2

3

Zawartość

1 IMIĘ I NAZWISKO, DANE OSOBOWE .............................................................................................. 5

2 POSIADANE DYPLOMY I STOPNIE NAUKOWE ................................................................................ 5

3 INFORMACJE O DOTYCHCZASOWYM ZATRUDNIENIU W JEDNOSTKACH NAUKOWYCH ................ 6

4 WSKAZANIE OSIĄGNIĘCIA NAUKOWEGO, UZYSKANEGO PO OTRZYMANIU STOPNIA DOKTORA .. 6

4.1 TYTUŁ OSIĄGNIĘCIA NAUKOWEGO (ZGODNIE Z WNIOSKIEM): ................................................................. 6 4.2 ZESTAWIENIE MATERIAŁÓW DOKUMENTUJĄCYCH ZREALIZOWANIE OSIĄGNIĘCIA NAUKOWEGO (CYKL PUBLIKACJI ) 6 4.3 OMÓWIENIE CELU NAUKOWEGO W/W PRACY I OSIĄGNIĘTYCH WYNIKÓW, WRAZ Z OMÓWIENIEM ICH

EWENTUALNEGO WYKORZYSTANIA. ............................................................................................................. 9 4.3.1 Wprowadzenie .................................................................................................................. 9 4.3.2 Cel i z kres i badań .......................................................................................................... 10 4.3.3 Kompozycja cyklu ............................................................................................................ 12 4.3.4 Osiągnięte rezultaty ........................................................................................................ 37

4.4 OMÓWIENIE WPŁYWU NA DYSCYPLINĘ METALURGIA ......................................................................... 38

5 OMÓWIENIE POZOSTAŁYCH OSIĄGNIĘĆ NAUKOWO - BADAWCZYCH (ARTYSTYCZNYCH) ........... 40

4

5

1 IMIĘ I NAZWISKO, DANE OSOBOWE dr inż. Barbara Mrzygłód

Katedra Informatyki Stosowanej i Modelowania Wydział Inżynierii Metali i Informatyki Przemysłowej Akademia Górniczo-Hutnicza im. St. Staszica w Krakowie

ORCID: 0000-0001-9619-5305 ResearcherID: T-1279-2018 Scopus: 36160671200 PBN: 901357

2 POSIADANE DYPLOMY I STOPNIE NAUKOWE Uzyskany tytuł: Jednostka: Dziedzina: Specjalność: Temat pracy: Promotor: Recenzenci: Data:

doktor nauk technicznych Akademia Górniczo-Hutnicza w Krakowie Wydział Metalurgii i inżynierii Materiałowej Metalurgia Systemy Informatyki Przemysłowej Elementy reprezentacji wiedzy w zakresie wad powierzchni wyrobów metalowych Prof. dr hab. inż. Stanisława Kluska-Nawarecka Prof. dr hab. inż. Wilhelm Gorecki, Politechnika Śląska Prof. dr hab. inż. Stanisław Pietrowski, Politechnika Łódzka Prof. dr hab. inż. Zbigniew Malinowski, AGH Kraków 11 grudzień 2006

Uzyskany tytuł: Jednostka: Dziedzina: Specjalność: Temat pracy: Promotor: Recenzenci: Data:

magister inżynier Akademia Górniczo-Hutnicza w Krakowie Wydział Metalurgii i inżynierii Materiałowej Inżynieria Materiałowa Inżynieria powierzchni (Indywidualny Tok Studiów poszerzony o przedmioty z zakresu Zarządzania i Ekonomii) Analiza kosztów jakości w wybranym przedsiębiorstwie hutniczym Dr Anna Adrian Prof. dr hab. inż. Maria Sierpińska 22 czerwiec 2001r.

Dyplom ukończenia: Jednostka: Zakres: Data ukończenia:

2 semestralne Studia Podyplomowe Akademia Górniczo-Hutnicza w Krakowie Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Projektowanie i eksploatacja współczesnych Systemów Informatycznych Czerwiec 2008

Dyplom ukończenia: Jednostka: Data ukończenia:

Studium Przygotowania Pedagogicznego Akademia Górniczo-Hutnicza w Krakowie 3 grudzień 2003

6

3 INFORMACJE O DOTYCHCZASOWYM ZATRUDNIENIU

W JEDNOSTKACH NAUKOWYCH 2007 - teraz

Adiunkt Akademia Górniczo-Hutnicza w Krakowie Wydział Inżynierii Metali i Informatyki Przemysłowej

2005 -2007

Asystent Akademia Górniczo-Hutnicza w Krakowie Wydział Inżynierii Metali i Informatyki Przemysłowej

2001-2005

Studia doktoranckie z/z Teorii i Technologii Procesów Metalurgicznych Akademia Górniczo-Hutnicza w Krakowie Wydział Inżynierii Metali i Informatyki Przemysłowej

4 WSKAZANIE OSIĄGNIĘCIA NAUKOWEGO, UZYSKANEGO PO OTRZYMANIU STOPNIA DOKTORA

Główny nurt działalności naukowo badawczej wnioskodawcy, skupiony jest na opracowywaniu i tworzeniu baz wiedzy dla systemów ekspertowych dedykowanych branży metalurgicznej. Podstawowym celem tych prac jest wypracowanie metodologii formalizacji pozyskanej wiedzy tak aby opracowane modele formalne umożliwiły utworzenie ich komputerowej reprezentacji na potrzeby systemów ekspertowych.

4.1 TYTUŁ OSIĄGNIĘCIA NAUKOWEGO (ZGODNIE Z WNIOSKIEM):

Formalizacja zapisów wiedzy metalurgicznej na potrzeby systemów ekspertowych. Praca taka w formie cyklu publikacji monotematycznych, będzie stanowić moje osiągnięcie naukowe w rozumieniu Ustawy o stopniach naukowych i tytule naukowym oraz o stopniach i tytule w zakresie sztuki z dnia 14 marca 2003r. (Dz. U. z 2003r. Nr 65, poz. 595 z późniejszymi zmianami), będące podstawą nadania stopnia doktora habilitowanego.

4.2 ZESTAWIENIE MATERIAŁÓW DOKUMENTUJĄCYCH ZREALIZOWANIE OSIĄGNIĘCIA

NAUKOWEGO (CYKL PUBLIKACJI )

Przedstawiony cykl składa się z 18 publikacji naukowych i stanowi reprezentatywną grupę raportów z prowadzonych przez Wnioskodawcę badań. Sumaryczny Impact Factor wskazanych w cyklu publikacji wynosi 10,616. Suma punktów wynosi 306. Spośród wszystkich przedstawionych w cyklu publikacji: 9 pozycji [3, 6, 8, 12, 13, 15, 16, 17, 18] znajduje się w wykazie JCR - lista A czasopism

MNiSW, 6 pozycji [1, 4, 5, 7, 10, 11] znajduje się w wykazie B czasopism MNiSW, 3 pozycje [2, 14, 16] znajdują się w wykazie czasopism MNiSW oraz są indeksowane

przez WoS.

7

[1] B. MRZYGŁÓD, S. KLUSKA-NAWARECKA, A. KOWALSKI, D. WILK-KOŁODZIEJCZYK Wykorzystanie wykresów CTP niskotopowego żeliwa sferoidalnego do opracowania technologii wytwarzania żeliwa ADI — The use of TTT diagrams of low-alloy ductile cast iron to develop a technology for the production of ADI Prace Instytutu Odlewnictwa = Transactions of the Foundry Research Institute ; ISSN 1899–2439. — 2013 vol. 53 no. 4, s. 85–111

IF: brak punktacja (lista B czasopism MNiSW, 2013): 4 pkt. Udział habilitanta: 60%

[2] B. MRZYGŁÓD, I. OLEJARCZYK-WOŻEŃSKA, H. ADRIAN, M. GŁOWACKI The study phase transformations in nodular cast iron with additions of Ni, Cu, Mo Metal 2015 International Conference on Metallurgy and Materials : June 2015, Brno, Czech Republic : proceedings of abstracts / TANGER Ltd., [et al.]. — Ostrava: TANGER Ltd., cop. 2015. — ISBN: 978-80-87294-58-1

IF: brak WoS punktacja MNiSW (2015): 15 pkt. Udział habilitanta: 75 %

[3] B. MRZYGŁÓD, A. KOWALSKI, I. OLEJARCZYK-WOŻEŃSKA, H. ADRIAN, M. GŁOWACKI, A. OPALIŃSKI Effect of heat treatment parameters on the formation of ADI microstructure with additions of Ni, Cu, Mo — Wpływ parametrów obróbki cieplnej na kształtowanie mikrostruktury żeliwa ADI z dodatkami Ni, Cu, Mo Archives of Metallurgy and Materials / Polish Academy of Sciences. Committee of Metallurgy. Institute of Metallurgy and Materials Science ; ISSN 1733-3490. — 2015 vol. 60 iss. 3A, s. 1941–1948. — Bibliogr. s. 1948

IF: (brak za 2015) (LF), WoS punktacja (lista A czasopism MNiSW, 2015): 30 pkt. Udział habilitanta: 70 %

[4] B. MRZYGŁÓD, K. REGULSKI Model of knowledge representation about materials in the form of a relational database for CAPCAST system Archives of Foundry Engineering / Polish Academy of Sciences. Commission of Foundry Engineering ; ISSN 1897-3310. — Tytuł poprz.: Archiwum Odlewnictwa. — 2011 vol. 11 iss. 3, s. 81–86. — Bibliogr. s. 85–86, Abstr.

IF: brak punktacja (lista B czasopism MNiSW, 2012): 6 pkt. Udział habilitanta: 70%

[5] B. MRZYGŁÓD, J. DURAK, D. Śmigiel, K. Daczyszyn Materials and producers base operating in the CAPCAST system Archives of Foundry Engineering / Polish Academy of Sciences. Commission of Foundry Engineering ; ISSN 1897-3310. — Tytuł poprz.: Archiwum Odlewnictwa. — 2014 vol. 14 iss. 3, s. 55–60. — Bibliogr. s. 59–60,

IF: brak punktacja (lista B czasopism MNiSW, 2014): 9 pkt. Udział habilitanta: 55%

[6] I. OLEJARCZYK-WOŻEŃSKA, A. ADRIAN, H. ADRIAN, B. MRZYGŁÓD Parametric representation of TTT diagrams of ADI cast iron — Parametryczna reprezentacja wykresów CTPi żeliwa sferoidalnego Archives of Metallurgy and Materials / Polish Academy of Sciences. Committee of Metallurgy. Institute of Metallurgy and Materials Science ; ISSN 1733-3490. — 2012 vol. 57 iss. 2, s. 613–617. — Bibliogr. s. 616–617

IF: 0.431 (LF), WoS punktacja (lista A czasopism MNiSW, 2012): 20 pkt. Udział habilitanta: 20%

[7] B. MRZYGŁÓD, A. ADRIAN, K. REGULSKI, I. OLEJARCZYK-WOŻEŃSKA, S. Kluska-Nawarecka Eksploatacja wykresów CTPi w systemie CAPCAST — The exploitation of TTT diagrams in the CAPCAST system Prace Instytutu Odlewnictwa = Transactions of the Foundry Research Institute ; ISSN 1899–2439. — 2013 vol. 53 no. 4, s. 45–56. — Bibliogr. s. 55–56, Streszcz., Abstr.. — Tekst pol.-ang.. — S. Kluska-Nawarecka – afiliacja: Instytut Odlewnictwa

IF: brak punktacja (lista B czasopism MNiSW, 2013): 4 pkt. Udział habilitanta: 70%

[8] OLEJARCZYK-WOŻEŃSKA, H. ADRIAN, B. MRZYGŁÓD, Mathematical model of the process of pearlite austenitization Archives of Metallurgy and Materials / Polish Academy of Sciences. Committee of Metallurgy. Institute of Metallurgy and Materials Science. — 2014 vol. 59 iss. 3, s. 981–986

IF: 1,090 (LF), WoS punktacja (lista A czasopism MNiSW, 2014): 25 pkt. Udział habilitanta: 20%

[9] OLEJARCZYK-WOŻEŃSKA, H. ADRIAN, B. MRZYGŁÓD, M. GŁOWACKI, Mathematical model of bainitic transformation in austempered ductile iron, Archives of Foundry Engineering / Polish Academy of Sciences. Commission of Foundry Engineering. — 2017 vol. 17 iss. 4, s. 200–206

IF: brak (LF), WoS punktacja (lista B czasopism MNiSW, 2017): 15 pkt. Udział habilitanta: 25%

[10] B. MRZYGŁÓD, K. ŚCIRA Module to generate rules for the knowledge base in a CAPCAST expert system Archives of Foundry Engineering / Polish Academy of Sciences. Commission of Foundry Engineering ; ISSN 1897-3310. — Tytuł poprz.: Archiwum Odlewnictwa. — 2012 vol. 12 iss. 2, s. 167–170. — Bibliogr. s. 170, Abstr.

8

IF: brak punktacja (lista B czasopism MNiSW, 2012): 6 pkt.

Udział habilitanta: 70%

[11] B. MRZYGŁÓD, I. OLEJARCZYK-WOŻEŃSKA, M. GŁOWACKI, A. OPALIŃSKI Extracting knowledge from integrated experimental data on the ADI manufacture — Wydobywanie wiedzy ze zintegrowanych danych eksperymentalnych dotyczących produkcji żeliwa ADI Computer Methods in Materials Science : quarterly / Akademia Górniczo-Hutnicza ; ISSN 1641-8581. — Tytuł poprz.: Informatyka w Technologii Materiałów. — 2015 vol. 15 no. 1, s. 85–93. — Bibliogr. s. 92, Abstr., Streszcz.

