ZESZYTY N A U K O W E PO L IT EC H N IK I ŚLĄSKIEJ Seria: T R A N SP O R T z. 44
2002 N r kol. 1562
K azim ierz W ITA SZEK , M irosław W ITA SZEK
ZASTOSOWANIE SIECI NEURONOWYCH DO OCENY ZUŻYCIA EUEMENTÓW POJAZDÓW
S treszczen ie. W ram ach pracy przeprow adzono badania m odeli zużycia elem entów pojazdów wykonanych z żeliw a sferoidalnego. Do budow y tych m odeli w ykorzystano sztuczne sieci neuronowe. P opraw ność działania sieci oceniano za po m o cą tzw . błędu zestaw u testującego. W pracy dobrano strukturę i m etodę uczenia sieci neuronow ych zapew niające w ym aganą dokładność działania m odelu zużycia.
USE OF N EU R A L N E TW O R K S AS A TO OL FO R W EA R A SSESSM EN T OF V EH IC LE ELEM EN TS
S u m m a ry . In this w ork research o f w ear m odels o f spheroidal graphite cast iron v ehicles’
elements have been carried out. A rtificial neural netw orks w ere used as these m odels. M o d e ls’
quality has been assessed w ith th e aid o f te st’s set error. In this w ork a structure and training method that ensures required accuracy have been selected.
1. W PR O W A D ZEN IE
Liczne elem enty pojazdów p racu ją w w arunkach tarcia w chodząc w skład system ów trybom echanicznych, w których zachodzą procesy zużycia [1-3]. D ecydują one o trw ałości i niezaw odności elem entów . P rocesy zużycia m a ją skom plikow any charakter, gdyż o bejm ują różnorodne zjaw iska fizyczne i chem iczne, często działające je d n o cz eśn ie i w yw ierające w pływ na siebie naw zajem .
Zużycie je s t zależne od w ielu czynników [3-5], które ob ejm u ją dw ie grupy: param etry m ateriałow e i eksploatacyjne [6, 7]. P aram etry eksploatacyjne określają w arunki w spółpracy elem entów , ja k np. obciążenie, ruch w zględny, czas trw ania w spółpracy czy sm arow anie.
Czynniki m ateriałow e charakteryzują skład chem iczny, strukturę i w łaściw ości m echaniczne m ateriałów elem entów pary ciernej. P rzy m odelow aniu zużycia zachodzi konieczność wyboru najistotniejszych param etrów . S tanow ią one w ielkości w ejściow e m odelu.
94 K . W itaszek, M. W itaszek
2. B A D A N IA W Ł A SN E
W pracy zastosow ano sieci neuronow e w charakterze m odelu opisującego zużycie elem entów w ykonanych z żeliw a sferoidalnego. M ateriał ten je st szeroko stosow any w budow ie pojazdów sam ochodow ych. D oboru w ielkości w ejściow ych i w yjściow ych m odelu dokonano na podstaw ie literatury [6-9]. Jako czynniki eksploatacyjne dobrano: nacisk, prędkość w z g lę d n ą w spółczynnik tarcia i tem peraturę jed n eg o z elem entów w pobliżu w ęzła tarcia. Jako param etry m ateriałow e przyjęto: m ikrotw ardość osnow y, udział pow ierzchniow y grafitu i ilość w ydzieleń grafitu na m m 2.
Jako w ielkość w yjściow ą m odelu przyjęto intensyw ność zużycia, gdyż do chw ili obecnej je st ona n ajpopularniejszą m ia rą zużycia, stosow aną w licznych pracach. S pośród w ielu rodzajów intensyw ności zużycia w ybrano liniow ą intensyw ność zużycia, p o n iew aż zw ykle o trwałości części pojazdów , ja k np. krzyw ki w ałków rozrządu, popychacze, pierścienie czy tuleje cylindrowe, decydują w ym iary liniow e ulegające zm ianom w skutek zużycia. Przyjęte param etry w ejściow e i w yjściow e neuronow ego m odelu zużycia przedstaw iono n a rys. 1.
