24 Izvirni znanstveni č l an ek TEHNIKA – elektronske kompo- nente in tehnologije Datum prejema: 3. februar 2020 ANALI PAZU 10/2020/1-2: 24-27 www.anali-pazu.si Analiza topografije robotsko lasersko kaljenih materialov s pomočjo strojnega učenja Analysis topography of robot laser hardened materials by using machine learning method Matej Babič 1,* 1 Fakulteta za informacijske študije, Novo mesto, Slovenija E-mail: babicster@gmail.com *Avtor za korespondenco; Povzetek: Laserska obdelava materialov, vključno s toplotno obdelavo, temelji na uporabi laserskega sevanja, ki vam omogoča, da na zelo majhni površini ustvarite visoke gostote toplotnega polja, potrebne za intenzivno segrevanje ali taljenje. V članku je predstavljen vpliv parametra robotske laserske celice na topografijo materialov. S pomočjo metod strojnega učenja je predstavljeno, kako parametri robotske laserske celice vplivajo na trdoto in hrapavost kaljenega material, ter kakšna je povezava med trdoto in hrapavostjo. Ključne besede: laser, robot, strojno učenje. Abstract: Laser treatment of materials, including heat treatment, is based on the use of laser radiation, which allows you to create, on a very small surface, the high thermal field densities required for intense heating or melting. The article presents the influence of the robot laser cell parameter on the material topography. Machine learning methods show how the parameters of a robot laser cell affect the hardness and roughness of the hardened material, and the relationship between hardness and roughness. Key words: laser, robot, machine learning. 25 1. Uvod Robotsko lasersko kaljenje materialov je po analogiji z drugimi vrstami kaljenja tvorba v fazi segrevanja avstenitne strukture in njena nadaljnja preobrazba v martenzit med fazo hlajenja. Po robotski laserski toplotni obdelavi dobimo utrjen trak na površini zlitine. Pri kaljenju velikih površin zlitin se kaljenje izvaja v trakovih, medtem ko je priporočljivo, da se med temi letvami naredijo majhne vdolbine, da se prepreči pojav mehkih madežev (kaljenje cone). Robotsko lasersko kaljenje (ali termična toplotna obdelava) je sestavljeno iz hitrega segrevanja kovinske površine z laserskim žarkom in njegovega naknadnega intenzivnega hlajenja zaradi odvajanja toplote znotraj materiala. Lasersko kaljenje ima kar precej prednosti. Te so: · manjši stroški obdelave, · ni potrebe po hlajenju, · visoka fleksibilnost, · možnost avtomatizacije v proizvodni proces, · izjemna obrabna obstojnost kaljene površine, · kaljenje kompliciranih geometrijskih oblik, · točkovno kaljenje, · ni lokalnega taljenja materiala, · zelo majhne deformacije materiala, · visoka natančnost in prilagodljivost, · običajno ni dimenzijskih odstopanj, · ni sprememb hrapavosti površine (Ra in Rz), · enakomerna trdota po celotni površini kaljenja, · uporabna za vse kaljive materiale, · kaljenje različnih 3D geometrijskih oblik, · spremljanje in reguliranje temperature kaljenja, · dvo-žarkovno lasersko kaljenje, · kaljenje s prekrivanim žarkom, · ni potrebe po 3D CAD risbah. Površinska topografija je opredeljena s površinsko usmerjenostjo in hrapavostjo, značilna pa je zaporedje vrhov in dolin. Površinska hrapavost je indikator, ki kaže določeno količino podatkov, ki označuje stanje površinskih nepravilnosti, merjenih z izjemno majhnimi segmenti. Med procesom robotskega laserskega kaljenja se na površini materiala