Zastosowanie sieci neuronowych do wyznaczania współczynnika tarcia podczas kształtowania blach

Brak uniwersalnego matematycznego modelu do opisu zjawisk tarcia, a zatem obliczania wartości współczynnika tarcia, wynika z trudności jednoznacznego zdefiniowania i opisu szeregu złożonych nieliniowych zjawisk w strefie kontaktu dwóch ciał. Model neuronowy pozwala na wyeliminowanie poszukiwania skomplikowanych zależności między TOm^v\u ^aiametiam.i. wrjtYwa\ącYmi na opory tarcia, Wyniki przeprowadzonych eksperymentów neuronowych charakteryzują się wysoką zgodnością z danymi doświadczalnymi w zakresie wartości parametrów użytych do uczenia sieci. Utworzony za pomocą perceptronu wielowarstwowego model tarcia można wykorzystać w symulacji komputerowej procesu kształtowania blach poprzez implementację w pakiecie MES. Istotną zaletą stosowania sieci neuronowej, jako modelu prognostycznego współczynnika tarcia, jest ograniczenie lub brak konieczności stosowania czasochłonnych i niejednokrotnie kosztownych badań doświadczalnych w celu analitycznego wyznaczenia zależności funkcyjnych między parametrami procesu, a wartością wspólczynnika tarcia.

---

Friction between the sheet and tools is one of the important factors affecting the quality of drawpiece, so that the clarification of the friction is essential for modeling and analysis of sheet metal forming processes. Friction is a complex variable that results from the interactions between the sheet metal surfaces, the surface of forming tools and the lubricant used. Since analytical expression of the friction coefficient between tool and formed material is difficult to achieve, the Multi-layer Perceptron (MLP) was trained using measured process data of friction test. The MLP had surface roughness parameters and test condition (lubricant, load) as input, and friction coefficient as output. It was confirmed that this system is a valid alternative for the quick responsible method of friction coefficient determination.