P aram etry eksploatacyjne P aram etry m ateriałow e
Rys. 1. W ielkości w ejściow e i w yjściow e neuronow ych m odeli zużycia Fig. 1. Input and output signals o f neural w ear m odels
Poprzez w ybór param etrów w ejściow ych i w yjściow ych sieci zostały jednoznacznie zdefiniow ane rozm iary w arstw y wejściow ej i w yjściow ej sieci neuronow ych. W arstw a w ejściow a składała się z siedm iu neuronów , natom iast w yjściow ą stanow ił je d e n neuron. W ram ach doboru struktury m ożliw e były w ięc zm iany liczby i w ielkości w arstw ukrytych oraz m odeli tw orzących j e neuronów .
D o przeprow adzenia procesu uczenia sieci m ającej stanow ić m odel zużycia niezbędne było przygotow anie danych stanow iących ciąg uczący i zestaw testow y. D ane te uzyskano na podstaw ie w stępnie opracow anych w yników laboratoryjnych b adań zużycia próbek z żeliw a sferoidalnego gatunku EN -G JS-900-2. Próbki poddano hartow aniu i odpuszczaniu uzyskując tw ardości 37 - 52 H R C . B adania przeprow adzono na testerze trybologicznym typu T-OlM pracującym w układzie trzpień - tarcza. M etodykę badań szerzej opisano w pracy [10].
Zastosow anie sieci neuronow ych.. 95
P rzygotow ane zestaw y danych uczących obejm ow ały od 300 do 500 kom pletów w ielkości w ejściow ych sieci oraz odpow iadających im w yników badań zużycia. Z estaw y testujące zaw ierały kilkadziesiąt przykładów nie w ystępujących w ciągu uczącym .
Do sym ulacji sieci neuronow ych w ykorzystano dw a program y: S tuttgart N eural N etw ork Sim ulator (SN N S v4.2) oraz Q net 2000. Z a ich p o m o cą zbudow ano i nauczono szereg sieci neuronow ych o różnych strukturach.
W tabeli 1 przedstaw iono w yniki testów sieci neuronow ych o różnych strukturach. Z tabeli tej wynika, że struktura sieci w yw iera w pływ n a w artość generow anego przez sieć błędu. Błąd sieci o jednej w arstw ie ukrytej byl najczęściej w iększy od błędów sieci o bardziej rozbudow anych strukturach. P onadto błąd testu sieci m odelującej jednocześnie zużycie przy tarciu na sucho i w obecności środka sm arnego był w yższy niż w przypadku zastosow ania osobnych sieci do m odelow ania zużycia przy obu tych rodzajach tarcia.
W śród sieci o dw óch w arstw ach ukrytych najm niejszym i błędam i charakteryzow ała się sieć o strukturze 7-7-3-1 (rys. 2). D la sieci o trzech w arstw ach ukrytych zaobserw ow ane błędy były w iększe. Do dalszych badań w ybrano w ięc w spom nianą sieć o strukturze 7-7-3-1. W trakcie tych badań zm ieniano funkcje aktyw acji neuronów oraz m etody uczenia sieci. R ezultaty testów tych sieci zestaw iono w tabeli 2. W skazują one na niew ielki w pływ przyjętych m etod uczenia na ostateczne w artości błędów . Z astosow anie m etod heurystycznych Q uickprop i R P R O P jednak znacząco skróciło czas procesu u czenia w yrażony lic zb ą cykli uczących. W iększy w pływ na wartość końcow ego błędu sieci w yw iera zastosow ana funkcja aktyw acji neuronów . N ajm niejszy błąd zaobserw ow ano dla funkcji sigm oidalnej.