oblikujejo nepravilnosti - odstopanja od geometrijske oblike, ki določajo topografijo površine in pomembno vplivajo na medsebojno delovanje trdnih snovi med zunanjim trenjem in obrabo. Trdôta v znanosti o materialih pomeni lastnost trdne snovi, da se upira stalni deformaciji (obrabi). Strojno učenje je le poskus, da se stroj naredi iz lastnih izkušenj. Danes domnevamo, da je razvoj takšnih strojev najhitrejši način za ustvarjanje prave umetne inteligence. Da pa bo računalnik postal inteligenten, se mora zgoditi preboj na stičišču znanosti in umetnosti. Strojno učenje je novo orodje, nov način inženiringa. Strojno učenje se ukvarjamo v dveh smereh: izboljšujemo svoje izdelke - na primer iskalnik, temelj našega poslovanja - in gradimo povsem nove izdelke, ki so bili prej preprosto nemogoči. Danes se uporablja več metod strojnega učenja. Namen članka je predstaviti uporabo metode strojnega učenja v praktični aplikaciji, natančneje pri topografiji materialov obdelanih z lasersko tehnologijo. S pomočjo metod strojnega učenja je predstavljeno kako parametri robotske laserske celice vplivajo na trdoto in hrapavost kaljenega material, ter kakšna je povezava med trdoto in hrapavostjo. 2. Metodologija Študija je bila izvedena s standardnim orodnim jeklom z oznako EN 100083 - 1. Orodje jeklo je bilo kaljeno z robotsko lasersko celico z različnimi hitrostmi in različnimi močmi. Na laserski celici je bila spremenjena hitrost v ∈ [2,5] mm / s in temperatura T ∈ [800, 2000] ° C. Vsak vzorec je bil jedkan in poliran (IMT, Inštitut za kovine in tehnologijo Ljubljana, Slovenija). Na IJS, Institut Jožef Stefan so bile izvedene meritve trdote in hrapavosti (profilometer). Slika 1 prikazuje hrapavost in trdoto robotsko lasersko kaljenega vzorca s temperaturo 1400°C in hitrostjo 3 mm/s. Puščica prikazuje smer potovanje robotskega laserskega žarka. Hrapavost pred kaljenjem (hrapavost vzorca) je 4.4 nm, trdota pred kaljenjem 34.5.HRC Slika 1: Hrapavost in trdota robotsko lasersko kaljenega vzorca s temperaturo 1400°C in hitrostjo 3 mm/s Modeliranje topografije (hrapavosti) smo uporabili metodo genetskih algoritmov. Genetsko programiranje (GP) je podobno genetskim algoritmom in se razlikuje le glede na način predstavitve. Posamezniki v genetskih algoritmih so predstavljeni z zaporedjem števil, posameznik v genetskem programiranju pa z računalniškim programom. GP samodejno piše program glede na naravo naravne selekcije (evolucije). Na začetku imamo nekaj naključno napisanih programov, ki predstavljajo začetno populacijo. Nato s križanjem in selekcijo dobimo naslednjo generacijo. Uporabljena je bila genetska operacija reprodukcije in križanje. Tabela 1. Parametri genetskega programiranja. Velikost populacije 500 Največje število v generaciji 100 Verjetnost križanja 0.4 Prehodna verjetnost 0.6 Največja dovoljena globina pri ustvarja- nju populacije 6 Največja dovoljena globina po operaciji križanja dveh organizmov 10 Najmanjša dovoljena globina organizmov pri nastajanju novih organizmov 2 Velikost turnirja, ki se uporablja za izbiro organizmov 7 24 Izvirni znanstveni č l an ek TEHNIKA – elektronske kompo- nente in tehnologije Datum prejema: 3. februar 2020 ANALI PAZU 10/2020/1-2: 24-27 www.anali-pazu.si Analiza topografije robotsko lasersko kaljenih materialov s pomočjo strojnega učenja Analysis topography of robot laser hardened materials by using machine learning method Matej