Journal of KONES 2007 NO 2
Transkrypt
Journal of KONES 2007 NO 2
Journal of KONES Powertrain and Transport, Vol.14, No. 2 2007 MODELLING OF MOMENT OF FRICTION UNDER INCREASING LOAD USING ARTIFICIAL NEURAL NETWORKS Krzysztof Gocman, Tadeusz KaádoĔski Military University of Technology Faculty of Mechanical Engineering Gen. S. Kaliskiego 2, 00-908 Warsaw, Poland tel. +48 22 6839140 e-mail: [email protected]; [email protected] Abstract Searching models of tribological quantities taking into account every processes proceeded in friction pairs is one of the most important problem in present tribology. Existing models of wear and friction are unfortunately imperfect – they do not reflect every occurrences proceeded in tribological pairs, especially in case of boundary friction. Complicated and nonlinear nature of friction processes force researching of non-analytical models. In view of their properties, the artificial neural networks (ANN) could become very useful instruments. The results preliminary tests on influence of load and rotational speed on moment of friction are presented in this paper. Tests were carried out under increasing load and at the range of rotational speed 500 – 1500 rpm. The analysis of results was elaborated and run of moment of friction on base of artificial neural network was modeled. The different kinds of ANN and different training algorithms were applied to obtain the best quality of built models. In particular the schema of the friction, the moment of the friction in a load function for selected rotational speeds, the structure of the GRNN network, composition experimental data and results of the modelling are illustrated in the paper. Keywords: tribology, boundary friction, lubricity, modeling of tribological processes, artificial neural networks MODELOWANIE PRZEBIEGU MOMENTU TARCIA POD NARASTAJĄCYM OBCIĄĩENIEM Z WYKORZYSTANIEM SZTUCZNYCH SIECI NEURONOWYCH Streszczenie Modelowanie wielkoĞci tribologicznych, uwzglĊdniające wszystkie procesy zachodzące w wĊĨle tarcia jest jednym z najwaĪniejszych zadaĔ wspóáczesnej tribologii. Istniejące modele zuĪycia i tarcia są niestety niedoskonaáe – nie odzwierciedlają one wszystkich zjawisk zachodzących w wĊĨle tarcia, zwáaszcza w wypadku wystĊpowania tarcia granicznego. ZáoĪony i nieliniowy charakter procesów zachodzących w wĊĨle tarcia wymusza poszukiwanie modeli innych niĪ analityczne. Ze wzglĊdu na swoje wáaĞciwoĞci, bardzo uĪytecznym narzĊdziem mogą staü siĊ sztuczne sieci neuronowe (SSN). W artykule przedstawiono wstĊpne wyniki badaĔ wpáywu obciąĪenia i prĊdkoĞci obrotowej na przebieg momentu tarcia. Badania przeprowadzone zostaáy przy obciąĪeniu narastającym páynnie w czasie testu, w zakresie prĊdkoĞci obrotowych od 500 do 1500 obr/min. Po przeprowadzonej analizie wyników badaĔ, na bazie sztucznych sieci neuronowych zbudowany zostaá model przebiegu momentu tarcia. W czasie modelowania wykorzystano róĪne rodzaje sieci neuronowych oraz zastosowano róĪne algorytmy uczące, aby uzyskaü jak najlepszą jakoĞü budowanego modelu. W szczególnoĞci schemat wĊzáa tarcia, moment tarcia w funkcji obciąĪenia dla wybranych prĊdkoĞci obrotowych, struktura sieci GRNN, zestawienie danych eksperymentalnych i wyników modelowania są zilustrowane w artykule. Sáowa kluczowe: tribologia, tarcie graniczne, smarnoĞü, modelowanie procesów tribologicznych, sztuczne sieci neuronowe K. Gocman, T KaádoĔski 1. WstĊp Poszukiwanie modeli wielkoĞci tribologicznych takich jak zuĪycie, wspóáczynnik tarcia, uwzglĊdniających wszystkie