11/5 Archives of Foundry, Year 2002, Volume 2, 5 Archiwum Odlewnictwa, Rok 2002, Rocznik 2, Nr 5 PAN Katowice PL ISSN 1642-5308 IDENTYFIKACJA PRZYCZYN WADY POROWATOŚCI W ODLEWACH STALIWNYCH Z WYKORZYSTANIEM SZTUCZNYCH SIECI NEURONOWYCH A. W. KOCHAŃSKI 1, M. PERZYK 2 Zakład Odlewnictwa Politechnika Warszawska ul. Narbutta 85, 02-524 Warszawa STRESZCZENIE Omówiono sposoby identyfikacji przyczyn powstawania wad w odlewach. Wskazano na możliwość wywoływania wad przez zespół czynników. Zastosowano sztuczne sieci neuronowe do identyfikacji synergicznego wpływu parametrów procesu. Zaproponowano stosowanie złożonych wykresów do analizowania wpływu sygnałów wejściowych. Określono wielkości graniczne dla możliwości wystąpienia wady typu porowatość. Key words: casting defects, porosity, neural network, cast steel, quality inspection 1. WSTĘP Występowanie wad w wyrobach wykrywanych w procesie produkcyjnym stanowi jedną z głównych przyczyn zwiększających koszt wytwarzania, a więc pogorszenie konkurencyjności tych wyrobów. Dla średniej wielkości odlewni zmniejszenie liczby braków tylko o 1% prowadzi do oszczędności rzędu kilku milionów złotych w skali rocznej [1]. Wykrywanie przyczyn nieregularnego pojawiania się wad w odlewach jest zadaniem bardzo trudnym, z uwagi na wielką liczbę losowo zmieniających się czynników mogących powodować tego typu wady. Analiza parametrów produkcyjnych i materiałowych doprowadzających do wystąpienia wady, prowadząca do określenia jej przyczyn, wymaga zastosowania odpowiedniego narzędzia matematycznego. Takim narzędziem, pozwalającym na ustalenie prawidłowości w warunkach dużej liczby zmiennych o różnym charakterze i 1 dr inż., akochans@wip.pw.edu.pl 2 prof. dr hab., M.Perzyk@wip.pw.edu.pl
88 wpływających na wynik w sposób nie określony przez znane prawa fizyczne lub empiryczne, są sztuczne sieci neuronowe. 2. CEL I ZAKRES PRACY Działania prowadzące do wyeliminowania wad obejmują: stwierdzenie rodzaju wady, ustalenie przyczyn oraz podjęcie środków zaradczych. Podstawową trudność stanowi zwykle ustalenie przyczyn powstawania wady, ponieważ wpływa na nie zwykle wielka liczba bardzo różnorodnych, zmieniających się losowo czynników o charakterze materiałowym, technologicznym i ludzkim. Na przykład dla wad wewnętrznych typu pustki (gas defects), stanowiących jedną z częściej pojawiających się wad w odlewach i będących jednym z głównych problemów produkcyjnych w Zakładzie Odlewniczym Mystal, fundamentalne opracowanie amerykańskie [2] wymienia ponad 50 możliwych przyczyn różnorakiej natury. Tradycyjne postępowanie zmierzające do wykrycia właściwej przyczyny pojawiania się wady polega na następujących działaniach: należy wybrać dwie lub trzy najbardziej prawdopodobne przyczyny, a następnie zmieniać kolejno każdą z nich aż do uzyskania pozytywnych wyników [1]. Źródła powstawania wad należy szukać w zmianach procesu technologicznego, nowych dostawach materiałów formierskich i wsadowych, a także w pracy ludzi. Takie postępowania bardzo często nie przynosi jednak pozytywnych rezultatów. Dzieje się to z uwagi na wielką liczbę możliwych przyczyn, ich różnorodność, losowe pojawianie się, a także możliwość wpływu kombinacji kilku czynników jednocześnie, z których każdy osobno nie jest wystarczająco istotny do spowodowania wystąpienia wady. Zwłaszcza niebezpieczeństwo synergicznego oddziaływania kilku czynników jest niemalże niemożliwe do zanalizowania. W pracy postawiono sobie za cel wskazanie możliwości takiego oddziaływania wywołującego wystąpienie wady i określenie sposobów ich unikania w warunkach badanej odlewni. 