IF: brak punktacja (lista B czasopism MNiSW, 2015): 12 pkt. Udział habilitanta: 65%

[12] B. MRZYGŁÓD, G. GUMIENNY, D. WILK-KOŁODZIEJCZYK, K. REGULSKI Application of selected artificial intelligence methods in the system predicting the microstructure of compacted graphite iron

Journal of Materials Engineering and Performance, na dzień składania wniosku dostępna jest wersja on-line: http://link.springer.com/article/10.1007/s11665-019-03932-4

IF: 1,34 (LF) punktacja (lista A czasopism MNiSW, 2017): 20 pkt. Udział habilitanta: 40%

[13] Z. GRONOSTAJSKI, M. HAWRYLUK, M. KASZUBA, M. MARCINIAK, A. NIECHAJOWICZ, S. POLAK, M. ZWIERZCHWOSKI, A. ADRIAN, B. MRZYGŁÓD, J. DURAK The expert system supporting the assessment of the durability of forging tools International Journal of Advanced Manufacturing Technology ; ISSN 0268-3768. — 2016 vol. 82 iss. 9–12, s. 1973–1991

IF: 2,209 (LF), WoS punktacja (lista A czasopism MNiSW, 2016): 25 pkt. Udział habilitanta: 30%

[14] M. Hawryluk, B. MRZYGŁÓD Application of Adaptive Neuro-Fuzzy Inference System (ANFIS) to predict the wear of forging tools Metal 2016: 25 International Conference on Metallurgy and Materials : May 2016, Brno, Czech Republic, Eu: list of abstracts. — Ostrava : TANGER Ltd., cop. 2016. — ISBN: 978-80-87294-66-6. — S. 90. — Pełny tekst na dołączonym CD-ROMie. — S. 378–385.

IF: brak WoS punktacja MNiSW (2016): 15 pkt. Udział habilitanta: 50%

[15] M. Hawryluk, B. MRZYGŁÓD A durability analysis of forging tools for different operating conditions with application of a decision support system based on artificial neural networks (ANN) — Analiza trwałości narzędzi kuźniczych dla różnych warunków eksploatacji z wykorzystaniem systemu wspomagania decyzji opartego o sztuczne sieci neuronowe Eksploatacja i Niezawodność = Maintenance and Reliability / Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne; ISSN 1507-2711. — 2017 vol. 19 no. 3, s. 338–348.

IF: 1,383 (LF), WoS punktacja (lista A czasopism MNiSW, 2017): 25 pkt. Udział habilitanta: 50%

[16] B. MRZYGŁÓD, M. HAWRYLUK, S. POLAK Sensitivity analysis of the artificial neural network inputs in a system to durability prediction of forging tools Metal 2017 : 26 International Conference on Metallurgy and Materials : May 2017, Brno, Czech Republic, EU : abstracts. — Ostrava : TANGER Ltd., cop. 2017. — ISBN: 978-80-87294-73-4. — S. 110–111.

IF: brak WoS punktacja MNiSW (2017): 15 pkt. Udział habilitanta: 40%

[17] B. MRZYGŁÓD, M. HAWRYLUK, Z. GRONOSTAJSKI, A. OPALIŃSKI, M. KASZUBA, S. POLAK, P.WIDOMSKI, J. ZIEMBA, M. ZWIERZCHOWSKI Durability analysis of forging tools after different variants of surface treatment using a decision-support system based on artificial neural networks Archives of Civil and Mechanical Engineering / Polish Academy of Sciences; ISSN 1644-9665. — 2018 vol. 18 iss. 4, s. 1079-1091.

IF: 2,763 (z 2017) (LF), WoS punktacja (lista A czasopism MNiSW, 2017): 30 pkt. Udział habilitanta: 30%

[18] M. HAWRYLUK, B. MRZYGŁÓD A system of analysis and prediction of the loss of forging tool material applying artificial neural networks Journal of Mining and Metallurgy, Section B: Metallurgy, 54 (3) B (2018), 323 – 337

IF: 1,400 (z 2017) (LF), WoS punktacja (lista A czasopism MNiSW, 2017): 30 pkt. Udział habilitanta: 50%

9

4.3 OMÓWIENIE CELU NAUKOWEGO W/W PRACY I OSIĄGNIĘTYCH WYNIKÓW, WRAZ

Z OMÓWIENIEM ICH EWENTUALNEGO WYKORZYSTANIA.

4.3.1 WPROWADZENIE

Szybki rozwój technologii komputerowej spowodował, że komputery, potrafiące na wiele sposobów przetwarzać ogromne ilości danych, stały się urządzeniami powszechnego zastosowania. Wprowadzanie komputerów do praktyki przemysłowej w dziedzinie metalurgii i inżynierii materiałowej posiada już swoją wieloletnią historię. Powszechnym standardem jest zastosowanie ich w takich obszarach jak: gromadzenie i udostępnianie danych i informacji, wspomaganie projektowania inżynierskiego, prototypowanie, symulacje komputerowe, itd. W praktyce przemysłowej i badawczej wykorzystywanych jest wiele istniejących programów, np. systemy typu CAD/CAM; symulacyjne programy takie jak: ABAQUS, ANSYS, FORGE, MAGMA, PROCAST, VULCAN, NOVAFLOW, PAM-CAST, SIMTEC, itd.

Wszystkie systemy komputerowe, wspomagające decyzje człowieka w różnych obszarach, podobnie jak ludzie, muszą korzystać z wiedzy technologicznej i technicznej, która jest im udostępniana w odpowiedniej formie a stworzenie komputerowego systemu wymaga przetworzenia klasycznych form wiedzy w reprezentacje systemową. Proces ten nazywany jest PROCESCEM FORMALIZACJI WIEDZY i wymaga, znajomości formalizmów stosowanych do tworzenia systemowych reprezentacji wiedzy umożliwiających automatyzację wnioskowania, a ponadto znajomości dziedziny, gdyż od kompletności, wiarygodności i użyteczności zaimplementowanej w systemie wiedzy zależy efektywność tworzonego systemu komputerowego. Integracja tych dwóch obszarów tj.: wiedzy dziedzinowej i inżynierii wiedzy, umożliwia twórcom systemu przyjęcie odpowiedniej metodologii.

Wraz z rozwojem wiedzy naukowej i technologicznej z takich dziedzin jak metalurgia i inżynieria materiałowa, zmierzającym do podniesienia poziomu technicznego i efektywności wytwarzania maszyn, pojazdów, narzędzi oraz urządzeń mechanicznych, równolegle powinien następować rozwój systemów komputerowych wspierających zarówno prace badawcze jak i produkcyjne w tych obszarach. Uzasadnione są więc wszelkie badania mające na celu opracowywanie nowych rozwiązań systemowych, obejmujących nowe obszary wiedzy lub dostosowanie istniejących systemów do nowych wymagań.

Tworzenie takich systemów jest procesem złożonym. Analizując go zadaniowo można wyodrębnić pewne grupy problemów, których poprawne i efektywne rozwiązanie zależy od kompetencji przypisanych różnym, zupełnie odrębnym dziedzinom wiedzy. Na przykład opracowanie architektury systemu i jego składowych wymaga kompetencji informatycznych, natomiast do poprawnego przeprowadzenia identyfikacji źródeł wiedzy, dekompozycji atrybutów i akwizycji danych do bazy wiedzy systemu, bezwzględnie konieczna jest wiedza ekspercka (naukowa i technologiczna) z dziedziny dla której ma pracować budowany system.

W badaniach skoncentrowano się na wykonaniu zadań wymagających zarówno wiedzy o wytwarzaniu i przetwarzaniu analizowanych materiałów inżynierskich, jak i umiejętności sprawnego stosowania trafnie dobranych środków i narzędzi informatycznych. Opracowana metodyka jest na tyle uniwersalna, że może być wykorzystana do budowy baz wiedzy o podobnej konstrukcji w systemach przetwarzania wiedzy z innych dziedzin.

10

4.3.2 CEL I Z KRES I BADAŃ

Celem prowadzonych przez Wnioskodawcę badań było opracowanie metodologii formalizacji wiedzy metalurgicznej na potrzeby wykorzystania jej do tworzenia komputerowych reprezentacji wiedzy dla systemów ekspertowych.

Osiągniecie postawionego celu wymagało rozwiązania problemów: identyfikacji źródeł wiedzy, pozyskiwania wiedzy, integracji wiedzy, doboru formalnej metody reprezentacji wiedzy a także opracowania komputerowej reprezentacji wiedzy. Realizacja tych zadań wymagała określenia obszarów wiedzy dziedzinowej, dla której przeprowadzono badania. Aby móc określić uniwersalność opracowanych procedur oraz wykorzystanych metod formalnych, skoncentrowano prace na dwóch reprezentatywnych procesach metalurgicznych o różnym charakterze (wytwórczym i przetwórczym).

Pierwszy obszar związany jest z technologią wytwarzania materiałów odlewanych i skupia się wokół wytwarzania materiałów z żeliwa, ze szczególnym uwzględnieniem procesu wytwarzania żeliwa ADI (Austempered Ductile Iron) oraz żeliwa wermikularnego CGI (Compacted Graphite Iron). W oparciu o te badania powstała baza wiedzy systemu ekspertowego CAPCAST, który zostanie opisany w dalszej części pracy.

Drugi obszar badań dotyczy przeróbki plastycznej metali, tj. procesu kucia i skupia się na analizie trwałości narzędzi kuźniczych w wybranych procesach kucia matrycowego na gorąco. Te badania posłużyły do opracowania baz wiedzy dla systemów ekspertowych SEPEK-1 oraz SEPEK-2.

Wstępne badania Autorki związane były z pozyskiwaniem i analizą wiedzy dziedzinowej dla wybranych obszarów:

w obszarze procesów odlewniczych wykonano szereg badań własnych i eksperymentów materiałowych, których rezultaty zostały przedstawione w publikacjach [1-3],

w przypadku kucia matrycowego formalizacja wiedzy dziedzinowej została przeprowadzona w oparciu o analizę literatury oraz wyniki badań eksperymentalnych dostarczonych z innego ośrodka naukowego.

Graficzną reprezentację przeprowadzonych badań przedstawiono na Rys. 1.

RYS. 1 GRAFICZNA REPREZENTACJA OBSZARU BADAŃ

11

Stosowane w prezentowanym cyklu artykułów metody formalnego zapisu wiedzy można przyporządkować do trzech odmiennych grup metod reprezentacji wiedzy.

W pracach zostało wykorzystane modelowanie matematyczne, należące do strukturalnych metod reprezentacji wiedzy. Metody te są jednym z najstarszych formalizmów stosowanych do zapisu wiedzy w systemach komputerowych. Doskonale radzą sobie z wiedzą reprezentowaną w formie wyrażeń matematycznych, zastosowanych do opisu procesów, zdarzeń, bądź obiektów przy użyciu modeli matematycznych: empirycznych bądź analitycznych. Ogólny schemat systemu zawierającego to podejście przedstawiono na Rys. 2. Pozycje publikacyjne, w których raportowane są badania wykorzystujące modelowanie matematyczne to [6, 7, 8, 9].

RYS. 2 REPREZENTACJA WIEDZY W POSTACI MODELU MATEMATYCZNEGO

Podczas analizy materiałów źródłowych stwierdzono, że istnieje szereg problemów, dla

których to klasyczne podejście jest niewystarczające. Nie zawsze problem, czy obiekt może być opisany przy użyciu liczb a przyjęte cele nie zawsze dają się wyrazić w postaci określonej funkcji lub wyznaczenie takiej funkcji jest bardzo trudne. Wtedy warto korzystać z innych sposobów (metod) tworzenia komputerowych reprezentacji wiedzy. Od kilkunastu lat obserwuje się coraz większe zainteresowanie systemami z bazą wiedzy, gdzie przetwarzanie wiedzy odbywa w sposób zbliżony do rozumowania człowieka, tj. WIEDZA(baza reguł) + FAKTY(potwierdzone informacje o przedmiocie wnioskowania) + WNIOSKOWANIE (indukcja, dedukcja) = ROZUMOWANIE (uznanie nowych faktów za prawdziwe). Wiedza o problemie, który opisują, zapisywana jest w systemowej bazie wiedzy w postaci specyficznych dla danej dziedziny stwierdzeń oraz reguł w postaci implikacji. Implikację logiczną reprezentuje notacja IF… THEN…. (Rys. 3)

RYS. 3 DEKLARATYWNY SPOSÓB REPREZENTACJI WIEDZY W SYSTEMIE

Przykład reguły: IF Temperatura >723 and Temperatura <1400 and zawartość C%=0,81 THEN składnik strukturalny = austenit. Podejście to wykorzystuje deklaratywny sposób reprezentacji wiedzy. W prowadzonych badaniach, do konstrukcji reguł logicznych opisujących niektóre zależności, wykorzystano logikę dwuwartościową [4, 5, 10], gdzie reguły były konstruowane w oparciu o atrybutowe tablice decyzyjne, drzewa decyzyjne, itd. W badaniach [13, 14] do zapisu reguł w systemowych bazach wiedzy wykorzystano również logikę rozmytą, która dedykowana jest do opisu wiedzy niepełnej i niepewnej. Część pozyskanych danych stanowiły wyniki pomiarów i obserwacji oraz wyniki symulacji komputerowych. Były to zatem dane niepełne, bo reprezentujące tylko konkretne przypadki ale także niepewne, bo obciążone błędami pomiarów i obserwacji.

Trzecią grupą metod tworzenia komputerowych reprezentacji wiedzy, stosowanych w prezentowanych pracach były metody niesymboliczne, odwołujące się do przeprowadzonych obserwacji i doświadczeń. Do metod tych należą m. in. sztuczne sieci neuronowe. W procesie uczenia sieci przedstawia się jej wzorcowe przypadki a następnie, zgodnie z założoną strategią

12

uczenia, modyfikuje połączenia elementów sieci. Takie podejście przedstawiono schematycznie na Rys. 4 i wykorzystano w badaniach opisanych w pracach [11, 12, 16, 17, 18].

RYS. 4 REPREZENTACJA WIEDZY W SYSTEMIE WYKORZYSTUJĄCA SZTUCZNE SIEI NEURONOWE.

Opracowana metodyka formalizacji wiedzy, z wykorzystaniem wybranych metod jej

reprezentacji i przy użyciu dostępnych narzędzi programistycznych, została wykorzystana do skonstruowania komputerowych baz wiedzy dla systemów ekspertowych CAPCAST, SEPEK-1, SEPEK-2 co dowodzi, że postawiony cel został osiągnięty.

Dla systemu CAPCAST zidentyfikowano te obszary wiedzy metalurgicznej, które mają zastosowanie przy wytwarzaniu materiałów odlewanych. Stworzono Regułową Bazę Wiedzy wspomaganą przez moduły, w których wykorzystano reprezentacje w postaci modeli matematycznych (moduł CTP, moduł OC).