procesy zachodzące w wĊĨle tarcia jest jednym z najwaĪniejszych problemów wspóáczesnej tribologii. Mimo, Īe powszechnie znane są poszczególne modele tarcia i mechanizmy zuĪycia nie jesteĞmy w stanie przewidzieü wartoĞci konkretnych wielkoĞci charakteryzujących pracĊ wĊzáa tarcia. Co wiĊcej, istniejące modele tarcia i zuĪycia są niestety niedoskonaáe – nie obejmują wszystkich procesów zachodzących w wĊĨle tarcia, zwáaszcza w wypadku wystĊpowania tarcia granicznego [1]. Skomplikowany i nieliniowy charakter procesów tarciowych wymusza poszukiwanie innych niĪ analityczne modeli, pozwalających na przykáad na predykcjĊ przebiegu momentu tarcia lub wielkoĞci zuĪycia. Z uwagi na swoje wáaĞciwoĞci, bardzo uĪytecznym narzĊdziem do modelowania mogą staü siĊ sztuczne sieci neuronowe. W odróĪnieniu od istniejących obecnie modeli pozwalają one na analizĊ wieloparametrową zwáaszcza wobec wystĊpujących w takiej sytuacji trudnoĞci wykrywania tradycyjnymi metodami wpáywu pojedynczych parametrów a takĪe interakcji miĊdzy nimi [2]. PoniewaĪ sztuczne sieci neuronowe okazaáy siĊ dobrymi modelami zuĪycia [5] autorzy podjĊli próbĊ zamodelowania przebiegu momentu tarcia generowanego w wĊĨle aparatu czterokulowego pod páynnie narastającym obciąĪeniem w zaleĪnoĞci od prĊdkoĞci obrotowej. 2. Zakres i metodyka badaĔ Opis stanowiska badawczego. Badania zostaáy przeprowadzone na aparacie czterokulowym T-02. Tester ten sáuĪy do oceny wáaĞciwoĞci smarnoĞciowych olejów i smarów plastycznych. Podstawowymi parametrami charakteryzującymi wĊzeá tarcia aparatu czterokulowego (Rys.1) są [4]: - styk: skoncentrowany, punktowy, potrójny, utworzony przez powierzchnie czterech kulek o Ğrednicy ½’, - rodzaj ruchu: Ğlizgowy o staáych prĊdkoĞciach Ğcinania 0,02-0,77m/s odpowiadających 50 do 2000 obr/min górnej kulki, - obciąĪenie styku: zmieniane od 0 do 7848N (800kG) – moĪe narastaü w sposób ciągáy z prĊdkoĞcią 408,8N/s, - sposób smarowania: zanurzeniowy lub przez jednorazowe nakáadanie próbki badanego Ğrodka smarowego (okoáo 8ml smaru lub oleju). Rys. 1. Schemat wĊzáa tarcia 1 – górna kulka, 2 – dolne kulki, 3 – wrzeciono, 4 – uchwyt kulek dolnych Fig. 1. Scheme of tribological pair 1 – upper ball, 2 – lower balls, 3 – spindle, 4 – grip of lower balls 172 Modeling of Moment of Friction Under Increasing Load Using Artificial Neural Networks Metodyka badawcza. Badania przy obciąĪeniu narastającym w czasie biegu zostaáy przeprowadzone wedáug wáasnej metodyki, w oparciu o metodĊ wyznaczania obciąĪenia zacierającego Pt zawartą w normie PN-76/C-04147 [4] przy wykorzystaniu tylko jednego Ğrodka smarnego – oleju Antykol TS120. Parametrami charakteryzującymi wykorzystaną metodĊ są: - czas: zdeterminowany zatarciem lub zespawaniem kulek, - obciąĪenie: wzrastające páynnie w czasie biegu badawczego z prĊdkoĞcią 408,8N/s od 0N do zatarcia lub zespawania kulek, - prĊdkoĞü obrotowa: realizowana wedáug tabeli 1. Tab. 1. Zestawienie stosowanych prĊdkoĞci obrotowych Tab. 1. Rotational speed composition rotational speed [rpm] 500 750 1000 1250 1500 W czasie badaĔ rejestrowano nastĊpujące wielkoĞci: - opory ruchy (moment tarcia), - temperaturĊ Ğrodka smarnego, - parametry otoczenia: temperaturĊ, ciĞnienie atmosferyczne, wilgotnoĞü powietrza. 