Babič 1,* 1 Fakulteta za informacijske študije, Novo mesto, Slovenija E-mail: babicster@gmail.com *Avtor za korespondenco; Povzetek: Laserska obdelava materialov, vključno s toplotno obdelavo, temelji na uporabi laserskega sevanja, ki vam omogoča, da na zelo majhni površini ustvarite visoke gostote toplotnega polja, potrebne za intenzivno segrevanje ali taljenje. V članku je predstavljen vpliv parametra robotske laserske celice na topografijo materialov. S pomočjo metod strojnega učenja je predstavljeno, kako parametri robotske laserske celice vplivajo na trdoto in hrapavost kaljenega material, ter kakšna je povezava med trdoto in hrapavostjo. Ključne besede: laser, robot, strojno učenje. Abstract: Laser treatment of materials, including heat treatment, is based on the use of laser radiation, which allows you to create, on a very small surface, the high thermal field densities required for intense heating or melting. The article presents the influence of the robot laser cell parameter on the material topography. Machine learning methods show how the parameters of a robot laser cell affect the hardness and roughness of the hardened material, and the relationship between hardness and roughness. Key words: laser, robot, machine learning. 25 1. Uvod Robotsko lasersko kaljenje materialov je po analogiji z drugimi vrstami kaljenja tvorba v fazi segrevanja avstenitne strukture in njena nadaljnja preobrazba v martenzit med fazo hlajenja. Po robotski laserski toplotni obdelavi dobimo utrjen trak na površini zlitine. Pri kaljenju velikih površin zlitin se kaljenje izvaja v trakovih, medtem ko je priporočljivo, da se med temi letvami naredijo majhne vdolbine, da se prepreči pojav mehkih madežev (kaljenje cone). Robotsko lasersko kaljenje (ali termična toplotna obdelava) je sestavljeno iz hitrega segrevanja kovinske površine z laserskim žarkom in njegovega naknadnega intenzivnega hlajenja zaradi odvajanja toplote znotraj materiala. Lasersko kaljenje ima kar precej prednosti. Te so: · manjši stroški obdelave, · ni potrebe po hlajenju, · visoka fleksibilnost, · možnost avtomatizacije v proizvodni proces, · izjemna obrabna obstojnost kaljene površine, · kaljenje kompliciranih geometrijskih oblik, · točkovno kaljenje, · ni lokalnega taljenja materiala, · zelo majhne deformacije materiala, · visoka natančnost in prilagodljivost, · običajno ni dimenzijskih odstopanj, · ni sprememb hrapavosti površine (Ra in Rz), · enakomerna trdota po celotni površini kaljenja, · uporabna za vse kaljive materiale, · kaljenje različnih 3D geometrijskih oblik, · spremljanje in reguliranje temperature kaljenja, · dvo-žarkovno lasersko kaljenje, · kaljenje s prekrivanim žarkom, · ni potrebe po 3D CAD risbah. Površinska topografija je opredeljena s površinsko usmerjenostjo in hrapavostjo, značilna pa je zaporedje vrhov in dolin. Površinska hrapavost je indikator, ki kaže določeno količino podatkov, ki označuje stanje površinskih nepravilnosti, merjenih z izjemno majhnimi segmenti. Med procesom robotskega laserskega kaljenja se na površini materiala oblikujejo nepravilnosti - odstopanja od geometrijske oblike, ki določajo topografijo površine in pomembno vplivajo na medsebojno delovanje trdnih snovi med zunanjim trenjem in obrabo. Trdôta v znanosti o materialih pomeni lastnost trdne snovi, da se upira stalni deformaciji (obrabi). Strojno učenje je le poskus, da se stroj naredi iz lastnih