D o m odelow ania zużycia żeliw a sferoidalnego w ykorzystano ostatecznie dw ie sieci o strukturze 7-7-3-1 i sigm oidalnej funkcji aktywacji neuronów . U m ożliw iały one określanie zużycia żeliw a sferoidalnego zgodnie z zadanym i param etram i eksploatacyjnym i i m ateriałowym i. P ierw sza z nich przy tarciu na sucho, a druga w w arunkach styku sm arow anego.
Tabela 1 W yniki testu sieci neuronow ych o różnych strukturach
Lp. Struktura M etoda
uczenia
D ługość ciągu uczącego (sucho / olej)
D ługość ciągu testującego (sucho / olej)
B łąd dla zestaw u testującego (RM S) tarcie
suche
styk sm arow any
oba przypadki
1 7-10-1 LRBM A 3 9 0 / 3 2 0 9 8 / 8 2 0,04636 0 ,04996 0,06918
2 7-3-6-1 LRBM A 3 9 0 / 3 2 0 9 8 / 8 2 0,05042 0 ,04897 0,06203
3 7-3-7-1 LRBM A 3 9 0 / 3 2 0 9 8 / 8 2 0,04809 0 ,05426 0,07108
4 7-4-2-1 L R B M A 3 9 0 / 3 2 0 9 8 / 8 2 0,04193 0,05228 0,06681
5 7-4-4-1 LR B M A 3 9 0 / 3 2 0 9 8 / 8 2 0,04196 0,05198 0,10302
6 7-5-4-1 LRBM A 390 / 320 9 8 / 8 2 0,03879 0,05051 0,05881
7 7-5-5-1 L R B M A 3 9 0 / 3 2 0 9 8 / 8 2 0,03988 0,03617 0,05652
8 7-6-3-1 L R B M A 3 9 0 / 3 2 0 9 8 / 8 2 0 ,03846 0,04255 0,05793
9 7-6-4-1 L R B M A 390 / 320 9 8 / 8 2 0 ,04082 0,05029 0,07377
10 7-7-3-1 LRBMA 3 9 0 / 3 2 0 9 8 / 8 2 0,03432 0,03559 0,05017
11 7-7-4-1 LR B M A 3 9 0 / 3 2 0 9 8 / 8 2 0,03529 0,03785 0,05270
12 7-7-5-1 L R B M A 3 9 0 / 3 2 0 9 8 / 8 2 0,03601 0,03492 0,05802
13 7-10-6-1 L RBM A 3 9 0 / 3 2 0 9 8 / 8 2 0,04201 0,03925 0,05582
14 7-4-4-2-1 L R B M A 3 9 0 / 3 2 0 9 8 / 8 2 0 ,04196 0,04285 0,05448
15 7-5-4-2-1 L RBM A 3 9 0 / 3 2 0 9 8 / 8 2 0,04353 0,04516 0,06377
(ł> - LR B M A - B a ckpropagation w ith m om entum and adaptive learn rate control - w steczna p ro p ag acja błędu z m om entum i adaptacyjnym doborem w spółczynnika u czenia
96 K. W itaszek, M. W itaszek
Intensywność zużycia
Rys. 2. Struktura sieci użytych do prognozow ania zużycia żeliw a sferoidalnego Fig. 2. The structure o f netw orks used for forecasting o f spheroidal cast iron w ear
Tabela 2 W yniki testu sieci neuronow ych o strukturze 7-7-3-1
Lp. Struktura M etoda
uczenia***
Funkcja aktyw acji neuronów sieci ****
Ilość cykli uczących
B łąd d la zestaw u testującego tarcie
suche
styk sm arow any
oba przypadki
1 7-7-3-1 L R B M A T anh 50 000 0,04103 0,03578 0,05933
2 7 -7 -3 -1 L R B M A Sech 50 000 0,04462 0,04571 0,05777
3 7-7-3-1 L R B M A Gauss 50 000 0,04189 0 ,04724 0,06648
4 7-7 -3 -1 L R B M A S ig m o id a 5 0 0 0 0 0 ,0 3 4 3 2 0 ,0 3 5 5 9 0 ,0 5 0 1 7
5 7-7 -3 -1 R R O P S ig m o id a 45 0 ,0 3 3 8 3 0 ,0 3 5 0 1 0 ,0 5 5 2 5
6 7 -7 -3 -1 Q u ic k p ro p S ig m o id a 3 5 0 0 ,0 3 4 9 8 0 ,0 3 6 1 1 0 ,0 5 2 4 3
U*) _ T anh _ tangens h iperboliczny, S ech - sekans hiperboliczny, G auss - funkcja G aussa
A by zbadać w pływ poszczególnych czynników w ejściow ych sieci na intensyw ność zużycia, dokonano tzw. analizy w rażliw ościow ej danych uczących [11], W je j w yniku dla poszczególnych w ielkości w ejściow ych otrzym ano tzw. w spółczynniki w ażności, które określają, w jakim stopniu w ielkości te w p ływ ają na w ielkość w yjściow ą (rys. 3 i 4).