Wiedza stosowana w systemach SEPEK-1, SEPEK-2 bazowała źródłowo na danych empirycznych a zatem niepełnych i obciążonych błędami. Adekwatnymi metodami w przetwarzaniu tego typu wiedzy są formalizmy takie jak logika, w tym przypadku rozmyta oraz niesymboliczne metody reprezentacji wiedzy, tutaj wykorzystano sztuczne sieci neuronowe.

4.3.3 KOMPOZYCJA CYKLU

Przedstawiony cykl składa się z 18 publikacji naukowych, które zostały uszeregowane w kolejności poruszanych problemów, tj.:

formalizacja zapisów wiedzy z zakresu wytwarzania materiałów odlewanych, formalizacja zapisów wiedzy z zakresu analizy trwałości narzędzi kuźniczych.

4.3.3.1 Formalizacja zapisów wiedzy z zakresu wytwarzania materiałów odlewanych

Pierwsze publikacje [1-3] dotyczą własnych badań materiałowych Autorki, które wykonałam w ramach projektu NCN pt. „Hybrydowy system wspomagania decyzji w zakresie doboru parametrów technologicznych wytwarzania elementów maszyn z żeliwa sferoidalnego, w celu poprawy ich własności użytkowych”.

Podejmowany w projekcie problem dotyczył zapewnienia konkurencyjności produkcji elementów maszyn z żeliwa. Żeliwo należy do materiałów odlewniczych najpowszechniej stosowanych w budowie maszyn. Decyduje o tym nieskomplikowana technologia wytwarzania, łatwość uzyskiwania ciekłego metalu, stosunkowo niskie koszty wytwarzania odlewów, możliwości sterowania i uzyskiwania właściwości materiałowych i użytkowych w zależności od przeznaczenia. Rozwój techniki, zwłaszcza przemysłu maszynowego, wymusza opracowywanie nowych tworzyw odlewniczych zaspokajających kolejne, coraz dalej idące wymagania konstruktorów maszyn i urządzeń. W wielu opracowaniach prezentowane są wyniki związane z badaniem właściwości mechanicznych żeliwa po różnych cyklach obróbki cieplnej. Wykazano, że odpowiedni dobór zawartości stopowych składników podstawowych i zastosowanie mikrododatków, w połączeniu z odpowiednio dobraną obróbką cieplną, pozwala sterować

13

zarówno procesami krystalizacji osnowy, jak i procesami wydzielania takich faz jak węgliki, azotki, czy fazy międzywęzłowe by w konsekwencji uzyskać oczekiwane własności elementu.

W ramach prowadzonych badań podjęto próbę stworzenia prototypowego systemu wspomagania decyzji w zakresie doboru najbardziej korzystnych wartości parametrów technologicznych wytwarzania odlewanych elementów maszyn. Wstępne badania związane z identyfikacją źródeł wiedzy obejmowały szereg badań własnych wnioskodawcy, które zostały udokumentowane w pracach [1-3]. Badania te, oprócz identyfikacji źródeł wiedzy, miały na celu zapoznanie się z charakterem wiedzy o procesie wytwarzania elementów maszyn z żeliwa sferoidalnego.

Ze względu na realny wymiar prac badania skupiły się na odlewniczych stopów żelaza ze szczególnym uwzględnieniem żeliwa sferoidalnego obrabianego cieplnie z wytrzymaniem izotermicznym (Austempered Ductile Iron – ADI), ale jednocześnie architektura proponowanego systemu ma otwarty charakter i istnieje możliwość rozbudowy systemu dla wielu innych materiałów.

Skonstruowanie efektywnego systemu wspomagania decyzji, dla procesu wytwarzania elementów maszyn z żeliwa wymagało rozwiązania problemów: identyfikacji źródeł wiedzy, pozyskania wiedzy, integracji wiedzy, wyboru formalnej metody reprezentacji wiedzy.

Opisane w publikacji [1] badania obejmowały omówienie znaczenia wykresów CTPc i CTPi w procesach obróbki cieplnej żeliwa sferoidalnego, szczególnie przy wytwarzaniu żeliwa ADI. Badania własne obejmowały opracowanie wykresów CTP dla czterech rodzajów żeliwa sferoidalnego różniących się głównie zawartością dodatków niklu, miedzi i molibdenu, odpowiednio: 1,55% Ni i 0,73% Cu; 2,26% Ni i 1,44% Cu oraz 1,50% Ni i 0,0,45% Mo. Z wybranych próbek, wykorzystanych do budowy wykresu CTPc-4, omówiono mikrostruktury produktów przemiany przechłodzonego austenitu. Na podstawie analizy otrzymanych wykresów omówiono wpływ Ni, Cu i Mo na temperaturę i czas poszczególnych przemian fazowych żeliwa sferoidalnego podczas chodzenia anizotermicznego i izotermicznego. Uzyskano właściwości żeliwa ADI z dodatkami 1,55% Ni i 0,73% Cu spełniające wymagania dla 4 gatunków wg normy EN- PN 1563. W pracy [2] przedstawiono wyniki badań mikrostruktury dla żeliwa sferoidalnego z dodatkiem Ni, Cu i Mo oraz zaprezentowano wykresy: CTPi - ilustrujący zakres stabilności faz w zależności od czasu wygrzewania izotermicznego w danej temperaturze, wykres CTPc - ilustrujący zakresy stabilności faz podczas chłodzenia ciągłego z ustaloną szybkością. W pracy [3] opisano badania metaloznawcze żeliwa sferoidalnego z dodatkami Ni, Cu i Mo w stanie lanym i po hartowaniu izotermicznym. Obróbkę cieplną wykonano w sześciu różnych wariantach. Badania metaloznawcze obejmowały ocenę jakościową mikrostruktury i pomiary właściwości mechanicznych: R0,2, Rm, A5, Z, HRC, KC.

Wstępne badania pozwoliły zidentyfikować podstawowe źródła wiedzy o procesie oraz określić ich charakter, należą do nich m.in.: normy, wyniki eksperymentów pochodzące zarówno z badań własnych jak i wyniki badań prezentowane w naukowych artykułach branżowych, gdzie wiedza o procesie zapisana jest m.in. w postaci: tabelarycznych zestawień wyników, zdjęć mikrostruktur, wykresów (np. CTPi, CTPc), itd. Istotnym źródłem wiedzy są również bazy charakterystyk materiałowych opisanych w leksykonach lub dedykowanych bazach danych oraz wiedza ekspertów i technologów.

Opracowanie zintegrowanego systemu wspomagania decyzji było zadaniem trudnym ze względu na duże rozproszenie danych a także ich heterogeniczny i niejednorodny charakter. Należało opracować mechanizmy integracji tej wiedzy. W efekcie tych badań powstała

14

koncepcja dekompozycji zidentyfikowanych parametrów na określone atrybuty i zapisanie ich w relacyjnej bazie danych. Schemat dekompozycji atrybutów i akwizycji danych dla bazy wiedzy systemu przedstawiono na Rys. 5

Wynikowa, wewnętrzna baza danych dla systemu powinna umożliwiać przechowywanie wszystkich atrybutów na temat analizowanych materiałów, koniecznych do obecnie implementowanego modelu wnioskowania, lecz również zapewniać rozwój systemu o inne materiały i nowe atrybuty. Rozwiązaniem było tutaj utworzenie wielu tablic przechowujących w bazie danych różne grupy atrybutów, pochodzących z różnych źródeł. I tak, osobne tablice tworzą dane z charakterystyk materiałowych, osobną grupę tablic stanowią dane pochodzące ze zdigitalizowanych obrazów, a jeszcze w innym miejscu przechowywane są wyniki eksperymentów.

RYS. 5 SCHEMAT DEKOMPOZYCJI ATRYBUTÓW I AKWIZYCJI DANYCH DLA BAZY WIEDZY SYSTEMU [4]

Po analizie danych źródłowych i ustaleniu specyfiki integracji i przechowywania danych założono hybrydowy charakter systemu i wykorzystanie trzech sposobów reprezentacji wiedzy w systemie: deklaratywny (tablice decyzyjne pozwalają na zapisanie wiedzy w postaci jednocześnie atrybutowej, jak również warunkowej - logika deskrypcyjna, drzewa decyzyjne), klasyczne modelowanie matematyczne wykorzystane do symulacji procesów ulepszania cieplnego oraz metody niesymboliczne, do których należą sztuczne sieci neuronowe. Sama koncepcja systemu ekspertowego została zaprezentowana w pracy [4] oraz przybliżona na Rys. 6.

15

RYS. 6 SCHEMAT DZIAŁANIA SYSTEMU CAPCAST

W ramach opracowanego systemu CAPCAST - umożliwiającego rekomendację materiałów

z żeliwa sferoidalnego, posiadających określone właściwości lub mogących osiągnąć oczekiwane właściwości po przeprowadzeniu odpowiedniej obróbki cieplnej - można wyróżnić kilka istotnych komponentów, których wykaz został przedstawiony na Rys. 7, stanowiącym fragment interfejsu systemu CAPCAST.

RYS. 7 FRAGMENT INTERFEJSU SYSTEMU CAPCAST PRZEDSTAWIAJĄCY PODSTAWOWE MODUŁY SYSTEMU [5]

Opis podstawowych modułów systemu CAPCAST został dokonany w publikacjach [5-11].

Otwarta baza materiałów zawierająca charakterystyki materiałów (uzupełnioną o informacje dotyczące wybranych gatunków żeliwa sferoidalnego, które jest wyjściowym żeliwem do produkcji żeliwa ADI) oraz Otwarta Baza Producentów (odlewni elementów maszyn z żeliwa), która przechowuje podstawowe charakterystyki producentów elementów maszyn. Projekt bazy danych dedykowany tym modułom zawiera wymagane przez system informacje używane zarówno do celów:

analitycznych jak np. dane o materiałach: nazwa gatunku; skład chemiczny; właściwości: wytrzymałościowe, fizykochemiczne; zastosowanie; oznaczenia wg innych norm; półproduktów, które mogą być z niego wytwarzane; dane o producentach; itd.

operacyjnych (informacje o użytkownikach, działaniach wykonywanych przez nich).

Moduły te zintegrowane są z pozostałą częścią systemu i mogą być wykorzystywane przez inne moduły, np.: pobieranie charakterystyk materiału do modułu symulacyjnego, producenci elementów odlewanych wskazując w formularzu rejestracyjnym swój

16

asortyment mogą powiązać go z materiałami dostępnymi w bazie materiałów. Baza może też być niezależnym źródłem wiedzy o materiałach. Opracowany został interfejs użytkownika (Rys. 8), który pozwala w prosty sposób edytować i wyszukiwać materiały oraz rejestrować się w bazie [5].

a)

b)

RYS. 8 WIDOK INTERFEJSU OPRACOWANYCH BAZ, A) BAZA PRODUCENTÓW, B) BAZA MATERIAŁÓW [5]

Moduł CTP – jeden z modułów systemu, który umożliwia symulację obróbki cieplnej żeliwa

sferoidalnego w oparciu o dane materiałowe. Podejście opiera się na wykorzystaniu wiedzy zawartej w wykresach CTPi do określenia warunków obróbki cieplnej, w efekcie której można uzyskać pożądaną mikrostrukturę żeliwa zapewniającą oczekiwane właściwości materiału. Opracowane narzędzie umożliwia uzupełnienie opracowanej bazy danych systemu CAPCAST o możliwość wprowadzenia, przechowywania oraz przetwarzania wykresów CTPi dla poszczególnych stopów żelaza z węglem. Baza przechowuje je w postaci bitmap oraz w postaci tabelarycznego zestawienia punktów współrzędnych opisujących początek i koniec przemian. Program konsoliduje w jedną całość proces przystosowania danych do obliczeń, tj. digitalizacja empirycznego wykresu CTPi żeliwa oraz analizę matematyczną współczynników równania Jonhsona-Mehla, koniecznych do obliczania zależności ułamka austenitu przemienionego podczas wytrzymania izotermicznego przy założonej temperaturze Tpi, wyrobu wykonanego z żeliwa sferoidalnego austenityzowanego uprzednio przy temperaturze TA [6]. Liczbowa reprezentacja wykresów, pozwoliła na opracowanie mechanizmów ich automatycznego przetwarzania w celu wspomagania doboru parametrów obróbki cieplnej na ich podstawie. Dzięki możliwości wprowadzenia do bazy wiedzy równań regresji, przedstawiających zależności określonych właściwości mechanicznych (np. Rm, A5, HRC) od wybranych parametrów procesu, możemy wzbogacić moduł CTP o cenne narzędzie wspomagające proces projektowania materiału. Do bazy wiedzy systemu wprowadzono modele regresji dla dwóch wybranych składów żeliwa sferoidalnego. Przy ich wykorzystaniu należy pamiętać, że zostały wyznaczone metodą empiryczną i są obciążone błędami pomiarów. Opracowany program stanowi użyteczne narzędzie do przewidywania czasu obróbki cieplnej mającej na celu uzyskanie pożądanej mikrostruktury [7]. Ideowy schemat procesu wnioskowania dla rekomendacji określonych składów chemicznych do wytworzenia materiału o zadanych własnościach przedstawiono na Rys. 9.

17

RYS. 9 IDEOWY SCHEMAT PROCESU WNIOSKOWANIA DLA REKOMENDACJI OKREŚLONYCH SKŁADÓW CHEMICZNYCH DO

WYTWORZENIA MATERIAŁU O ZADANYCH WŁASNOŚCIACH [7]

Moduł Obróbki Cieplnej (modelowanie matematyczne) – jest jednym z komponentów

systemu, którego celem było umożliwienie symulacji przebiegu procesu obróbki cieplnej z wytrzymaniem izotermicznym żeliwa sferoidalnego, przy założonych wartościach parametrów procesu technologicznego. W wersji prototypowej moduł zawierał jedynie model matematyczny obejmujący etap austenityzowania żeliwa o wyjściowej strukturze perlitycznej. Do opisu przemiany wykorzystano rozwiązanie drugiego prawa Ficka metodą różnic skończonych. Opracowany program umożliwia obliczanie szybkości i czasu przemiany przy założonej temperaturze oraz pozwala na wyznaczenie wykresu CTPi dla zadanego zakresu temperatur [8]. Badania te ujawniły wiele interesujących obszarów do realizacji nowych badań, które były kontynuowane i rozwijane w Katedrze Informatyki Stosowanej i Modelowania WIMiIP AGH, w ramach pracy doktorskiej mgr inż. Izabeli Olejarczyk-Wożeńskiej, której to pracy byłam promotorem pomocniczym. W ramach pracy pt. „Modelowanie przemian fazowych zachodzących podczas hartowania izotermicznego żeliwa sferoidalnego”, w oparciu o modele numeryczne i analityczne, opracowano kompleksowy model obróbki cieplnej obejmujący zarówno etap austenityzowania jak i wytrzymania izotermicznego [9]. Niniejsza praca doktorska została obroniona z wyróżnieniem w dniu 17 grudnia 2018 roku na Wydziale Inżynierii Metali i Informatyki Przemysłowej AGH.