3. Wyniki badaĔ Wybrane wyniki badaĔ przedstawiono na poniĪszych wykresach (moment tarcia Mt w funkcji obciąĪenia dla poszczególnych prĊdkoĞci obrotowych n). KaĪdy eksperyment powtarzano trzy razy. n = 500 r.p.m 6,0 5,0 Mf [Nm] 4,0 3,0 2,0 1,0 0,0 0 1000 2000 3000 4000 5000 6000 7000 L [N] 1 2 3 n = 1250 r.p.m 5,0 Mf [Nm] 4,0 3,0 2,0 1,0 0,0 0 1000 2000 3000 4000 5000 L [N] 1 2 173 3 6000 7000 K. Gocman, T KaádoĔski n = 1500 r.p.m 16,0 14,0 Mf [Nm] 12,0 10,0 8,0 6,0 4,0 2,0 0,0 0 1000 2000 3000 4000 5000 6000 7000 L [N] 1 2 3 Rys. 2. Moment tarcia w funkcji obciąĪenia dla wybranych prĊdkoĞci obrotowych Fig. 2. Moment of friction as a function of load for selected rotational speed 4. Model neuronowy Na podstawie uzyskanych wyników badaĔ podjĊto próbĊ modelowania przebiegu momentu tarcia za pomocą sztucznych sieci neuronowych. Są one narzĊdziem opracowanym z wykorzystaniem wiedzy na temat budowy i funkcjonowania neuronowych sieci biologicznych, których gáównym zadaniem jest przetwarzanie i analiza informacji. Jako narzĊdzie budowy i analizy modeli wykorzystano pakiet STATISTICA Neural Networks 6.0 PL. StrukturĊ SSN stanowi zespóá poáączonych ze sobą neuronów, które są elementami przetwarzającymi zbiór sygnaáów wejĞciowych w sygnaá wyjĞciowy. Budowa modelu neuronowego wymaga przeprowadzenia procesu uczenia, w trakcie którego nastĊpuje dobór wartoĞci wag i parametrów sieci zgodnie z przyjĊtym kryterium minimalizacji báĊdu popeánianego przez sieü. O jakoĞci sieci decyduje jej zdolnoĞü do generalizacji tzn. zdolnoĞü do prawidáowego przewidywania – odtwarzania z danego zakresu danych z moĪliwie maáym (akceptowalnym) báĊdem [3]. Metodyka modelowania. Zbiór uzyskanych wyników badaĔ zostaá podzielony na trzy grupy: uczące, walidacyjne i testujące. Zbiór uczący skáadaá siĊ z wektorów biorących udziaá w modyfikowaniu wartoĞci wag poáączeĔ neuronów sieci. Po prezentacji kaĪdej epoki uczącej nastąpiáo obliczenie báĊdu uczenia sieci. NastĊpnie na wejĞcie podawane byáy sygnaáy wektorów naleĪących do zbioru walidacyjnego i obliczano báąd walidacji. Po zakoĔczeniu procesu uczenia model poddawany byá testowaniu w celu okreĞlenia jego zdolnoĞci do generalizacji. NaleĪy mieü na uwadze, Īe dane wykorzystane do testowania sieci nie byáy wczeĞniej przez nią „widziane” i nie braáy udziaáu w uczeniu sieci, a co za tym idzie w modyfikacji wag poáączeĔ neuronów. Stworzone modele neuronowe zawieraáy dwa sygnaáy wejĞciowe: obciąĪenie i prĊdkoĞü obrotowa i jeden wyjĞciowy – moment tarcia. Typy uĪytych sieci i metody ich uczenia. W czasie poszukiwania najbardziej odpowiedniego modelu testowano nastĊpujące rodzaje sieci neuronowych: - sieci wielowarstwowe perceptronowe (MLP), - sieci radialne (RBF), - sieci realizujące regresjĊ uogólnioną (GRNN). Do kaĪdego typu sieci przyporządkowane są róĪne algorytmy uczące: - metoda wstecznej propagacji báĊdów (BP) – sieci MLP, - metoda gradientów sprzĊĪonych (CG) – sieci MLP, - metoda Lavenberga-Marquarda (LM) – sieci MLP, - metoda Quasi-Newtona (QN) – sieci MLP, 174 Modeling of Moment of Friction Under Increasing Load Using Artificial Neural Networks - metoda próbkowania (SS) – sieci RBF, GRNN, - metoda K-Ğrednich (KM) – sieci RBF. Wyniki modelowania. Przeanalizowano wiele modeli, gáównie pod kątem ich zróĪnicowania (rodzaj sieci, struktura), zastosowanych algorytmów uczących i innych parametrów takich jak: prĊdkoĞü uczenia, liczba epok uczących. Jako rezultat otrzymano wiele róĪnych modeli, które lepiej lub gorzej prognozowaáy przebieg momentu tarcia. Najlepsze uzyskane sieci umieszczone są w tabeli 2. Tab. 2. Podsumowanie najlepszych modeli Tab. 2. Summary of the best models type 1 2 GRNN 2:2-540-21:1 GRNN 2:2-540-21:1 teach. error veryf. error test. error teaching methods deviation quotient correlation 0,041 0,054 0,045 SS 