

маса 1

Химичен състав (%) на стомана Hadfield.