izkušenj. Danes domnevamo, da je razvoj takšnih strojev najhitrejši način za ustvarjanje prave umetne inteligence. Da pa bo računalnik postal inteligenten, se mora zgoditi preboj na stičišču znanosti in umetnosti. Strojno učenje je novo orodje, nov način inženiringa. Strojno učenje se ukvarjamo v dveh smereh: izboljšujemo svoje izdelke - na primer iskalnik, temelj našega poslovanja - in gradimo povsem nove izdelke, ki so bili prej preprosto nemogoči. Danes se uporablja več metod strojnega učenja. Namen članka je predstaviti uporabo metode strojnega učenja v praktični aplikaciji, natančneje pri topografiji materialov obdelanih z lasersko tehnologijo. S pomočjo metod strojnega učenja je predstavljeno kako parametri robotske laserske celice vplivajo na trdoto in hrapavost kaljenega material, ter kakšna je povezava med trdoto in hrapavostjo. 2. Metodologija Študija je bila izvedena s standardnim orodnim jeklom z oznako EN 100083 - 1. Orodje jeklo je bilo kaljeno z robotsko lasersko celico z različnimi hitrostmi in različnimi močmi. Na laserski celici je bila spremenjena hitrost v ∈ [2,5] mm / s in temperatura T ∈ [800, 2000] ° C. Vsak vzorec je bil jedkan in poliran (IMT, Inštitut za kovine in tehnologijo Ljubljana, Slovenija). Na IJS, Institut Jožef Stefan so bile izvedene meritve trdote in hrapavosti (profilometer). Slika 1 prikazuje hrapavost in trdoto robotsko lasersko kaljenega vzorca s temperaturo 1400°C in hitrostjo 3 mm/s. Puščica prikazuje smer potovanje robotskega laserskega žarka. Hrapavost pred kaljenjem (hrapavost vzorca) je 4.4 nm, trdota pred kaljenjem 34.5.HRC Slika 1: Hrapavost in trdota robotsko lasersko kaljenega vzorca s temperaturo 1400°C in hitrostjo 3 mm/s Modeliranje topografije (hrapavosti) smo uporabili metodo genetskih algoritmov. Genetsko programiranje (GP) je podobno genetskim algoritmom in se razlikuje le glede na način predstavitve. Posamezniki v genetskih algoritmih so predstavljeni z zaporedjem števil, posameznik v genetskem programiranju pa z računalniškim programom. GP samodejno piše program glede na naravo naravne selekcije (evolucije). Na začetku imamo nekaj naključno napisanih programov, ki predstavljajo začetno populacijo. Nato s križanjem in selekcijo dobimo naslednjo generacijo. Uporabljena je bila genetska operacija reprodukcije in križanje. Tabela 1. Parametri genetskega programiranja. Velikost populacije 500 Največje število v generaciji 100 Verjetnost križanja 0.4 Prehodna verjetnost 0.6 Največja dovoljena globina pri ustvarja- nju populacije 6 Največja dovoljena globina po operaciji križanja dveh organizmov 10 Najmanjša dovoljena globina organizmov pri nastajanju novih organizmov 2 Velikost turnirja, ki se uporablja za izbiro organizmov 7 ANALIZA TOPOGRAFIJE ROBOTSKO LASERSKO KALJENIH MATERIALOV S POMOČJO STROJNEGA UČENJA 26 Multipla (večkratna) linearna regresija (MR) je najpogostejša oblika analize linearne regresije. Kot napovedna analiza se za razlago razmerja med eno stalno odvisno spremenljivko in dvema ali več neodvisnimi spremenljivkami uporablja več linearna regresija. Model zapišemo z enačbo Y=b 0 +b 1 ×X 1 +b 2 ×X 2 +…+b n ×Xn. 3. Rezultati in diskusija Tabela 1 prikazuje parametre robotske laserske celice. Stolpec S predstavlja oznako vzorca od P1 do P20. Parameter X 1 predstavlja temperaturo kaljenja (v ° C), parameter X 2 predstavlja hitrost kaljenja (v mm/s), parameter X 3 predstavlja trdoto