0,181 0,984 0,043 0,053 0,044 SS 0,183 0,983 KM,KN,PI 0,188 0,982 0,189 0,982 3 RBF 2:2-81-1:1 0,044 0,053 0,059 4 MLP 2:2-9-8-1:1 0,041 0,044 0,045 BP100,CG20,CG104 Uzyskane modele cechują siĊ dobrą jakoĞcią, o czym Ğwiadczą niskie wartoĞci ilorazu odchyleĔ i wysoka wartoĞü wspóáczynnika korelacji. Najlepszymi modelami okazaáy siĊ sieci realizujące regresjĊ uogólnioną GRNN, chociaĪ sieci perceptronowe MLP i radialne RBF nieznacznie odbiegają jakoĞcią od najlepszych modeli. Báąd testowy popeániany przez modele GRNN ksztaátuje siĊ poniĪej 5%, dla pozostaáych sieci nieznacznie przekracza tą wartoĞü. Biorąc pod uwagĊ wszystkie parametry charakteryzujące jakoĞü sieci ostateczny model wybrano spoĞród sieci GRNN. Minimalnie lepszymi parametrami odznacza siĊ sieü nr 1. Jest to sieü o czterech warstwach: wejĞciowej, wyjĞciowej i dwóch warstwach ukrytych (warstwa radialna – 540 neuronów i warstwa regresywna – 2 neurony). Sieü ta uczona byáa w jednej epoce uczącej przy uĪyciu metody próbkowania SS. Struktura najlepszej sieci przedstawiona jest na rysunku 3. n L Mt Rys. 3. Struktura sieci GRNN Fig. 3. Scheme of GRNN network 175 K. Gocman, T KaádoĔski Wyniki modelowania porównano z danymi uzyskanymi w wyniku eksperymentu. Wybrane przebiegi momentu tarcia w funkcji obciąĪenia zestawiono na poniĪszych wykresach. n = 500 r.p.m moment of friction [Nm] 6 5 4 3 2 1 0 0 1000 2000 3000 4000 load [N] moment of friction [Nm] experiment 5000 6000 7000 6000 7000 6000 7000 model n = 1250 r.p.m 5 4 3 2 1 0 0 1000 2000 3000 4000 load [N] experiment 5000 model moment of friction [Nm] n = 1500 r.p.m 15 10 5 0 0 1000 2000 3000 4000 5000 load [N] experiment model Rys. 4. Zestawienie danych eksperymentalnych i wyników modelowania Fig. 4. Comparison of experiment and modeling results Uzyskane modele cechują siĊ wysoką jakoĞcią. Sieü w bardzo dobrym stopniu odwzorowuje przebieg momentu tarcia w funkcji obciąĪenia – charakter krzywych, maksimum momentu tarcia oraz moment przerwania warstwy smarującej (objawiający siĊ nagáym wzrostem momentu tarcia) są podobne dla danych eksperymentalnych i wyników modelowania. 176 Modeling of Moment of Friction Under Increasing Load Using Artificial Neural Networks 5. Wnioski Przeprowadzone badania wskazują na moĪliwoĞü stosowania sieci neuronowych jako modeli predykcyjnych w procesach tribologicznych. Analiza dowiodáa, Īe najlepszymi modelami przebiegu momentu tarcia są sieci GRNN (chociaĪ modele RBF i MLP nie odbiegają znacznie jakoĞcią). Uzyskane modele, o doĞü prostej budowie (z uwagi na licznoĞü zbiory uczącego) wykazywaáy báąd testowy poniĪej 5%, co w wypadku badaĔ tribologicznych moĪna uznaü za bardzo dobry wynik. W celu uzyskanie jeszcze lepszych modeli naleĪaáoby przeprowadziü wiĊcej badaĔ, aby znacznie poszerzyü zbiór uczący sieci, zwáaszcza w punktach, w których zaleĪnoĞci są silnie nieliniowe. W kolejnym etapie naleĪaáoby porównaü uzyskane wyniki z obecnie istniejącymi modelami. 6. Literatura [1] [2] [3] [4] [5] KaádoĔski, T., Tribologia i páyny eksploatacyjne. Cz. I, Wybrane problemy tribologii. Warszawa 1995. Trzos, M., Modele neuronowe do prognozowania wáaĞciwoĞci przeciwzuĪyciowych olejów smarnych, Tribologia 2004 nr 4, s.273-283, 2004. Tadeusiewicz, R., Lula, P., Wójtowicz P., Sieci neuronowe, Materiaá kursowy. Polskie Normy: PN-76/C-04147, PN-83/M-86452, PN-77/C-96080. Giemza, B., Gocman, K., KaádoĔski, T., Neural networks model of wear under boundary lubrication, International Tribology Conference Austrib 2006, Brisbane, Australia, 2006. 177