3. WIELKOŚCI WEJŚCIOWE Głównym zadaniem w pierwszym etapie pracy było określenie możliwych do kontrolowania i rejestrowania sygnałów mających wpływ na możliwość wystąpienia wady. Po stwierdzeniu nieprzydatności do rozwiązania problemu istniejącego w zakładzie Systemu Zapewnienia Jakości wg ISO 9002 zaproponowano nowy System Rejestrowania i Przepływu Informacji o istotnych parametrach wykonania odlewów oraz stopniu wystąpienia wady. System ten, wykorzystany do analizowania i określania przyczyn powstawania wady typu porowatość, jest systemem uniwersalnym i mo że być wykorzystywany do analiz dowolnego typu wad. Wykaz wielkości sprawdzanych w ramach zaproponowanego systemu obejmuje 40 wielkości opisujących: wytop (np. ilość i jakość użytego złomu, ilości użytych dodatków żelazostopów, remonty pieców, czas trwania wytopu, itp.),
89 przygotowanie form (np. użyte masy formierskie i rdzeniowe, własności mas, zastosowane pokrycia, itp.), zalewanie form (np. kolejność zalania, jakość zalania, remonty kadzi, itp.), czynniki zewnętrzne (np. temperatura otoczenia na zmianie zalewającej, wilgotność powietrza), wady występujące w odlewach. Zgromadzone, w postaci arkuszy kalkulacyjnych (rys.1), wielkości zostały wykorzystane jako sygnały wejściowe w procesie uczenia i testowania sztucznych sieci neuronowych. 4. WYNIKI Rys.1. Przykładowa kopia ekranu arkusza kalkulacyjnego z fragmentem rejestrowanych danych Fig. 1. A sample screen copy of a spreadsheet with the recorded data Wybrane nauczone sieci posłużyły do wykonania wykresów istotności mających dać odpowiedź, które z kontrolowanych wielkości w zbiorach uczącym i odpytującym mają największy wpływ na możliwość powstawania wad w odlewach. Procedurę określania istotności sygnałów wejściowych wprowadzono m. in. w celu wyeliminowania nieistotnych sygnałów wejściowych. Ma to ogromne znaczenie, bowiem zredukowanie liczby sygnałów wejściowych oznacza m. in. uproszczenie procedur rejestrowania i kontrolowania parametrów procesu, ograniczenie wielkości zbiorów uczących i testujących, skrócenie czasu uczenia sieci. Rys. 2 przedstawia typowy wykres względnej istotności sygnałów wejściowych sieci dla wyjścia Porowatość w nauczonej sieci neuronowej. Równocześnie do kontrolowania wpływu sygnałów wejściowych i diagnozowania przyczyn powstawania wady w odlewie wykonano wykresy wpływu poszczególnych rejestrowanych wielkości na powstawanie
90 wady. Rys. 3 przedstawia wpływ wilgotności masy na powstawanie wady porowatość dla jednego z zarejestrowanych zestawów pozostałych parametrów (przedstawionych w prawym oknie dialogowym). Rys. 2. Typowy wykres względnej istotności sygnałów wejściowych sieci Fig. 2. A typical chart of the relative network input signal significance Rys. 3. Wpływ wilgotności masy na powstawanie wady porowatość dla jednego z zarejestrowanych zestawów pozostałych parametrów Fig. 3. Greensand humidity influence on the appearance of the porosity defect for one recorded set of remaining parameters