materiala v HRC in zadnji stolpec Y predstavlja topografsko lastnost hrapavost (v nm). Pod tabelo 2 je predstavljen linearni model in model GP. Tabela 3 prikazuje eksperimentalne in modelirane podatke. Stolpec E prikazuje eksperimentalne vrednosti, stolpec GP predstavlja modelirane vrednosti z metodo GP in stolpec MR predstavlja modelirane vrednosti z metodo MR. Vzorec P1 ima najvišjo trdoto po kaljenju 60 HRC, najnižjo vrednost trdote po kaljenju pa ima vzorec P17, 52 HRC. Vzorec P13 ima najvišjo hrapavost Ra, 2350 nm, najnižjo vrednost hrapavosti pa ima vzorec P4, 76,3 nm. Model genetskega programiranja nam da natančnost 15,98 %, kar pomeni, da je odstopanje med eksperimentalnimi in modeliranimi vrednostmi 84,02 %. Model multiple regresije nam da natančnost 31,88 %, kar pomeni, da je odstopanje med eksperimentalnimi in modeliranimi vrednostmi 68,12 %. Tabela 2. Parametri robotske laserske celice. Model MR Y=1.75×X 1 -82.62×X 2 -55.62×X 3 +2001.87 Model GP Tabela 3. Eksperimentalni in modelirani podatki. Slika 2: Eksperimentalni in modelirani podatki. S X 1 X 2 X 3 Y P1 1000 2 60 201 P2 1000 3 58,7 171 P3 1000 4 56 109 P4 1000 5 56,5 76,3 P5 1400 2 58 1320 P6 1400 3 57,8 992 P7 1400 4 58,1 553 P8 1400 5 58,2 652 P9 1000 2 57,4 337 P10 1000 3 56,1 307 P11 1000 4 53,8 444 P12 1000 5 56 270 P13 1400 2 55,3 2350 P14 1400 3 57,2 1900 P15 1400 4 57,8 661 P16 1400 5 58 759 P17 800 0 52 183 P18 1400 0 57 1330 P19 2000 0 56 1740 P20 950 0 58 502 S E GP MR P1 201 198.173 254.9741 P2 171 179.002 244.6663 P3 109 108.801 312.2361 P4 76,3 76.4217 201.8142 P5 1320 1073.66 1067.4144 P6 992 902.488 995.9125 P7 553 622.442 896.6018 P8 652 582.532 808.4165 P9 337 357.065 399.6038 P10 307 311.393 389.2964 P11 444 445.726 434.6151 P12 270 84.2454 229.6134 P13 2350 1290.83 1217.602 P14 1900 932.973 1029.289 P15 661 636.694 913.2898 P16 759 591.64 819.5418 P17 183 183.365 514.6434 P18 1330 895.599 1288.282 P19 1740 1530.65 2395.682 P20 502 406.221 443.8253 27 4. Zaključki V članku je predstavljena uporaba strojnega učenja v strojništvu, konkretneje pri modeliranju topografije robotsko lasersko kaljenih materialih. Strojno učenje, zadeva gradnjo in preučevanje sistemov, ki se lahko učijo iz podatkov. Učenje je temeljni in najpomemb- nejši element biološko inteligentnih sistemov. V indu- strijskem postopku uporabljamo metode inteligentnega sistema. Članke povezuje znanstvene discipline mate- matike, fizike, računalništva in strojništva. Literatura 1. Steiner Petrovič Darja; Šturm Roman. Fine- structured morphology of a silicon steel sheet after laser surface alloying of Sb powder. Stro- jniški vestnik, Jan. 2014, vol. 60, no. 1, pp. 5-11. 2. Kovačič, Miha, Mihevc, Andrej, Terčelj, Milan. Roll wear modeling using genetic programming - industry case study = Modeliranje obrabe valjev z genetskim programiranjem - primer iz industrije. Materiali in tehnologije, ISSN 1580- 2949. [Tiskana izd.], 2019, letn. 53, št. 3, str. 319 -325, ilustr. http://mit.imt.si/Revija/izvodi/ mit193/kovacic.pdf, doi: 10.17222/mit.2018.104. Anali PAZU, 10/2020/1-2, str. 24-27 Matej BABIČ 26 Multipla (večkratna) linearna regresija (MR) je najpogostejša oblika analize linearne regresije. Kot napovedna analiza se za razlago razmerja med eno stalno odvisno spremenljivko in dvema ali več neodvisnimi spremenljivkami uporablja več linearna regresija. Model zapišemo z enačbo Y=b 0 +b 1 ×X 1 +b 2 ×X 2 +…+b