Moduł generowania reguł – oprócz reguł zapisanych w postaci atrybutowych tablic decyzyjnych istnieje również możliwość „pół-automatycznego” generowania reguł, oraz eksportowania ich do bazy wiedzy systemu. Moduł ten jest narzędziem mającym za zadanie wspomaganie inżyniera wiedzy podczas uzupełniania bazy wiedzy o nowe reguły. Zdefiniowane w pierwszym etapie, w ramach wcześniejszych modułów, zmienne (parametry materiału, parametry procesu) stanowią podstawowe komponenty reguł zawierających wiedzę o zależnościach występujących pomiędzy poszczególnymi zmiennymi. Użytkownik w module tworzenia reguł wybiera dostępne (wcześniej zdefiniowane) parametry procesu i z ich udziałem tworzy reguły reprezentujące jego wiedzę o zależnościach przyczynowo skutkowych występujących pomiędzy parametrami o określonych wartościach. Opisywany moduł daje możliwość generowania reguł bezpośrednich (które w swojej konkluzji mają parametr bezpośrednio określający wartość jakiejś właściwości) oraz reguł pośrednich wynikających z następujących zależności:

18

Własności = f(mikrostruktura); Mikrostruktura = f(parametry Obróbki Cieplnej); ParametryOC = f(parametry MATERIAŁU). Opracowany dla tego modułu interfejs użytkownika daje możliwość budowania bazy wiedzy w sposób prosty, nie wymagający od inżyniera wiedzy znajomości składni zastosowanego języka programowania [10]. Schemat tworzenia nowej reguły wnioskowania oraz ekran interfejsu przedstawiono na Rys. 10.

a)

b) RYS. 10 MODUŁ GENEROWANIA REGUŁ, A) SCHEMAT TWORZENIA REGUŁY WNIOSKOWANIA B) EKRAN Z INTERFEJSU –

DEFINIOWANIE NOWEJ REGUŁY [10]

Moduł System Ekspertowy CAPCAST, którego ogólny schemat przedstawiono na Rys. 11,

jest to moduł nadrzędny, integrujący dane, informacje, wiedzę i funkcjonalności wszystkich pozostałych modułów systemu: Materiałów, Producentów, Wykresów CTP, Modeli obróbki cieplnej. Zgodnie z Rys. 5, kolejne tablice w opracowanych bazach danych - służą do przechowywania parametrów składowych reguł (przesłanek, konkluzji) a także samych reguł zdefiniowanych przez użytkownika. Przyjęcie atrybutowej konwencji opisu dziedzinowego pozwala na wykorzystanie zapisu danych w postaci tablic decyzyjnych. Mając przygotowane bazy danych obejmujące charakterystyki materiałowe, opis procesów technologicznych i parametry jakości wyrobów, możemy wykorzystać te dane, do ustalenia relacji i zależności pomiędzy poszczególnymi atrybutami. Struktura relacyjnych baz danych, a także możliwe działania teoriomnogościowe (suma, przecięcie i różnica zbiorów, iloczyn kartezjański) pozwalają na tworzenie na ich podstawie tablic decyzyjnych, które także przyjmują postać relacji. Wiersze tablicy decyzyjnej określają reguły decyzyjne, które można wyrazić w postaci wyrażeń : IF … THEN …: X → Y, gdzie X= x1 x2 .. xn jest częścią warunkową reguły, a Y jej częścią decyzyjną. Każda reguła decyzyjna wyznacza decyzje, które mają być podjęte, jeśli warunki podane w tablicy są spełnione. Łatwo zauważyć, że tablica decyzyjna reprezentuje system informacyjny, w którym kolumny odpowiadają atrybutom, a wiersze odpowiadają obiektom. Zastosowanie relacyjnego modelu bazodanowego umożliwiło selektywne tworzenie takich podzbiorów, które są podstawą specyfikacji wiedzy warunkowej potrzebnej do realizacji zadań określonej klasy i zapisania jej w bazie wiedzy w postaci regułowej.

Aby wykorzystać je w procesie wnioskowania, następuje proces eksportowania ich do pliku tekstowego - automatyczne generowanie reguł dla silnika wnioskującego. Jako silnik wnioskujący został wybrany język JESS (The Rule Engine for the Java Platform) środowisko open source do tworzenia systemów ekspertowych mające wbudowane mechanizmy wnioskowania wprzód i wstecz. Uruchomienie kolejnych reguł następuje wtedy, gdy przesłanki tych reguł są prawdziwe i występują w bazie faktów. W wyniku uruchomienia reguły wynikający z niej wniosek jest dodawany do bazy faktów. Wniosek jednej reguły

19

może stanowić przesłankę dla innej – jest to wniosek pośredni. Wniosek, który stanowi odpowiedź na zadane pytanie jest wnioskiem końcowym.

RYS. 11 OGÓLNY SCHEMAT PRZEDSTAWIAJĄCY SYSTEM CAPCAST [10]

Moduł Obróbki Cieplnej (modelowanie z użyciem sieci neuronowych) - przeprowadzona

analiza źródeł wiedzy o procesie wytwarzania materiałów z żeliwa wykazała, że bardzo cennym źródłem wiedzy o procesie są zestawienia wyników badań eksperymentalnych opublikowanych w artykułach branżowych. Publikacje te są najczęściej wynikiem kosztownych eksperymentów i stanowią bezcenne źródło wiedzy dla jej użytkowników jak i dla badaczy a integracja i centralizacja tych wyników, może być podstawą do planowania i wykonania kolejnych eksperymentów, pokrywających obszary dotąd niezbadane. Zintegrowana wiedza o wynikach przeprowadzonych eksperymentów, może również stanowić podstawę do wytworzenia nowej wiedzy, poprzez odkrycie relacji i zależności, które nie są widoczne w poszczególnych, pojedynczych, eksperymentach. W artykule [11] zwrócono uwagę na potrzebę opracowania narzędzia ułatwiającego selektywny dostęp do poszczególnych fragmentów tej wiedzy, pozwalającego na jej automatyczne przetwarzanie. W ramach tych prac wykonano przegląd czasopism i przeprowadzono analizę artykułów dotyczących tego obszaru, pod kątem doboru parametrów wytwarzania żeliwa ADI w celu osiągnięcia określonych własności materiału finalnego. Wybrano artykuły, w których badania eksperymentalne miały na celu zbadanie wpływu wybranych czynników produkcji żeliwa ADI na własności materiału finalnego. Logiczny schemat prezentowania wyników eksperymentów, zaobserwowany w większości przeanalizowanych artykułów, można ująć w postaci implikacji przedstawionej na Rys. 12, w której przesłankami są: skład chemiczny materiału wyjściowego, wymiary elementu obrabianego cieplnie, parametry obróbki cieplnej, a zmiennymi wynikowymi są wartości wybranych własności mechanicznych wytworzonego materiału. Opracowana baza danych zawierała 280 rekordów prezentujących w zintegrowanej formie wyniki tych badań.

20

RYS. 12 LOGICZNY SCHEMAT PREZENTOWANIA WYNIKÓW EKSPERYMENTÓW [11]

W pracy [11] zaprezentowano możliwość wykorzystania zgromadzonych danych do konstrukcji algorytmów i systemów wnioskowania, umożliwiających automatyczne jej przetwarzanie w celu odkrywania nowej wiedzy bez konieczności wykonywania dodatkowych eksperymentów materiałowych. Prace obejmowały realizację metamodeli prognozujących wartości poszczególnych właściwości mechanicznych z pomocą sztucznych sieci neuronowych (ANN). Opracowane modele pozwoliły odkrywać relacje i zależności, które nie są widoczne w poszczególnych pojedynczych badaniach eksperymentach ale można je ujawnić podczas zestawienia wyników dużej liczby badań. Na Rys. 13a przestawiono schemat przykładowej struktury opracowanej sieci, na Rys. 13b przedstawiono wybrany model prezentujący wyniki zależności parametru Rm od temperatury i czasu wytrzymywania izotermicznego opracowany dla materiałów spełniających określone kryteria.

a)

b) RYS. 13 A) SCHEMAT OPRACOWANEJ SIECI, B) MODEL OPRACOWANYCH ZALEŻNOŚCI DLA RM [11]

Potwierdzeniem tego podejścia są wyniki prac przedstawione w artykule [12]. W opracowanych badaniach wzorcowe przypadki uczące stanowią zebrane w jednej bazie danych, wyniki obserwacji i pomiarów zawartości poszczególnych składników mikrostruktury żeliwa wermikularnego (CGI – Compacted Grafite Iron), w zależności od zawartości poszczególnych dodatków stopowych (molibden, nikiel oraz miedź w różnych proporcjach). Poszukując form reprezentacji wiedzy aby zbudować model pozwalający uogólnić wiedzę zawartą w prezentowanych w bazie pojedynczych przypadkach rozważano neuronowo-rozmyte modele. Schemat danych wejściowo/wyjściowych, biorących udział w opracowanym rozwiązaniu, przedstawiono na Rys. 14

21

RYS. 14 WYKAZ ZMIENNYCH W SYSTEMIE PRZEWIDUJĄCYM MIKROSTRUKTURĘ ŻELIWA CGI [12].

Opracowana baza danych została wykorzystana do ustalenia parametrów neuronowo-rozmytego modelu ANFIS (Adaptive Neuro Fuzy Inference System), będącego inteligentnym narzędziem obliczeniowym wspomagającym predykcję. W ramach algorytmu ANFIS, systemy rozmyte (FIS) dostarczają schematu wnioskowania, a więc sposobu konstrukcji reguł logicznych typu IF… THEN…., natomiast algorytm uczenia zaczerpnięty jest z teorii sztucznych sieci neuronowych. Proces uczenia takiego układu FIS (Fuzzy Inference System) odbywa się poprzez ciągłe zmienianie jego parametrów (parametrów funkcji przynależności oraz wyznaczenie nowych konkluzji reguł) na skutek prezentowania mu poszczególnych przypadków wzorcowych z próby uczącej. Przeprowadzone badania wykazały możliwość zastosowania modelu ANFIS do proponowania składu chemicznego żeliwa wermikularnego przy produkcji odlewów o wysokich parametrach wytrzymałościowych. Opracowane modele stanowią formę reprezentacji wiedzy w systemie komputerowym, którego głównym celem jest wyznaczanie udziałów w mikrostrukturze poszczególnych faz w zależności od zawartości poszczególnych dodatków stopowych.

Zrealizowane badania były inspirowane dominującą obecnie w przemyśle koniecznością zapewnienia wymaganego poziomu jakości produktów, rozumianą również jako potrzeba dostarczania odbiorcy produktu o parametrach techniczno-ekonomicznych odpowiadających jak najdokładniej jego zapotrzebowaniu. Zapewnienie jakości oraz wymaganych parametrów technicznych produktu stanowi o konkurencyjności producenta. Przedstawione w badaniach rozwiązania metodologiczne mogą znaleźć praktyczne zastosowanie w zakładach produkcyjnych (w tym odlewniach) w celu podnoszenia jakości i efektywności produkcji. Jest rzeczą oczywistą, że będą potrzebne dalsze działania, które na bazie tych badań stworzą kompletny w pełni funkcjonalny system zorientowany na potrzeby konkretnego przedsiębiorstwa.

Przyjęta metodologia związana z identyfikacją i parametryzacją istotnych dla danego procesu czynników oraz zastosowania wybranych metod reprezentacji wiedzy, dowodzi, że można stworzyć systemy komputerowe wspomagające te procesy w wybranych obszarach. W dalszej części opracowania zostanie omówiony proces formalizacji wiedzy z innego procesu metalurgicznego, tj. wybranego procesu przeróbki plastycznej.

4.3.3.2 Formalizacja zapisów wiedzy z zakresu analizy trwałości narzędzi kuźniczych

Jak już wspomniano inżynieria wiedzy oraz współczesne technologie informatyczne dostarczają metod i narzędzi umożliwiających częściowe zastąpienie kosztownych i czasochłonnych eksperymentów materiałowych eksperymentem wirtualnym a obok metod modelowania numerycznego w przemyśle coraz większą rolę odgrywają systemy ekspertowe,

22

wykorzystujące różne formy reprezentacji wiedzy i różne mechanizmy wnioskowania, które umożliwiają wieloaspektową analizę problemu.

W tym obszarze prace skupiały się na opracowaniu metodyki formalizacji wiedzy dla systemów ekspertowych, pozwalających na prognozowanie trwałości narzędzi kuźniczych, stosowanych w procesach kucia matrycowego. Jako dane źródłowe wykorzystano opracowaną i dostarczoną z innego ośrodka naukowego bazę danych, zawierającą wyniki badań eksperymentalnych oraz modelowania numerycznego, które dotyczyły wpływu określonych parametrów procesu kucia na eksploatację i zużycie narzędzia. Badania prowadzone były w warunkach przemysłowych w wybranych kuźniach w Polsce.

Proces formalizacji wiedzy obejmował analizę dostarczonych wyników badań eksperymentalnych w kontekście doboru formalizmów umożliwiających opracowanie ich komputerowej reprezentacji wiedzy.

