Моделювання та оптимізація комбінованих методів поверхневого зміцнення деталей машин на основі нейронних мереж і генетичних алгоритмів
DOI:
https://doi.org/10.32515/2664-262X.2026.13(44).273-285Ключові слова:
оптимізація поверхневого зміцнення, нейронні мережі, генетичний алгоритм, комбіновані методи зміцнення, зносостійкість, термообробка, захисні покриття, предиктивне обслуговування, Парето-оптимізація, ресурсовизначальні деталіАнотація
Проблема вибору оптимальних параметрів поверхневого зміцнення деталей автомобільної та сільськогосподарської техніки є актуальною, оскільки традиційні підходи базуються на емпіричних або дорогих експериментальних методах. Запропоновано нейромережеву систему, що поєднує багатошаровий персептрон для прогнозування зносу і ресурсу та генетичний алгоритм для багатокритеріальної оптимізації за цільовою функцією.
Дослідження охоплює 8 типів деталей і 14 варіантів зміцнення. Застосовано датасет із 40 000 синтетичних зразків. Модель показала точність: коефіцієнт детермінації R² = 0,33...0,97, RMSE = 0,0...3,1 мкм, MAPE = 4,0...21,5%. Оптимізація дозволила підвищити ресурс на 143...196%.
Посилання
Список літератури
1. Mobley R. Keith. An Introduction to Predictive Maintenance / R. Keith Mobley. – 2nd ed. – Oxford : Butterworth-Heinemann, 2002. – 532 p. – URL: https://doi.org/10.1016/B978-075067531-4/50002-8 (дата звернення: 21.01.2026).
2. Lee J. et al. Service Innovation and Smart Analytics for Industry 4.0 and Big Data Environment // Procedia CIRP. – 2014. – Vol. 16. – P. 3–8. – URL: https://doi.org/10.1016/j.procir.2014.02.001 (дата звернення: 21.01.2026).
3. Чумак В. М. та ін. Підвищення зносостійкості та надійності ресурсовизначальних деталей транспортної та сільськогосподарської техніки методами інженерної оптимізації // Центральноукраїнський науковий вісник. Технічні науки. – 2025. – Т. 11, № 42, ч. 2. – С. 143–159. – URL: https://doi.org/10.32515/2664-262X.2025.12(43).1.272-288 (дата звернення: 25.01.2026).
4. Чумак В. М. та ін. Універсальний метод формалізації параметрів ресурсовизначальних деталей транспортної та сільськогосподарської техніки для систем предиктивного обслуговування // Центральноукраїнський науковий вісник. Технічні науки. – 2025. – Вип. 12(43), ч. 2. – С. 204–219. – URL: https://doi.org/10.32515/2664-262X.2025.12(43).2.204-219 (дата звернення: 25.01.2026).
5. Hutchings I., Shipway P. Tribology: Friction and Wear of Engineering Materials. – 2nd ed. – Oxford : Butterworth-Heinemann, 2017. – 412 p. – URL: https://doi.org/10.1016/B978-0-08-100910-9.00001-8 (дата звернення: 25.01.2026).
6. Zum Gahr K. H. Microstructure and Wear of Materials. – 1st ed. – Amsterdam : North Holland, 1987. – 560 p. – ISBN 978-0-08-087574-3. – URL: https://www.academia.edu/82805296/Karl_Heinz_Zum_Gahr_Microstructure_and_Wear_of_Materials (дата звернення: 25.01.2026).
7. Archard J. F. Contact and Rubbing of Flat Surfaces // Journal of Applied Physics. – 1953. – Vol. 24, No. 8. – P. 981–988. – URL: https://doi.org/10.1063/1.1721448 (дата звернення: ).
8. ISO 281:2007 Rolling bearings - Dynamic load ratings and rating life. – 2nd ed. – Geneva : International Organization for Standardization, 2007. – URL: https://www.iso.org/standard/38102.html (дата звернення: 25.01.2026).
9. Bhushan B. Modern Tribology Handbook. – 1st ed. – Boca Raton : CRC Press, 2000. – URL: https://doi.org/10.1201/9780849377877 (дата звернення: 25.01.2026).