n ×Xn. 3. Rezultati in diskusija Tabela 1 prikazuje parametre robotske laserske celice. Stolpec S predstavlja oznako vzorca od P1 do P20. Parameter X 1 predstavlja temperaturo kaljenja (v ° C), parameter X 2 predstavlja hitrost kaljenja (v mm/s), parameter X 3 predstavlja trdoto materiala v HRC in zadnji stolpec Y predstavlja topografsko lastnost hrapavost (v nm). Pod tabelo 2 je predstavljen linearni model in model GP. Tabela 3 prikazuje eksperimentalne in modelirane podatke. Stolpec E prikazuje eksperimentalne vrednosti, stolpec GP predstavlja modelirane vrednosti z metodo GP in stolpec MR predstavlja modelirane vrednosti z metodo MR. Vzorec P1 ima najvišjo trdoto po kaljenju 60 HRC, najnižjo vrednost trdote po kaljenju pa ima vzorec P17, 52 HRC. Vzorec P13 ima najvišjo hrapavost Ra, 2350 nm, najnižjo vrednost hrapavosti pa ima vzorec P4, 76,3 nm. Model genetskega programiranja nam da natančnost 15,98 %, kar pomeni, da je odstopanje med eksperimentalnimi in modeliranimi vrednostmi 84,02 %. Model multiple regresije nam da natančnost 31,88 %, kar pomeni, da je odstopanje med eksperimentalnimi in modeliranimi vrednostmi 68,12 %. Tabela 2. Parametri robotske laserske celice. Model MR Y=1.75×X 1 -82.62×X 2 -55.62×X 3 +2001.87 Model GP Tabela 3. Eksperimentalni in modelirani podatki. Slika 2: Eksperimentalni in modelirani podatki. S X 1 X 2 X 3 Y P1 1000 2 60 201 P2 1000 3 58,7 171 P3 1000 4 56 109 P4 1000 5 56,5 76,3 P5 1400 2 58 1320 P6 1400 3 57,8 992 P7 1400 4 58,1 553 P8 1400 5 58,2 652 P9 1000 2 57,4 337 P10 1000 3 56,1 307 P11 1000 4 53,8 444 P12 1000 5 56 270 P13 1400 2 55,3 2350 P14 1400 3 57,2 1900 P15 1400 4 57,8 661 P16 1400 5 58 759 P17 800 0 52 183 P18 1400 0 57 1330 P19 2000 0 56 1740 P20 950 0 58 502 S E GP MR P1 201 198.173 254.9741 P2 171 179.002 244.6663 P3 109 108.801 312.2361 P4 76,3 76.4217 201.8142 P5 1320 1073.66 1067.4144 P6 992 902.488 995.9125 P7 553 622.442 896.6018 P8 652 582.532 808.4165 P9 337 357.065 399.6038 P10 307 311.393 389.2964 P11 444 445.726 434.6151 P12 270 84.2454 229.6134 P13 2350 1290.83 1217.602 P14 1900 932.973 1029.289 P15 661 636.694 913.2898 P16 759 591.64 819.5418 P17 183 183.365 514.6434 P18 1330 895.599 1288.282 P19 1740 1530.65 2395.682 P20 502 406.221 443.8253 27 4. Zaključki V članku je predstavljena uporaba strojnega učenja v strojništvu, konkretneje pri modeliranju topografije robotsko lasersko kaljenih materialih. Strojno učenje, zadeva gradnjo in preučevanje sistemov, ki se lahko učijo iz podatkov. Učenje je temeljni in najpomemb- nejši element biološko inteligentnih sistemov. V indu- strijskem postopku uporabljamo metode inteligentnega sistema. Članke povezuje znanstvene discipline mate- matike, fizike, računalništva in strojništva. Literatura 1. Steiner Petrovič Darja; Šturm Roman. Fine- structured morphology of a silicon steel sheet after laser surface alloying of Sb powder. Stro- jniški vestnik, Jan. 2014, vol. 60, no. 1, pp. 5-11. 2. Kovačič, Miha, Mihevc, Andrej, Terčelj, Milan. Roll wear modeling using genetic programming - industry case study = Modeliranje obrabe valjev z genetskim programiranjem - primer iz industrije. Materiali in tehnologije, ISSN 1580- 2949. [Tiskana izd.], 2019, letn. 53, št. 3, str. 319 -325, ilustr. http://mit.imt.si/Revija/izvodi/ mit193/kovacic.pdf, doi: 10.17222/mit.2018.104. ANALIZA TOPOGRAFIJE ROBOTSKO LASERSKO KALJENIH MATERIALOV S POMOČJO STROJNEGA UČENJA