W wyniku analizy wyspecyfikowano trzy grupy parametrów, mających istotny wpływ na zużywanie narzędzi, są to:

parametry charakteryzujące narzędzie (matrycę); parametry charakteryzujące materiał wsadowy; parametry procesu kucia. Przyjęte założenia i zadania systemu (prognozowanie trwałości narzędzi kuźniczych,

stosowanych w procesie kucia matrycowego na gorąco, jak również identyfikacja krytycznych punktów i mechanizmów zużycia), doprowadziły do zdefiniowania parametrów przekazujących informacje o zużywaniu narzędzia, są to:

mechanizm zniszczenia (wzięto pod uwagę 4 mechanizmy: zmęczenie cieplno-mechaniczne, zmęczenie mechaniczne, zużycie ścierne oraz odkształcenie plastyczne);

udział mechanizmu w zniszczeniu danego obszaru [%]; ubytek geometryczny, tzw. zużycie [mm]; Z punktu widzenia rozwiązywanego problemu najważniejszymi informacjami o narzędziu są: własności mechaniczne, trybologiczne, cieplne i inne, które są pochodnymi składu

chemicznego oraz przeprowadzonych procesów ulepszania materiału, geometria narzędzia - na Rys. 15 przedstawiono przyjęty przykładowy schemat podziału

przekroju poprzecznego wkładki matrycowej dla drugiej operacji kucia koła czołowego w matrycach otwartych, na gorąco, z podziałem na elementarne obszary opisane symbolami reprezentującymi elementarne kształty (A-F), które można wyróżnić dla każdej matrycy. Zaproponowany podział matryc, według reprezentatywnych podstawowych kształtów, pozwala na prosty podział całej geometrii każdej dowolnej matrycy kuźniczej na elementarne obszary.

RYS. 15 PRZEKRÓJ POPRZECZNY WRAZ ZE SCHEMATYCZNYM PODZIAŁEM NA OBSZARY ORAZ ELEMENTARNE KSZTAŁTY: A) WKŁADKI

MATRYCOWEJ STOSOWANEJ W KUCIU TARCZY KOŁA, B) MATRYCY UŻYWANEJ W KUCIU PRECYZYJNYM OBUDOWY CVJB

Podobnie jak w przypadku narzędzia, materiał wsadowy charakteryzują: własności mechaniczne, trybologiczne, cieplne i inne będące pochodną składu chemicznego

23

i zastosowanej technologii wytwarzania; masa wsadu; geometria wsadu (kształt i wymiary). Wartości parametrów charakteryzujących badane materiały (zarówno wsadu jak i narzędzia) pod względem ich właściwości uzyskano z kart technologicznych i na ich podstawie opracowano bazę danych o charakterze słownikowym zawierającą charakterystyki materiałów.

Zgodnie z przyjętą metodologią wyspecyfikowano najważniejsze parametry procesu kucia, należą do nich m.in.: typ procesu kucia; ilość odkuwek; ilość operacji, a dla każdej operacji również: temperatura wsadu; temperatura narzędzia (matrycy); prędkość narzędzia; siły nacisku; smarowanie; intensywność chłodzenia; itd.

Zbiór zmiennych występujących w systemie stanowią wybrane parametry materiałów i procesów podzielone na dwa podzbiory zmiennych:

wejściowe, są to ilość odkuwek, elementarny kształt, obszar, temperatura, twardość początkowa, warunki trybologiczne, czas kontaktu, nacisk, itd.

wyjściowe, takie jak udział procentowy czterech wcześniej określonych mechanizmów zniszczenia a także ubytek geometryczny narzędzia wyrażony w milimetrach.

W Tabela 1 przedstawiono fragment opracowanego zbioru danych.

TABELA 1 FRAGMENT BAZY DANYCH, ZAWIERAJĄCEJ WYNIKI BADAŃ EKSPERYMENTALNYCH ORAZ MODELOWANIA NUMERYCZNEGO [13]

input data output data

number of

forgings shape area

temp [°C]

hardness [HV]

time [s]

pressure [MPa]

sliding distance

lubrication

1 thermo-

mechanical fatigue

2 abrasive

wear

3 plastic

deformation

4 mechanical

fatigue

wear[mm]

550 A 1 1150 1100 1,068 960 15 yes 1 0 0 0 0 550 D 2 1150 1100 1,068 640 9 yes 1 0 0 0 0 550 A 3 1150 1100 1,068 650 5 yes 0 0 0 0 0 550 D 4 1150 1100 1,068 520 10 yes 0,8 0,2 0 0 0

550 A 5 1150 1100 0,540 528 1 yes 1 0 0 0 0

550 F 6 1150 1100 0,532 528 1 yes 0 0 0 0 0 550 C 7 1150 1100 0,554 560 2 yes 0 0 0 0 0 550 E 8 1150 1100 0,558 500 8 yes 0,6 0,4 0 0 0

550 B 9 1150 1100 0,532 120 5 yes 1 0 0 0 0 1850 A 1 1150 1100 1,068 960 15 yes 0,6 0,2 0,2 0 -0,2

1850 D 2 1150 1100 1,068 640 9 yes 1 0 0 0 -0,04

1850 A 3 1150 1100 1,068 650 5 yes 1 0 0 0 0 1850 D 4 1150 1100 1,068 520 10 yes 1 0 0 0 -0,07 1850 A 5 1150 1100 0,540 528 1 yes 1 0 0 0 0 1850 F 6 1150 1100 0,532 528 1 yes 0 0 0 1 0 1850 C 7 1150 1100 0,554 560 2 yes 1 0,05 0 0 -0,02

1850 E 8 1150 1100 0,558 500 8 yes 0,33 0,33 0,33 0 -0,4

1850 B 9 1150 1100 0,532 120 5 yes 1 0 0 0 -0,04 4300 A 1 1150 1100 1,068 960 15 yes 0,4 0,4 0,2 0 -0,9 4300 D 2 1150 1100 1,068 640 9 yes 0,7 0 0,3 0 -0,05 4300 A 3 1150 1100 1,068 650 5 yes 1 0 0 0 0 4300 D 4 1150 1100 1,068 520 10 yes 0,7 0,1 0,2 0 -0,05

4300 A 5 1150 1100 0,540 528 1 yes 1 0 0 0 0 4300 F 6 1150 1100 0,532 528 1 yes 0 0 0 1 0 4300 C 7 1150 1100 0,554 560 2 yes 0,9 0,1 0 0 -0,03 4300 E 8 1150 1100 0,558 500 8 yes 0,4 0,4 0,2 0 -1,6 4300 B 9 1150 1100 0,532 120 5 yes 1 0 0 0 -0,07 6900 A 1 1150 1100 1,068 960 15 yes 0,4 0,3 0,3 0 -1,9

6900 D 2 1150 1100 1,068 640 9 yes 0,7 0 0,3 0 -0,06

6900 A 3 1150 1100 1,068 650 5 yes 1 0 0 0 0

6900 D 4 1150 1100 1,068 520 10 yes 0,7 0,1 0,2 0 -0,06 6900 A 5 1150 1100 0,540 528 1 yes 1 0 0 0 -0,08 6900 F 6 1150 1100 0,532 528 1 yes 0 0 0 1 0

6900 C 7 1150 1100 0,554 560 2 yes 0,9 0,1 0 0 -0,04 6900 E 8 1150 1100 0,558 500 8 yes 0,4 0,4 0,2 0 -2,1 6900 B 9 1150 1100 0,532 120 5 yes 1 0 0 0 -0,09 9500 A 1 1150 1100 1,068 960 15 yes 0,33 0,33 0,33 0 -2,5

9500 D 2 1150 1100 1,068 640 9 yes 0,5 0,2 0,3 0 -0,3

9500 A 3 1150 1100 1,068 650 5 yes 1 0 0 0 0 9500 D 4 1150 1100 1,068 520 10 yes 0,7 0,1 0,2 0 -0,15

24

9500 A 5 1150 1100 0,540 528 1 yes 1 0 0 0 -0,1

9500 F 6 1150 1100 0,532 528 1 yes 0 0 0 1 0

9500 C 7 1150 1100 0,554 560 2 yes 0,8 0,1 0,1 0 -0,2 9500 E 8 1150 1100 0,558 500 8 yes 0,33 0,33 0,33 0 -2,7 9500 B 9 1150 1100 0,532 120 5 yes 1 0 0 0 -0,12

W pracy [13] zostały opisane reprezentatywne procesy kucia, które były przedmiotem

badań eksploatacyjnych, proces pozyskiwania danych źródłowych oraz proces formalizacji wiedzy dla systemu ekspertowego SEPEK-1. Schemat układu parametrów wejściowo-wyjściowych użytych w systemie zaprezentowano na Rys. 16.

RYS. 16 SCHEMAT DANYCH WEJŚCIE/WYJŚCIE UŻYTYCH W SYSTEMIE [13]

Wiedzę potrzebną do rozwiązania postawionego problemu zakodowano w systemowej bazie wiedzy w postaci regułowej a biorąc pod uwagę niepewność i niepełność danych, formalizmem wybranym do jej reprezentacji była logika rozmyta. Wszystkie zmienne, biorące udział w procesie, zostały zaprezentowane w postaci zbiorów rozmytych. Na Rys. 17 przedstawiono graficzną reprezentacje zbiorów rozmytych dla wybranych zmiennych z systemu, np. dla zmiennej temperatura [oC] (Rys. 17a), określono 6 zbiorów rozmytych o trapezowym kształcie funkcji przynależności. Rys. 17f reprezentuje zmienną wyjściową o nazwie udział mechanizm: zmęczenie cieplno-mechaniczne [%], wartości tej zmiennej określone są przez 8 zbiorów rozmytych wyznaczonych przez trapezowe funkcje przynależności.

a) b) c)

d)

e) f)

RYS. 17 GRAFICZNA REPREZENTACJA ZBIORÓW ROZMYTYCH DLA ZMIENNYCH: A) LICZBA ODKUWEK, B) TEMPERATURA, C)

SMAROWANIE, D)KSZTAŁT, E) NACISK, F) UDZIAŁ MECHANIZMU ZMĘCZENIE CIEPLNO-MECHANICZNE [13]

Zgodnie z zasadami logiki rozmytej zależności między wybranymi parametrami

(zbiorami) opisano przez zbiór reguł rozmytych. Wykorzystano model Mamdani, oparty na skończonym zbiorze R reguł specjalnego formatu: IF x is S and y is M Then z is L, gdzie: x, y, z – zmienne lingwistyczne (parametry procesu), S, M, L – nazwy zbiorów rozmytych. Na Rys. 18

25

przedstawiono fragment bazy wiedzy zawierającej reguły rozmyte dla przyjętych zmiennych systemowych.

RYS. 18 PRZYKŁADOWY ZESTAW REGUŁ ROZMYTYCH [13]

Proces przetwarzania wiedzy, zawartej w bazie wiedzy, z uwzględnieniem faktów pochodzących od użytkownika realizowany jest przez mechanizm wnioskujący systemu (model Mamdani). W procesie wnioskowania, którego schemat przedstawiono na Rys. 19, możemy wyróżnić trzy najważniejsze bloki, tj. rozmywanie, wnioskowanie i wyostrzanie. W bloku rozmywania liczbowe wartości zmiennych wejściowych (x1) zadanych przez użytkownika (temperatura, ilość odkuwek, czas, itd.) zostają zamienione na reprezentujące je wartości stopni przynależności do określonych zbiorów rozmytych A1(x1).

RYS. 19 SCHEMAT WNIOSKOWANIA Z ROZMYTĄ BAZĄ WIEDZY

Te dane są informacją przekazywaną do kolejnego bloku tj. bloku wnioskowania. Na ich podstawie obliczona zostaje wynikowa funkcja przynależności. Odbywa się to poprzez uruchomienie (aktywacja) tych reguł z bazy wiedzy dla których przesłanki są spełnione, wyliczenie zbioru rozmytego będącego wynikiem jej działania (agregacja) oraz kumulacja wyników w obrębie zbioru reguł. Ostatnim etapem jest wyostrzanie. Ma on na celu przekształcenie wynikowego zbioru rozmytego na określoną wartość rzeczywistą wyjścia z modelu. W systemie jest to wyliczenie geometrycznego ubytku materiału oraz procentowego udziału każdego z mechanizmów zużycia dla zadanych wartości parametrów wejścia.

26

RYS. 20 INTERFEJS SYSTEMU SEPEK –EKRAN DEFINIOWANIA FAKTÓW (ZMIENNYCH WEJŚCIOWYCH) [13].

Opracowany system z wykorzystaniem rozmytej reprezentacji wiedzy, którego interfejs

przedstawiono na Rys. 20, działa z dopuszczalnym błędem na poziomie ok. 10%, ale zebrane dane nie pozwalały pokryć w pełni wszystkich analizowanych obszarów. W niektórych przypadkach system generował odpowiedź o braku reguł, na podstawie których mógłby podjąć decyzje, dlatego dalsze prace zostały poświęcone badaniom innych metod formalnych, które na podstawie opracowanych danych eksperymentalnych, pozwolą zbudować model charakteryzujący się mniejszym błędem oraz pokryje wszystkie analizowane obszary.