10. Horvat Z. et al. Reduction of mouldboard plough share wear by a combination technique of hardfacing // Tribology International. – 2008. – Vol. 41, No. 8. – P. 778–782. – URL: https://doi.org/10.1016/j.triboint.2008.01.008 (дата звернення: 25.01.2026).
11. Bayhan Y. Reduction of wear via hardfacing of chisel ploughshare // Tribology International. – 2006. – Vol. 39, No. 6. – P. 570–574. – URL: https://doi.org/10.1016/j.triboint.2005.06.005 (дата звернення: 10.02.2026).
12. Аулін В. В. та ін. Кіберфізичний підхід при створенні транспортно-виробничих систем // Центральноукраїнський науковий вісник. Технічні науки. – 2020. – Т. 3, № 34. – С. 331–343. – URL: https://doi.org/10.32515/2664-262X.2020.3(34).331-343 (дата звернення: 15.02.2026).
13. Головатий А. О. та ін. Вдосконалення математичного моделювання машинобудівних технологій для смарт-підприємств в системі машинного зору // Центральноукраїнський науковий вісник. Технічні науки. – 2025. – Вип. 11(42), ч. 2. – С. 143–159. – URL: https://doi.org/10.32515/2664-262X.2025.11(42).2.143-159 (дата звернення: 15.02.2026).
14. Shah R. et al. Machine Learning in Wear Prediction // ASME Journal of Tribology. – 2025. – Vol. 147, No. 4. – P. 040801. – URL: https://doi.org/10.1115/1.4066865 (дата звернення: 17.02.2026).
15. Carvalho T. P. et al. A systematic literature review of machine learning methods applied to predictive maintenance // Computers & Industrial Engineering. – 2019. – Vol. 137. – P. 106024. – URL: https://doi.org/10.1016/j.cie.2019.106024 (дата звернення: 17.02.2026).
16. Łach Ł. Recent Advances in Laser Surface Hardening: Techniques, Modeling Approaches, and Industrial Applications // Crystals. – 2024. – Vol. 14, No. 8. – P. 726. – URL: https://doi.org/10.3390/cryst14080726 (дата звернення: 17.02.2026).
17. Liu G. et al. Parameters Optimization of Plasma Hardening Process Using Genetic Algorithm and Neural Network // Journal of Iron and Steel Research International. – 2012. – URL: https://doi.org/10.1016/S1006-706X(12)60010-7 (дата звернення: 17.02.2026).
18. Ulas M. et al. A new approach for prediction of the wear loss of PTA surface coatings using artificial neural network and basic, kernel-based, and weighted extreme learning machine // Friction. – 2020. – Vol. 8. – P. 1102–1116. – URL: https://doi.org/10.1007/s40544-017-0340-0 (дата звернення: 17.02.2026).
19. Altay O. et al. Prediction of wear loss quantities of ferro-alloy coating using different machine learning algorithms // Friction. – 2020. – Vol. 8. – P. 107–114. – URL: https://doi.org/10.1007/s40544-018-0249-z (дата звернення: 17.02.2026).
20. Jatavallabhula J. K., Shabana S., Pappula B. Development and Evaluation of Machine Learning Based Predictive Models for Tribological Properties of Blended Coatings at Elevated Temperature // Journal of Bio- and Tribo-Corrosion. – 2025. – Vol. 11. – Art. 25. – URL: https://doi.org/10.1007/s40735-025-00952-7 (дата звернення: 17.02.2026).
21. Natsis A., Papadakis G., Pitsilis J. The Influence of Soil Type, Soil Water and Share Sharpness of a Mouldboard Plough on Energy Consumption, Rate of Work and Tillage Quality // Journal of Agricultural Engineering Research. – 1999. – Vol. 72, No. 2. – P. 171–176. – URL: https://doi.org/10.1006/jaer.1998.0360 (дата звернення: 17.02.2026).
22. Zhang B., Zhang S., Li W. Bearing performance degradation assessment using long short-term memory recurrent network // Computers in Industry. – 2019. – Vol. 106. – P. 14–29. – URL: https://doi.org/10.1016/j.compind.2018.12.016 (дата звернення: 17.02.2026).