Zastosow anie sieci neuronow ych.. 9 7
0,35
_ 0,30 u.
>« 0,25O
!
£ 0,20E 0,15
&
'■§ 0 , 1 0 CL (/)
5 0,05
0,00
(/)o
ca o
"O
i—ca 5o
ca 'C
JD <D 3 1
r
vO 13
'(/> O)
O N
■g •</>
a> o a Œ
or
® -c 5 3 ^ 2 3 (¡3 CD
5O
CL
S Ô
cai—
ZJ
' 2c(D
C L
Eu
Rys. 3. W spółczynniki w ażności czynników w ejściow ych sieci przy tarciu suchym Fig. 3. Im portance coefficients o f input factors b y dry friction
0,35
(/) o
ca
.
2 ca
TDN
=>
Rys. 4. W spółczynniki w ażności czynników w ejściow ych sieci przy tarciu ze sm arow aniem Fig. 4. Im portance coefficients o f input factors by lubricated friction
98 K. W itaszek, M. W itaszek
3. U W A G I K O Ń C O W E
B adania m odelow e przeprow adzone w pracy w skazują n a to, że sztuczne sieci neuronow e m ogą być w ykorzystane do m odelow ania zużycia elem entów pojazdów . W iększą dokładność m odeli otrzym ano d la dw óch sieci, z których je d n a służy do określania intensyw ności zużycia przy tarciu na sucho a druga - w obecności środka sm arnego, niż w przypadku jednej sieci dla obu tych rodzajów tarcia. S tw ierdzono rów nież znaczny w pływ struktury sieci i funkcji przejścia neuronów na błąd testu. N ajniższy błąd otrzym ano dla sieci o strukturze 7-7-3-1, której neurony m a ją sigm oidalną funkcję przejścia. Zastosow anie różnych m etod uczenia tej sieci wywierało istotny w pływ n a długość p rocesu uczenia b ez w yraźnego w pływ u n a b łąd testu.
W spółczynniki w ażności czynników w ejściow ych sieci w skazują, że nacisk wywiera najw iększy w pływ n a intensyw ność zużycia elem entów z żeliw a sferoidalnego zarów no przy tarciu na sucho, ja k i w obecności środka sm arnego. K olejność pozostałych czynników była zależna o d obecności środka sm arnego. N a przykład w przypadku tarcia n a sucho drugi co do w ażności je st w pływ m ikrotw ardości osnowy, a dla tarcia ze sm arow aniem - udział pow ierzchniow y grafitu. Taki rezultat je st zgodny z oczekiw aniam i, gdyż przy tarciu na sucho dochodzi do znacznej ilości kontaktów m etalicznych w spółpracujących pow ierzchni i tw ardość m ateriału osnow y w w iększym stopniu decyduje o oddzielaniu się m ateriału w form ie produktów zużycia n iż w ystępuje to dla tarcia w obecności środka sm arnego. Środek sm arny oddziela w spółpracujące pow ierzchnie przeciw działając kontaktom m etalicznym . O becność grafitu w środku sm arnym dodatkow o u trudnia stykanie się m etalicznych w ierzchołków nierów ności pow ierzchni. P odobnie ilość w ydzieleń grafitu n a jed n o stk ę pow ierzchni w yw iera silniejszy wpływ na zużycie przy tarciu n a sucho niż w oleju. W iąże się to z osłabieniem m ateriału w arstw y w ierzchniej, który p rzy tarciu n a sucho przenosi w iększe siły styczne. M oże to intensyfikow ać zm ęczenie stykowe.