W pierwszej kolejności zdecydowano się wykorzystać adaptacyjny system wnioskowania neuronowo-rozmytego ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM). Systemy neuro-rozmyte (NFS) są układami łączącymi własności sieci neuronowych oraz systemów rozmytych, które posiadają zdolność do opisu i przetwarzania wiedzy jakościowej: niepełnej i niepewnej. W ramach tego modelu, systemy rozmyte (FIS) dostarczają schematu wnioskowania oraz zapewniają łatwość interpretacji modelu, natomiast określenie optymalnej struktury modelu tj. wyznaczenie odpowiednich zbiorów rozmytych, kształtów funkcji przynależności, oraz reguł rozmytych, realizowane jest metodami uczenia stosowanymi w sieciach neuronowych (ANN), na podstawie dostarczonych danych uczących. Metody te mają zdolność adaptacji do struktury prezentowanych danych i pozwolą dobrać takie parametry modelu aby minimalizować błąd wnioskowania. Badania te zostały opisane w pracy [14] i potwierdzają dużą zgodność uzyskanych wyników na podstawie zaproponowanego neuronowo-rozmytego systemu wnioskowania z praktyką technologiczną a opracowany model, daje odpowiedź dla wszystkich analizowanych obszarów. Przeprowadzone testy zrealizowane zostały jednak tylko dla jednej zmiennej wyjściowej, tj. zużycie traktowanej jako ubytek/naddatek geometryczny [mm]. Prezentacje wyników w postaci pod-modeli 3D, uwzględniających wpływ wybranych zmiennych wejściowych na zużycie materiału przedstawiono na Rys. 21

27

a) b) c)

d) e) f)

g) h) i) RYS. 21 PREZENTACJE WYNIKÓW W POSTACI POD-MODELI 3D, UWZGLĘDNIAJĄCYCH WPŁYW WYBRANYCH ZMIENNYCH

WEJŚCIOWYCH NA ZUŻYCIE MATERIAŁU [14]

Na podstawie uzyskanych wyników można zauważyć (Rys. 21a), że wraz ze wzrostem liczby odkuwek i jednoczesnym wzrostem temperatury materiału wsadowego, ubytek materiału narzędzia zwiększa się, przy czym wzrost temperatury znacznie bardziej intensyfikuje zużycie. Jest to spowodowane zmęczeniem cieplnym oraz miejscowym odpuszczeniem się materiału narzędziowego, co sprzyja odrywaniu się większych cząstek materiału, wskutek płynięcia odkształcanego materiału odkuwki. W przypadku Rys. 21b można stwierdzić, że wraz ze wzrostem liczby odkuwek zwiększa się ubytek materiału narzędzia. Nieco większy ubytek materiału, dla dużej liczby odkuwek i dla wzrastającej twardości można tłumaczyć tym, że przy tak dużych ilościach wykutych elementów, zaczynają odrywać się twarde cząstki warstw azotowanych, co przyśpiesza zużycie. Dla dużej liczby odkuwek i małej wartości odkształcenia plastycznego materiału narzędziowego (Rys. 21c) widoczne jest duże zużycie, natomiast wraz ze wzrostem odkształceń plastycznych ubytek materiału zmniejsza się. Odkształcenie plastyczne powoduje głównie zmiany geometrii narzędzia, ale nie powoduje ubytku materiału. A taki stan, może być efektem tego, że zaczynają dominować inne mechanizmy niszczące. Analogiczną sytuację można zaobserwować na Rys. 21f, gdzie wraz ze wzrostem temperatury, lecz przy małym udziale odkształceń plastycznych (powodujących zmiany kształtu nie objawiające się ubytkiem), wzrasta ubytek materiału, który jest efektem występowania np. zmęczenia cieplno-mechanicznego intensyfikującego zużycie ścierne.

Uzyskane z modelu wyniki (Rys. 21d) wskazują, że wraz ze wzrostem liczby odkuwek oraz drogi tarcia, wskutek intensywnego płynięcia materiału odkuwki dochodzi do dużej wartości ubytku materiału. Zwłaszcza, gdy liczba odkuwek jest na poziomie 25000 sztuk, przy dużej drodze tarcia, taki ubytek materiału sięga nawet 8mm. Podobną tendencję można zaobserwować, na Rys. 21g, gdzie wzrost drogi tarcia ze wzrostem temperatury powoduje przyspieszone zużycie. Taką sytuację można niekiedy zaobserwować w przemysłowych

28

procesach kucia. Przykładowo, kiedy narzędzie jest w końcowym stadium eksploatacji, a dodatkowo niektóre jego obszary kształtujące odkuwkę, w miejscach, w których przewidywano dziurowanie, były już maksymalnie wyeksploatowane.

Przedstawione na Rys. 21e wyniki potwierdzają zależność obserwowano w przypadku warunków przemysłowych, gdzie wzrost temperatury materiału wsadowego powoduje, spadek trwałości, wskutek odpuszczania najbardziej nagrzewających się powierzchni narzędzia, a to z kolei sprzyja zwiększeniu zużycia. Dłuższy czas kontaktu oraz odkształcenia gorącego materiału także powoduje zwiększenie zużycia narzędzia (Rys. 21h).

Analizując wyniki na Rys. 21i, wraz ze wzrostem nacisków na narzędziu, przy małej drodze tarcia, dochodzi do zwiększania się materiału, czego nie obserwowano w przypadku przemysłowych procesów kucia. Natomiast, przy zwiększającej się drodze tarcia i wysokich naciskach następuje duży ubytek materiału, co potwierdzają wyniki analiz dla warunków przemysłowych. Należy wziąć pod uwagę, że opracowana baza danych (składająca się z 450 rekordów wiedzy), nie posiadała dla przypadku Rys. 21i wystarczającej liczby rekordów (zwłaszcza dla niższych nacisków), co spowodowało, że zaproponowany model algorytmu ANFIS podaje wyniki niezgodne z rzeczywistością.

Uzyskane wyniki globalnej analizy adaptacyjnego systemu wnioskowania (ANFIS), w kontekście prognozowania trwałości narzędzi kuźniczych z punktu widzenia eksperta w dziedzinie przedmiotu, wskazują na ogólną poprawność i zasadność przyjętego modelu (rozwiązania). Można przypuszczać, że w przypadku rozbudowywania bazy wiedzy o kolejne rekordy poprawność uzyskanych wyników powinna być jeszcze większa.

Jak już wspomniano część wyników zwracanych przez opracowany model były nieco zastanawiające, w przypadku wysokich wartości nacisków i przy małej drodze tarcia uzyskano przyrost materiału narzędzia, a nie jak to ma miejsce w przemysłowych procesach kucia ubytek materiału. Zgodnie z modelem zużycia ściernego wg Archarda, ubytek jest proporcjonalny m.in. do nacisku. Niemniej dla zwiększającej się drogi tarcia wyniki są już zgodne z rzeczywistością. Wartość błędu z jakim pracuje model jest nieco większa od wartości błędu dla pierwszej wersji systemu opisanego w [13]. Dalsze badania polegały na poszukiwaniu metod formalnych pozwalających na stworzenie systemu analizy trwałości narzędzi kuźniczych, działającego z mniejszym błędem.

W kolejnych badaniach [15], jako narzędzie formalne, przyjęto sztuczne sieci neuronowe, które wykorzystywane są jako zaawansowane narzędzia analityczne, przydatne głównie w przypadku, gdy zachodzi konieczność modelowania zjawisk o silnie nieliniowym charakterze, wielowymiarowych zależności funkcyjnych, tak jak to ma miejsce w analizowanych procesach. Zestaw danych uczących obejmował zbiór 450 rekordów wiedzy. Przetestowano kilkadziesiąt architektur o różnej liczbie neuronów ukrytych i o różnych funkcjach aktywacji w warstwie ukrytej i wyjściowej (liniową, sigmoidalną (logistyczną), tangesoidalną i wykładniczą). Spośród wszystkich wygenerowanych sieci, ostatecznie wybrano sieć, która charakteryzowała się najmniejszym błędem walidacji, który jest na poziomie 12%. Dodatkowym miernikiem jakości modelu, był współczynnik liniowej korelacji Pearsona (R), obliczany w poszczególnych typach zbiorów (uczącym, walidacyjnym i testowym), dla odpowiedzi sieci i wartości zadanych. Współczynnik korelacji dla próby uczącej osiągnął wartość 0,937, dla próby walidacyjnej 0,828, testowej 0,842. Schemat opracowanej sieci MLP 19-25-5 przedstawiono na Rys. 22. W artykule [15] opisano parametry tej sieci oraz dokonano analizy wyników jakie zwraca system działający w oparciu o zaprojektowaną sieć.

29

RYS. 22 SCHEMAT OPRACOWANEJ SIECI MLP 19-25-5 [15]

Wyniki analizy wrażliwości opracowanej sieci MLP 19-25-5 przedstawiono w artykule [16]. Poprzez eliminację z danych wejściowych poszczególnych zmiennych i analizę uzyskanego błędu sieci wykazywane są zmienne najbardziej istotne. W przypadku odrzucenia pewnej ilości danych należy spodziewać się zwiększenia błędu sieci, dlatego podstawową miarą wrażliwości sieci jest iloraz błędu 푊 uzyskanego przy uruchomieniu sieci dla zbioru danych bez jednej zmiennej 퐸푟푟표푟 i błędu uzyskanego z kompletem zmiennych 퐸푟푟표푟 (1)

푊 =퐸푟푟표푟퐸푟푟표푟

(1)

Wyniki analizy wrażliwości dla opracowanej sieci zestawiono w Tabela 2. Można zauważyć, że wszystkie 9 zmiennych objaśniających (wejściowych) mają istotny wpływ na wynik wnioskowania. Zmiennymi najbardziej różnicującymi, dla których iloraz błędów (푊) jest większy od 5, są kolejno: azotowanie, kształt, smarowanie, droga tarcia.

TABELA 2 GLOBALNA ANALIZA WRAŻLIWOŚCI DLA SIECI MLP19-25-5 [16]. Range INPUT W

1 azotowanie 15,98 2 kształt 8,07 3 smarowanie 5,68 4 droga tarcia 5,57 5 liczba odkuwek 2,90 6 czas deformacji 2,63 7 nacisk 2,32 8 czas całkowity 1,98 9 temperatura 1,39

Uzyskane wyniki globalnej analizy wrażliwości dla sieci MLP19-25-5, w kontekście

prognozowania trwałości narzędzi kuźniczych z punktu widzenia eksperta w dziedzinie przedmiotu, wskazują na ogólną poprawność i zasadność przyjętego modelu (rozwiązania). Bowiem w przypadku największej wrażliwości dla zmiennej wejściowej azotowanie (związanej z twardością) jest ona głównym czynnikiem decydującym o odporności narzędzia na mechanizmy niszczące. Stosując (powszechnie) obróbkę cieplno-chemiczną w postaci azotowania, wykrój narzędzi kuźniczych jest powierzchniowo (do 0,3mm) utwardzany z 550HV (narzędzia nieazotowane) do 1100HV. Potwierdzają to także liczne badania i obserwacje, na

30

podstawie których trwałość narzędzi po azotowaniu jest znacznie większa niż bez tej obróbki. Natomiast w kontekście samej trwałości większa twardość narzędzia może spowodować zwiększenie możliwości występowania zmęczenia mechanicznego. W przypadku drugiej, co wartości wrażliwości zmiennej (kształt), uzyskane wyniki są zgodne z ogólnie przyjętą wiedzą i doświadczeniem kowali i technologów. Kształt wykroju matrycy kuźniczej w dużej mierze determinuje newralgiczne obszary, w których z dużym prawdopodobieństwem może wystąpić dany mechanizm niszczący. Istotną rolę odgrywają także warunki tribologiczne, czyli trzecia w kolejności zmienna wejściowa. Bowiem dla narzędzi smarowanych i chłodzonych występują zgoła odmienne mechanizmy niszczące w porównaniu do narzędzi bez smarowania i chłodzenia. Uzyskane wyniki globalnej analizy wrażliwości dla sieci MLP19-25-5, w kontekście prognozowania trwałości narzędzi kuźniczych z punktu widzenia eksperta w dziedzinie przedmiotu, wskazują na ogólną poprawność i zasadność przyjętego modelu (rozwiązania).

Zaprezentowane w pracach [15, 16] wyniki potwierdzają wyraźnie aplikacyjny charakter opracowanych rozwiązań. Jakkolwiek nie udało się osiągnąć błędu obliczeń poniżej 10% to biorąc pod uwagę duże różnice obserwowane w zużyciu poszczególnych narzędzi oraz to, że wyznaczenie mechanizmu decydującego o zużyciu nie zawsze może być określone jednoznacznie, nawet przez doświadczonego eksperta, można przyjąć, że opracowany system daje wyniki z dopuszczalnym błędem. Na podstawie przedstawionych analiz, dotyczących rzeczywistego występowania procentowego udziału typowych mechanizmów destrukcyjnych, mogą zostać użyte odpowiednie metody lub środki zapobiegawcze, które pozwolą na wydłużenie czasu eksploatacji narzędzi kuźniczych. Odbiorcami tego typu systemów wspomagania decyzji są, tak jak wykazały wstępne badania przede wszystkim technolodzy i konstruktorzy pracujący w kuźniach matrycowych.

Jak wykazały badania [16] związane z analizą wrażliwości największy wpływ na wynik wnioskowania miała informacja o tym czy na narzędzie naniesiona była warstwa ochronna. Kontynuacją badań było zatem opracowanie systemu do analizy i prognozowania trwałości narzędzi stosowanych w przemysłowych procesach kucia matrycowego na gorąco, po różnych wariantach obróbki powierzchniowej narzędzi stosowanych w celu zwiększenia ich trwałości.

Przedstawiony w pracy [17] system został opracowany w oparciu o dostarczoną obszerną, zbiorczą bazę danych zawierających wyniki badań eksploatacyjnych przeprowadzonych dla narzędzi – stempli stosowanych w II operacji w procesie kucia odkuwki typu pokrywa. Na wytypowane narzędzia, w celu zwiększenia ich trwałości, zastosowano różne warianty obróbki powierzchniowej. Były to warstwy hybrydowe (typu warstwa azotowana gazowo GN + powłoka PVD): GN/AlCrTiN, GN/AlCrTiSiN, GN/CrN, które skonfrontowano ze standardowo stosowanymi narzędziami: jedynie po azotowaniu gazowym oraz po napawaniu regeneracyjnym.

Zbiór danych źródłowych zawierał ok. 750 przypadków pochodzących z prowadzonych badań eksperymentalnych i symulacji komputerowych. Fragment tej bazy przedstawiono w Tabela 3

31

TABELA 3 FRAGMENT OPRACOWANEJ BAZY DANYCH [17]

Do reprezentacji wiedzy w systemie zostały wykorzystane sztuczne sieci neuronowe.

Zmiennymi wejściowymi (objaśniającymi) były: liczba wykonanych odkuwek, naciski, temperatura na wybranych powierzchniach narzędzia, droga tarcia oraz rodzaj zastosowanej warstwy ochronnej narzędzia. Natomiast zmiennymi wyjściowymi (objaśnianymi) były: ubytek geometryczny materiału narzędzia oraz procentowy udział czterech głównych mechanizmów niszczących.

Wstępne analizy i obliczenia wykazały, że najlepsze parametry jakości sieci zostaną uzyskane dla opracowania pięciu osobnych sieci neuronowych, dla każdej z analizowanych warstw wierzchnich. Ogólny schemat sieci został przedstawiony na Rys. 23

RYS. 23 OGÓLNY SCHEMAT ZESPOŁU SIECI OKREŚLAJĄCYCH ZUŻYCIE DLA NARZĘDZI Z NANIESIONYMI WARSTWAMI WIERZCHNIMI.