91 Wykresy wpływu poszczególnych rejestrowanych wielkości na występowanie wady okazały się lepszym, niż wykresy istotności, narzędziem do określania przydatności wybranej wielkości do określenia możliwości wystąpienia wady. Niestety także i one nie pozwalały na określanie łącznego wpływu kilku wielkości wejściowych parametrów procesu na prawdopodobieństwo wystąpienia wady. Do pogłębionych analiz najskuteczniejszym rozwiązaniem okazały się zbiorcze wykresy uwzględniające równoczesny wpływ kilku czynników. Wykres taki przedstawiono na rysunku 4. Umożliwiają one analizę wpływu równoczesnego oddziaływania trzech parametrów na możliwość wys tąpienia wady. Rys. 4. Wpływ wilgotności i przepuszczalności masy oraz temperatury otoczenia na możliwość wystąpienia wady typu porowatość Fig. 4. The influence of greensand humidity and permeability, as well as air temperature on the appearance of the porosity defect Dopiero tak skonstruowane wykresy pozwoliły na określenie bezpośredniej przyczyny powstawania porowatości w odlewie: jest nią woda zawarta w masie formierskiej. Im większa początkowa wilgotność masy oraz mniejsza możliwość odparowania wody, tym większa zawartość wody w masie w momencie zalewania i, w konsekwencji, możliwość wystąpienia wady porowatości. Czynniki takie jak wyższa temperatura otoczenia, dłuższy czas od zaformowania do złożenia formy oraz niższa wilgotność powietrza sprzyjają odparowaniu wody z masy. Skłonność do wystąpienia wady maleje także wraz ze wzrostem przepuszczalności masy formierskiej, która redukuje ciśnienie pary wodnej w pobliżu powierzchni wnęki formy.
92 5. PODSUMOWANIE Głównym celem podjętej pracy było sprecyzowanie zaleceń mających na celu ograniczenie możliwości występowania wad w odlewach w warunkach konkretnej odlewni. Pogłębiona analiza przyczyn aktualnie występujących wad wykonana za pomocą nauczonej sieci neuronowej pozwoliła na określenie istotnych dla procesu technologicznego parametrów, mających najsilniejszy wpływ na możliwość wystąpienia wad porowatości we wszystkich produkowanych odlewach. Jako podstawowe działanie zaradcze zalecono utrzymywanie wskazanych parametrów masy formierskiej: wilgotność i przepuszczalność masy na poziomie nie przekraczającym wartości krytycznych. Poziom dopuszczalnych wartości jest określany w funkcji warunków prowadzenia procesu: temperatury otoczenia, wilgotności powietrza, czasu od zaformowania do złożenia form do zalania (dla ustalonych pozostałych wielkości prowadzonego procesu odlewania). Na podstawie przeprowadzonych analiz ustalono, że wilgotność masy formierskiej nie powinna przekraczać poziomu: 2,60 2,65 w warunkach niskiej temperatury otoczenia, wysokiej wilgotności powietrza, krótkiego czasu od zaformowania do złożenia formy oraz niskiej przepuszczalności formy, 2,70 w warunkach wysokiej temperatury otoczenia, niskiej wilgotności powietrza, długiego czasu od zaformowania do złożenia formy oraz wysokiej przepuszczalności formy. LITERATURA [1] Z. Falęcki: Analiza wad odlewów. Wydawnictwa AGH, Kraków 1997. [2] Analysis of Casting Defects. American Foundrymen s Society, Des Plaines, Ill., USA, 1994 IDENTIFICATION BY ARTIFICIAL NEURAL NETWORKS OF THE POROSITY DEFECT CAUSES IN STEEL CASTINGS SUMMARY The present paper discusses various means of identifying causes of cast defects. It is suggested that defects may be brought about by a group of factors. Artificial neural networks are used to identify the synergetic influence of process parameters. It is argued that complex charts may be applied to an analysis of the input signals. Limits are established for the possibility of appearance of the porosity defect. Recenzował Prof. Stanisław Jura