W pływ tem peratury elem entów pary ciernej na ich zużycie je s t w ięk szy w przypadku tarcia ze sm arow aniem olejem niż na sucho. W ynika to ze spadku lepkości oleju pow odującego pogorszenie się ja k o ści sm arow ania, co zw iększało zużycie. P rędkość ruchu względnego w yw iera w podobnym stopniu w pływ na zużycie przy tarciu n a sucho i w obecności środka sm arnego.
L ite r a tu r a
1. DEN 50 320. Verschlci/3. B egriffe, System analyse von Verschlei/Svorgängen, G liederung des V erschlei/Sgebietes.
2. C zichos H.: T ribology a system aproach to the science and technology o f friction, lubrication and wear. E lsevier A m sterdam - O xford - N ew Y ork 1978.
3. T ribologia i tribotechnika. P raca zbiorow a pod redakcją M. S zczerka i M. W iśniewskiego.
W ydaw nictw o Instytutu T echnologii Eksploatacji, R adom 2000.
4. W ybrane zagadnienia zużyw ania się m ateriałów w ślizgow ych w ęzłach tarcia. Praca zbiorow a pod red ak cją W. Zw ierzyckiego. PW N , W arszaw a - P oznań 1990.
5. G ierek A.: Z użycie ścierne m etalow ych elem entów roboczych. P olitechnika Śląska skrypt nr 1752, G liw ice 1993.
6. Stanik Z.: A naliza przyczyn nadm iernego zużycia krzyw ek w ałków rozrządu. Praca doktorska. Instytut Transportu Politechniki Śląskiej, K atow ice 2002.
7. W itaszek M.: O cena zużycia kół kolejow ych. P raca doktorska. Instytut Transportu P olitechniki Śląskiej, K atow ice 1999.
Zastosow anie sieci neuronow ych.. 99
8. Seetharam u S., S am pathkum aran P., K um ar R.K ., N arasim ha M urthy K ., M artin Jebraj P.:
A brasion and erosion resistance o f perm anent m oulded austem pered ductile iron. W ear, 167 (1993), s. 1-8.
9. Dai W .S., C hen L.H., Lui T.S.: A study on S i 02 p article erosion o f flake graphite and spheroidal graphite cast irons. W ear, 239 (2000), s. 143-152.
10. W itaszek K.: M etodyka badania zużycia żeliw a sferoidalnego na stanow isku T-01M . M iędzynarodow a Studencka Sesja N aukow a: M ateriały i T echnologie X X I w ieku, K atow ice
10.05.2001.
11. Osow ski S.: Sieci neuronow e w ujęciu algorytm icznym . W ydaw nictw a N aukow o- Techniczne, W arszaw a 1996.
R ecenzent: D r hab. inż. Edm und T A SA K , prof. AG H
A bstract
This article describes m odelling o f w ear o f vehicles’ elem ents w ith the aid o f artificial neural networks. Input and output param eters o f m odels w ere selected on the basis o f literature.
Different nets w ere used as w ear m odels. The best m odelling accuracy w as observed for tw o netw orks type 7-7-3-1: first for dry friction and second for lubricated contact. T hese nets enabled analysis o f influence o f input param eters on w ear rate. C ontact pressure, caused b y load, has been found as the m ost im portant factor both by dry and lubricated conditions.
P raca wykonana w ram ach badań własnych B W -465/RM 10-1/2002.