Do wyznaczenia procentowego udziału w zniszczeniu matrycy czterech podstawowych

mechanizmów opracowano kolejny zespół sieci neuronowych, należą do niego sieci: ANN-2, ANN-3, ANN-4, ANN-5. Na Rys. 24 przedstawiono ogólny schemat opracowanych sieci. Należy zauważyć, że zmienna ‘rodzaj warstwy” jest tutaj traktowana jako jedna ze zmiennych wejściowych. Sieci te charakteryzują się więc pięcioma neuronami w warstwie wejściowej, różną liczbą neuronów w warstwie ukrytej oraz jednym neuronem w warstwie wyjściowej. Neuron wyjściowy przypisany jest w każdej sieci do określonego mechanizmu zniszczenia.

32

RYS. 24 OGÓLNY SCHEMAT KOMPLETU SIECI NEURONOWYCH DLA WYZNACZENIA MECHANIZMÓW ZUŻYCIA.

Uzyskane wyniki pokazują, że dokonując parametryzacji istotnych czynników dla procesu

kucia można stworzyć system oceny procentowego udziału typowych mechanizmów zniszczenia (zmęczenie cieplno-mechaniczne, zużycie mechaniczne, zużycie ścierne i odkształcenie plastyczne) i obliczania wartości geometrycznego ubytku narzędzi. Przedstawione wyniki, które uzyskano na podstawie opracowanych sieci neuronowych (ANN-1-1, ANN-1-2 ANN-1-3 ANN-1-4 ANN-1-5) dotyczą wielkości ubytku geometrycznego narzędzia (Z), tzw. zużycia, dla każdej z analizowanych powłok (warstwa azotowana, warstwa napawana, warstwa hybrydowa GN/CrN, warstwa hybrydowa GN/ AlCrTiN, warstwa hybrydowa GN/AlCrTiSiN) i wskazują na ich dobrą zgodność z rzeczywistością. Najlepsze rezultaty uzyskano dla sieci neuronowych dla narzędzi z warstwą hybrydową (azotowanie + CrN) oraz dla narzędzi po napawaniu, co może wskazywać, że te warianty powierzchniowej obróbki cieplno-chemicznej zapewniają najlepszą ochronę narzędzi. Na rysunku

Rys. 25 przedstawiono metodykę tych badań.

RYS. 25 GRAFICZNA REPREZENTACJA METODYKI PRZEPROWADZONYCH BADAŃ

33

Przedstawione badania wskazują na zasadność wykorzystania narzędzi informatycznych

opartych o sztuczne sieci neuronowe do budowy systemów wspomagania decyzji w celu analizy i prognozowania trwałości narzędzi kuźniczych. Dodatkowo opracowany interfejs użytkownika pozwala na łatwiejszą komunikację z systemem oraz prowadzenie dowolnych analiz ubytku materiału i udziału mechanizmów niszczących w zakresie danych wejściowych. Taki system, którego interfejs przedstawiono na Rys. 26, jest nie tylko źródłem cennej wiedzy naukowej, lecz może być także praktycznym narzędziem dla inżynierów procesu i technologów pracujących w przemyśle kuźniczym.

RYS. 26 PODSTAWOWE OKNO INTERFEJSU UŻYTKOWNIKA SYSTEMU

Wyniki symulacji zużycia narzędzi z rożnymi warstwami wierzchnimi, zrealizowane

z wykorzystaniem opracowanych sieci neuronowych, zostały opisane w artykule [18] oraz zaprezentowane na Rys. 27 - Rys. 34.

a)

b) RYS. 27 WYZNACZENIE ZUŻYCIA (UBYTKU GEOMETRYCZNEGO) DLA WARSTWY AZOTOWANEJ, A) T=500, DROGA TARCIA=1, B)

T=500, DROGA TARCIA=10.

W przypadku zastosowania na narzędziach warstwy azotowanej (Rys. 27) można

zaobserwować, że dla małej drogi tarcia (Rys. 27a) nie widać wpływu wielkości nacisku, co może wskazywać na fakt, że dla tych obszarów w procesie kucia dominuje inny niż zużycie ścierne mechanizm niszczący, prawdopodobnie jest to zmęczenie cieplne lub cieplno-mechniczne. Natomiast dla większej drogi tarcia na poziomie 10mm (Rys. 27b) widać, że wielkość nacisku wpływa proporcjonalnie na wielkość ubytku materiału. Świadczy to, o tym, że w tych obszarach dominowało zużycie ścierne, co jest zgodne z modelem Archarda. W obu przypadkach, tzn. dla

0,00

0,40

0,80

1,20

1,60

2,00

0 4000 8000 12000 16000Loss

of m

ater

ial [

mm

]

number of forgings

500 [MPa]600 [MPa]700 [MPa]1000 [MPa]

0,00

0,40

0,80

1,20

1,60

2,00

0 4000 8000 12000 16000

Loss

of m

ater

ial [

mm

]

number of forgings

500 [MPa]600 [MPa]700 [MPa]1000 [MPa]

34

małej i dużej drogi tarcia krzywe ubytku materiału rosną logarytmicznie. Natomiast największe wartości ubytku zaobserwowano dla drogi tarcia na poziomie 10mm i nacisku 1000 MPa, gdzie ubytek materiału sięga ponad 2mm.

a)

b) RYS. 28 WYZNACZENIE ZUŻYCIA (UBYTKU GEOMETRYCZNEGO) DLA WARSTWY NAPAWANEJ A) T=500, DROGA TARCIA=1, B)

T=500, DROGA TARCIA=10.

Dla narzędzi po napawaniu (Rys. 28), zarówno dla drogi tarcia 1mm (Rys. 28a), jak i 10mm (Rys. 28b) wpływ wielkości nacisku jest nieznaczny. Dla wszystkich wartości nacisków (od 500 do 1000 MPa) i drogi tarcia dla uzyskanej maksymalnej liczby odkuwek równej 7000, maksymalny ubytek jest na poziomie nieco ponad 1,4mm. Natomiast analogicznie, dla drogi tarcia 10mm maksymalny ubytek jest na poziomie około 1,6mm. Dla narzędzi po napawaniu w badaniach makro i mikro-strukturalnych ten wariant inżynierii powierzchni charakteryzował się stabilnymi właściwościami, ponieważ warstwa napawana jest znacznie większa (głębsza) w porównaniu do innych zastosowanych obróbek powierzchniowych.

a)

b) RYS. 29 WYZNACZENIE ZUŻYCIA (UBYTKU GEOMETRYCZNEGO) DLA WARSTWY GN/CRN, A A) T=500, DROGA TARCIA=1, B)

T=500, DROGA TARCIA=10.

W przypadku narzędzi dla warstwy GN+CrN dla małej drogi tarcia (Rys. 29a), poza największą wartością nacisku wynoszącą 1000MPa, nie zaobserwowano istotnego wpływu nacisku. Świadczy to o tym, iż w przypadku braku ruchu odkształcanego materiału warstwa CrN pełni rolę dobrego izolatora przed zmęczeniem cieplnym, co w przypadku małej drogi tarcia zostało potwierdzone. Natomiast w przypadku większej drogi tarcia na poziomie 10mm widać, że od około 9000 odkuwek zaczyna się dość gwałtowny wzrost ubytku materiału (Rys. 29b). Dodatkowo dla nacisku 1000 MPa ten wzrost zaczyna się nieco wcześniej niż dla pozostałych wartości nacisków.

0,000,200,400,600,801,001,201,401,60

0 2000 4000 6000 8000Loss

of m

ater

ial [

mm

]

number of forgings

500 [MPa]600 [MPa]700[ MPa]1000 [MPa]

0,000,200,400,600,801,001,201,401,60

0 2000 4000 6000 8000Loss

of m

ater

ial [

mm

]

number of forgings

500 [MPa]600 [MPa]700 [MPa]1000 [MPa]

0,00

0,05

0,10

0,15

0,20

0 4000 8000 12000 16000

Loss

of m

ater

ial [

mm

]

number of forgings

500 [MPa]600 [MPa]700 [MPa]1000 [MPa]

0,000,200,400,600,801,001,201,401,60

0 4000 8000 12000 16000

Loss

of m

ater

ial [

mm

]

number of forgings

500 [MPa]600 [MPa]700 [MPa]1000 [MPa]

35

a)

b)

RYS. 30 WYZNACZENIE ZUŻYCIA (UBYTKU GEOMETRYCZNEGO) DLA WARSTWY GN/ALCRTIN, A) A) T=500, DROGA TARCIA=1, B) T=500, DROGA TARCIA=10.

Dla ostatniej warstwy, z zastosowanych wariantów warstwy hybrydowej, uzyskane wyniki wskazują na zależność od wielkości nacisku. Przy czym ta zależność jest bardziej widoczna dla małej drogi tarcia (Rys. 30a) niż dla dużej p=10mm (Rys. 30b). Natomiast wartości maksymalnych ubytków dla małej drogi tarcia wynoszą około 0,25mm, podczas gdy dla drogi tarcia 10mm maksymalny ubytek sięga ponad 1,2mm. Ponadto dla małej drogi tarcia ubytek materiału wzrasta szybciej pojawia się przy mniejszej liczbie odkuwek (około 3000) niż dla większej drogi tarcia (Rys. 30b), gdzie ubytek materiału zaczyna wzrastać od około 4000 odkuwek. Uzyskane wyniki wskazują, na dużą zależność sieci (systemu) od wprowadzonych danych uczących, jednakże uzyskane wyniki są prawidłowe i znajdują pokrycie w wynikach uzyskanych z przemysłowego procesu.

a)

b) RYS. 31 WYZNACZENIE ZUŻYCIA (UBYTKU GEOMETRYCZNEGO) DLA WARSTWY AZOTOWANEJ, A) T=500, NACISK=500[MPA] ,

B) T=500, NACISK=700[MPA]

W przypadku zastosowania na narzędziach warstwy azotowanej (Rys. 31) można

zaobserwować, że wraz ze wzrostem wartości drogi tarcia (od 5 do 20mm) ubytek materiału, bez względu na wartość nacisku, rośnie prawie proporcjonalnie do około 12 tys. odkuwek. Natomiast powyżej tej liczby im mniejsza droga tarcia, tym szybciej ubytek zaczyna wzrastać wykładniczo. Najbardziej zauważaną zmianą jest dynamiczny wzrost ubytku dla nacisku 500 MPa i drogi tarcia p=5mm (Rys. 31a). Ponadto przy mniejszych wartościach nacisków (N=500 MPa) maksymalny ubytek materiału dla największej drogi tarcia p=20mm osiąga wartość 1,6mm. Podczas, gdy dla nacisku (N=700 MPa - Rys. 31b) dla największej drogi tarcia p=20mm wartości ubytku jest ponad 2,5mm.

0,00

0,20

0,40

0,60

0,80

0 2000 4000 6000 8000

Loss

of m

ater

ial [

mm

]

number of forgings

500 [Mpa]600 [Mpa]700 [Mpa]1000[Mpa]

0,00

0,20

0,40

0,60

0,80

0 2000 4000 6000 8000

Loss

of m

ater

ial [

mm

]

number of forgings

500 [MPa]600 [MPa]700 [MPa]1000 [MPa]

0,00

0,50

1,00

1,50

2,00

2,50

3,00

0 5000 10000 15000

Loss

of m

ater

ial [

mm

]

number of forgings

path of friction =5path of friction =10path of friction =15path of friction =20

0,00

0,50

1,00

1,50

2,00

2,50

3,00

0 5000 10000 15000

Loss

of m

ater

ial [

mm

]

number of forgings

path of friction =5path of friction =10path of friction =15path of friction =20

36

a)

b)

RYS. 32 WYZNACZENIE ZUŻYCIA (UBYTKU GEOMETRYCZNEGO) DLA WARSTWY NAPAWANEJ, A) T=500, NACISK=500[MPA] , B)

T=500, NACISK=700[MPA]

W przypadku wyników dla narzędzia z warstwą po napawaniu (Rys. 32) nie widać istotnych zmian w przebiegach krzywych ubytku w funkcji liczby odkuwek, nawet dla różnych wartości nacisków. Można zaobserwować jedynie, że dla większej wartości nacisku (N=700MPa) uzyskane przebiegi ubytku dla większej liczby odkuwek są nieznacznie większe niż w przypadku mniejszej wartości nacisku (N=500 MPa).

a)

b) RYS. 33 WYZNACZENIE ZUŻYCIA (UBYTKU GEOMETRYCZNEGO) DLA WARSTWY GN/CRN A) T=500, NACISK=500[MPA] , B)

T=500, NACISK=700[MPA]

Także w przypadku zastosowania warstwy GN+CrN można zaobserwować podobną tendencję, jak dla warstwy po napawaniu, tzn. nie widać wyraźnej różnicy w wartościach ubytku w zależności od wielkości zmiennego nacisku. Na uwagę zasługuje jedynie zdecydowanie większy wpływ większej drogi tarcia (15 i 20mm) dla obu nacisków, gdzie zwłaszcza w przypadku największej drogi tarcia p=20mm ubytek materiału pojawia się już przy b. małej liczbie odkuwek, a przy maksymalnej liczbie, wynoszącej dla tej warstwy 12000 sztuk, ubytek materiału dla obu wartości nacisków jest na poziomie 4mm (Rys. 33a i Rys. 33b).

a)

b)

0,00

0,50

1,00

1,50

2,00

0 5000 10000

Loss

of m

ater

ial [

mm

]

number of forgings

path of friction =5

path of friction =10

path of friction =15

path of friction =20

0,00

0,50

1,00

1,50

2,00

0 2000 4000 6000 8000 10000

Loss

of m

ater

ial [

mm

]

number of forgings

path of friction =5

path of friction =10

path of friction =15

path of friction =20

0,00

1,00

2,00

3,00

4,00

5,00

0 5000 10000 15000

Loss

of m

ater

ial [

mm

]

number of forgings

path of friction =5path of friction =10path of friction =15path of friction =20

0,00

1,00

2,00

3,00

4,00

5,00

0 5000 10000 15000

Loss

of m

ater

ial [

mm

]

number of forgings

path of friction =5path of friction =10path of friction =15path of friction =20

0,00

0,50

1,00

1,50

2,00

0 5000 10000

Loss

of m

ater

ial [

mm

]

number of forgings

path of friction =5

path of friction =10

path of friction =15

path of friction =20

0,00

0,50

1,00

1,50

2,00

0 5000 10000

Loss

of m

ater

ial [

mm

]

number of forgings

path of friction =5

path of friction =10

path of friction =15

path of friction =20

37

RYS. 34 WYZNACZENIE ZUŻYCIA (UBYTKU GEOMETRYCZNEGO) DLA WARSTWY GN/ALCRTIN, A) T=500, NACISK=500[MPA] , B) T=500, NACISK=700[MPA]

Natomiast dla ostatniej z analizowanych warstw (Rys. 34) można zauważyć wyraźny wpływ drogi tarcia na ubytek, dla obu wartości nacisków (N=500 MPa oraz N=700 MPa). Natomiast, analizując wpływ wielkości nacisku widać, że zwłaszcza dla dróg tarcia 12 i 20mm dla nacisku N=500 MPa (Rys. 34a) ubytek jest na poziomie niespełna 1,5mm, natomiast dla nacisku N=700 MPa (Rys. 34b) ubytek wzrasta nawet do 1,7mm. Wyraźny wpływ drogi tarcia na ubytek materiału można tłumaczyć niedostateczną odpornością tej warstwy na zużycie ścierne w podwyższonych temperaturach, co też obserwowano w badaniach eksploatacyjnych w warunkach przemysłowych. Przewidywanie w jakim stopniu dane narzędzie zostanie zużyte oraz jakie mechanizmy za to odpowiadają, przy założonych parametrach jego pracy, jest procesem bardzo złożonym i trudnym do zaprojektowania. Narzędzia kuźnicze (głównie stemple, matryce i wkładki matrycowe), zaprojektowane przez konstruktorów i technologów stosowane w procesach kucia, zużywają się zwykle dużo wcześniej, niż to zostało zaplanowane. Trwałość narzędzi zależy od wielu, często wzajemnie od siebie zależnych czynników, do najważniejszych których zaliczyć można: rodzaj i warunki technologii kucia, parametry narzędzi: kształt, konstrukcja i wykonanie, rodzaju obróbki cieplnej, cieplno-chemicznej, a także kształtu wstępniaka i przedkuwki, itp.

Opracowany system wspomagania decyzji z wykorzystaniem wybranych metod sztucznej inteligencji, jest doskonałym narzędziem, które z powodzeniem może wspierać prace inżyniera procesu oraz technologa w doborze optymalnych warunków pracy narzędzi kuźniczych. Dlatego w pełni uzasadnione jest i wskazane, aby rozwijać tego typu informatyczne systemy wspomagania decyzji, które pozwalają na analizę i prognozowanie trwałości narzędzi kuźniczych, w celu zwiększenia jego żywotności.

Zaprezentowane w pracy [18] wyniki posiadają wyraźnie aplikacyjny charakter, ponieważ w oparciu o przedstawione analizy mogą zostać użyte odpowiednie metody lub środki zapobiegawcze, które pozwolą na wydłużenie czasu eksploatacji narzędzi kuźniczych.

4.3.4 OSIĄGNIĘTE REZULTATY

Badania prowadzone w ramach osiągnięcia naukowego oraz przedstawiony w załączniku 3 dorobek naukowy Wnioskodawcy skupiają się na procesach formalizacji wiedzy metalurgicznej w celu utworzenia jej komputerowej reprezentacji. Do głównych osiągnięć naukowych Wnioskodawcy zaliczyć można opracowanie metodyki formalizacji wiedzy, która z powodzeniem została wykorzystana do opracowania komputerowych bazach wiedzy wykorzystanych w systemach ekspertowych:

[1] Hybrydowy system ekspertowy CAPCAST

a. Wspomagający decyzje projektowe w zakresie doboru parametrów technologicznych wytwarzania elementów maszyn z żeliwa sferoidalnego w celu wytworzenia żeliwa ADI

b. System hybrydowy. Wykorzystano deklaratywny sposób reprezentacji wiedzy (logika deskrypcyjna, drzewa decyzyjne) oraz klasyczne modelowanie matematyczne.

38

[2] Baza wiedzy i system ekspertowy SEPEK-1 a. System ma na celu prognozowanie trwałości narzędzi kuźniczych

stosowanych w wybranym procesie kucia matrycowego na gorąco. Prognozuje wielkość geometrycznego ubytku narzędzia kuźniczego (matrycy) dla przyjętych parametrów procesu. Wskazuje również odpowiedzialny za zużycie dominujący mechanizm niszczący.

b. Wykorzystano logikę rozmytą do opracowania bazy wiedzy systemu. [3] System Ekspertowy Procesu Kucia SEPEK-2

a. Opracowanie zależności wpływu poszczególnych parametrów procesu obróbki plastycznej oraz wybranych właściwości materiałowych warstwy azotowanej i napawanej jak również warstw hybrydowych typu PN+PVD na zużycie narzędzia. Wyznaczenie intensywności wpływu różnych mechanizmów niszczenia matryc kuźniczych.

b. Wykorzystano sztuczne sieci neuronowe do opracowania bazy wiedzy systemu.

4.4 OMÓWIENIE WPŁYWU NA DYSCYPLINĘ METALURGIA

Przedstawione rozwiązania metodologiczne tworzenia komputerowych baz wiedzy metalurgicznej mogą znaleźć praktyczne zastosowania w systemach ekspertowych, wykorzystywanych przez zakłady produkcyjne (odlewnie, kuźnie, itd.) np. w celu podnoszenia jakości i efektywności produkcji. Współpraca twórców takich systemów z zakładami produkcyjnymi, dostarczającymi rzeczywistych danych procesowych, jest jednym z kluczowych warunków tworzenia skutecznych i praktycznie przydatnych systemów ekspertowych wspomagających procesy produkcyjne. Dane pochodzące z rzeczywistych procesów są źródłem wiedzy, tym cenniejszym, że umożliwiają praktyczną weryfikację zastosowanych w systemach rozwiązań, jak to wyraźnie widać w przypadku opracowanych systemów, np. SEPEK-1 i SEPEK-2.

Przedstawiona metodologia formalizacji wiedzy została wykorzystana do opracowania reprezentacji wiedzy dla systemów, które z powodzeniem mogą:

Wspierać prace inżyniera procesu oraz technologa w doborze najbardziej korzystnych parametrów technologicznych wytwarzania elementów maszyn z żeliwa sferoidalnego, w celu poprawy ich własności użytkowych. Mogą również wspierać konstruktorów maszyn i urządzeń w doborze najbardziej korzystnych (z punktu widzenia jakościowo-ekonomicznego) materiałów inżynierskich na projektowane elementy. Opracowana metodyka przetwarzania wiedzy umożliwia również prowadzenie symulacji umożliwiających przewidywanie przebiegów zjawisk zachodzących w danym materiale podczas obróbki cieplnej, przez co ma duże znaczenie poznawcze i może być narzędziem wspomagającym badania naukowe oraz projektowanie procesów technologicznych.

Wspierać prace inżyniera procesu oraz technologa w doborze optymalnych warunków pracy narzędzi kuźniczych, w celu zwiększenia ich żywotności. Rozwijanie metod, które pozwalają na określenie zużycia narzędzi oraz prognozowanie ich trwałości jest uzasadnione wieloma czynnikami, m.in.: ciągłym doskonaleniem technologii kucia,

39

obniżaniem wydatków związanych z kosztami samych narzędzi, czy też kosztami jednostkowymi odkuwki oraz aspektami ekologicznymi.

Większość systemów komputerowych, wykorzystywanych w dziedzinie metalurgia,

wykorzystuje wiedzę metalurgiczną sformalizowaną w formie modeli matematycznych. Zaproponowana przez wnioskodawcę metodologia poszerza możliwości tworzenia komputowych reprezentacji wiedzy metalurgicznej z użyciem innych formalizmów, takich jak: logika klasyczna, logika rozmyta, sztuczne sieci neuronowe, systemy neuronowo-rozmyte. Formalizmy te pozwalają sięgać po wiedzę, znajdującą się w heterogenicznych i rozproszonych źródłach, bądź korzystać z wiedzy o niepewnym i niepełnym charakterze (np. dane rzeczywiste rejestrowane w trakcie przebiegu procesu produkcyjnego).

W czasach szeroko rozwiniętej branży IT, dostarczającej możliwości pomiaru i składowania bardzo dużej liczby parametrów technologicznych, musi postępować rozwój systemów informatycznych, wykorzystujących te repozytoria danych do wspierania procesów produkcyjnych w nowych obszarach. Zaproponowane metody formalizacji wiedzy dają możliwość wykorzystania gromadzonych danych do konstrukcji algorytmów i systemów wnioskowania, umożliwiających automatyczne jej przetwarzanie w celu odkrywania nowej wiedzy, bez konieczności wykonywania dodatkowych eksperymentów materiałowych. Opracowanie takich systemów pozwoli w przyszłości zapobiec wielokrotnemu powtarzaniu eksperymentów, które zostały już przeprowadzone. Może też być źródłem inspiracji do wyszukiwania nowych obszarów badawczych a także odkrywania relacji i zależności, które nie są widoczne w pojedynczych eksperymentach a można je ujawnić jedynie podczas analizy wyników dużej liczby badań.

Reasumując: postęp gospodarczy jest w dużym stopniu zależny od harmonijnego współdziałania wielu dyscyplin gospodarczych, w szczególności zaś widoczne to jest we współdziałaniu branży IT z przemysłem wytwórczym. Jest oczywistym, że komputeryzacja przemysłu przyspieszyła rozwój technologiczny, z drugiej strony wprowadzanie nowych technologii przemysłowych jest wyzwaniem dla branży IT, która powinna zaspokajać nowe, aktualne potrzeby przemysłu, w tym metalurgicznego.

.

40

5 OMÓWIENIE POZOSTAŁYCH OSIĄGNIĘĆ NAUKOWO - BADAWCZYCH

(ARTYSTYCZNYCH)

Sumaryczne zestawienie pozostałych osiągnięć wnioskodawcy zostało przedstawione w Tabela 4, natomiast szczegółowy wykaz tych osiągnięć opisano w załączniku nr 4 do wniosku habilitacyjnego.

TABELA 4 SUMARYCZNE ZESTAWIENIE KRYTERIÓW OSIĄGNIĘĆ WNIOSKODAWCY

I. WYKAZ PUBLIKACJI STANOWIĄCYCH OSIĄGNIĘCIE NAUKOWE

I.A. Tytuł osiągnięcia naukowego (zgodnie z wnioskiem)

Formalizacja zapisów wiedzy metalurgicznej na potrzeby systemów ekspertowych

I.B. Publikacje lub inne prace wchodzące w skład osiągnięcia naukowego Sumaryczny Impact Factor wskazanych w cyklu publikacji wynosi 10,616. Suma punktów wynosi 306. Spośród wszystkich przedstawionych w cyklu publikacji:

9 pozycji znajduje się w wykazie JCR - lista A czasopism MNiSW, 6 pozycji znajduje się w wykazie B czasopism MNiSW, 3 pozycje znajdują się w wykazie czasopism MNiSW oraz są indeksowane przez WoS.

18

II. WYKAZ INNYCH (NIE WCHODZĄCYCH W SKŁAD OSIĄGNIĘCIA WYMIENIONEGO W PKT. I) OPUBLIKOWANYCH PRAC NAUKOWYCH ORAZ WSKAŹNIKI DOKONAŃ NAUKOWYCH

II.A. Publikacje naukowe w czasopismach znajdujących się w bazie Journal Citation Reports (JCR) – z poza cyklu. 4 II.B. Zrealizowane oryginalne osiągnięcia projektowe, konstrukcyjne, technologiczne 4 II.C. Udzielone patenty międzynarodowe i krajowe - II.D. Wynalazki oraz wzory użytkowe i przemysłowe, które uzyskały ochronę i zostały wystawione na

międzynarodowych lub krajowych wystawach lub targach - II.E. Monografie, publikacje naukowe w czasopismach międzynarodowych lub krajowych innych niż znajdujące się w

bazie, o której mowa w pkt. II A Rozdziały w monografiach 3 Publikacje naukowe w czasopismach międzynarodowych lub krajowych nie znajdujących się w bazie JCR 21 Publikacje naukowe w materiałach konferencyjnych 17

II.F Opracowania zbiorowe, katalogi zbiorów, dokumentacja prac badawczych, ekspertyz, utworów i dzieł artystycznych 5

II.G. Sumaryczny impact factor według listy Journal Citation Reports (JCR), zgodnie z rokiem opublikowania 23,509 II.H. Liczba cytowań publikacji według bazy Web of Science (WoS) 68 II.I. Indeks Hirscha według bazy Web of Science (WoS) 5 II.J. Kierowanie międzynarodowymi i krajowymi projektami badawczymi oraz udział w takich projektach 6 II.K. Międzynarodowe i krajowe nagrody za działalność naukową albo artystyczną 1 II.L. Wygłoszenie referatów na międzynarodowych i krajowych konferencjach tematycznych 27

III. DOROBEK DYDAKTYCZNY I POPULARYZATORSKI ORAZ INFORMACJA O WSPÓŁPRACY MIĘDZYNARODOWEJ HABILITANTA III.A. Uczestnictwo w programach europejskich oraz innych programach międzynarodowych i krajowych 4 III.B. Aktywny udział w międzynarodowych i krajowych konferencjach naukowych 27 III.C. Udział w komitetach organizacyjnych międzynarodowych i krajowych konferencji naukowych 1 III.D. Otrzymane nagrody i wyróżnienia inne niż wymienione w pkt. II K - III.E. Udział w konsorcjach i sieciach badawczych - III.F.

Kierowanie projektami realizowanymi we współpracy z naukowcami z innych ośrodków polskich i zagranicznych oraz we współpracy z przedsiębiorcami, innymi niż wymienione w pkt. II

- III.G. Udział w komitetach redakcyjnych i radach naukowych czasopism - III.H. Członkostwo w międzynarodowych i krajowych organizacjach oraz towarzystwach naukowych 1 III.I. Osiągnięcia dydaktyczne i w zakresie popularyzacji nauki lub sztuki

Organizacja i kierowanie studiami podyplomowymi 1 Opracowanie nowych programów dla kierunków studiów 3