23. Zheng J., Li W., Li J. A Comparative Study on the Wear Behavior of Quenched-and-Partitioned Steel (Q&P) and Martensite Steel (Q&T) // Coatings. – 2024. – Vol. 14, No. 6. – P. 727. – URL: https://doi.org/10.3390/coatings14060727 (дата звернення: 19.02.2026).
24. Deshmankar A. P. et al. Review of the Applications of Machine Learning for Prediction and Analysis of Mechanical Properties and Microstructures in Additive Manufacturing // Journal of Computing and Information Science in Engineering. – 2024. – Vol. 24, No. 12. – P. 1–17. – URL: https://doi.org/10.1115/1.4066575 (дата звернення: 19.02.2026).
25. Yan H. et al. Machine Learning-Based Prediction of Tribological Properties of Epoxy Composite Coating // Polymers. – 2025. – Vol. 17, No. 3. – P. 282. – URL: https://doi.org/10.3390/polym17030282 (дата звернення: 19.02.2026).
26. Davis J. R. (ed.). Alloying: Understanding the Basics. – Materials Park : ASM International, 2001. – URL: https://doi.org/10.31399/asm.tb.aub.9781627082976 (дата звернення: 19.02.2026).
References
1. Mobley, R. K. (2002). An introduction to predictive maintenance (2nd ed.). Butterworth-Heinemann. https://doi.org/10.1016/B978-075067531-4/50002-8
2. Lee, J., Kao, H.-A., & Yang, S. (2014). Service innovation and smart analytics for Industry 4.0 and Big Data Environment. Procedia CIRP, 16, 3–8. https://doi.org/10.1016/j.procir.2014.02.001
3. Chumak, V. M., Aulin, V. V., Hrynkiv, A. V., Lysenko, S. V., & Kuzyk, O. V. (2025). Improvement of wear resistance and reliability of resource-determining parts of transport and agricultural machinery by methods of engineering optimization. Central Ukrainian Scientific Bulletin. Technical Sciences, 11(42, part 2), 143–159. https://doi.org/10.32515/2664-262X.2025.12(43).1.272-288 [in Ukrainian].
4. Chumak, V. M., et al. (2025). Universal method for formalizing parameters of resource-determining parts of transport and agricultural machinery for predictive maintenance systems. Central Ukrainian Scientific Bulletin. Technical Sciences, 12(43, part 2), 204–219. https://doi.org/10.32515/2664-262X.2025.12(43).2.204-219 [in Ukrainian].
5. Hutchings, I., & Shipway, P. (2017). Tribology: Friction and wear of engineering materials (2nd ed.). Butterworth-Heinemann. https://doi.org/10.1016/B978-0-08-100910-9.00001-8
6. Zum Gahr, K. H. (1987). Microstructure and wear of materials (1st ed.). North Holland. https://www.academia.edu/82805296/Karl_Heinz_Zum_Gahr_Microstructure_and_Wear_of_Materials
7. Archard, J. F. (1953). Contact and rubbing of flat surfaces. Journal of Applied Physics, 24(8), 981–988. https://doi.org/10.1063/1.1721448
8. ISO 281:2007. (2007). Rolling bearings - Dynamic load ratings and rating life (2nd ed.). International Organization for Standardization. https://www.iso.org/standard/38102.html
9. Bhushan, B. (2000). Modern tribology handbook (1st ed.). CRC Press. https://doi.org/10.1201/9780849377877
10. Horvat, Z., Filipović, D., Kosutic, S., & Emert, R. (2008). Reduction of mouldboard plough share wear by a combination technique of hardfacing. Tribology International, 41(8), 778–782. https://doi.org/10.1016/j.triboint.2008.01.008
11. Bayhan, Y. (2006). Reduction of wear via hardfacing of chisel ploughshare. Tribology International, 39(6), 570–574. https://doi.org/10.1016/j.triboint.2005.06.005
12. Aulín, V. V., Hrynkiv, A. V., & Holovatyi, A. O. (2020). Cyber-physical approach in the creation of transport and production systems. Central Ukrainian Scientific Bulletin. Technical Sciences, 3(34), 331–343. https://doi.org/10.32515/2664-262X.2020.3(34).331-343 [in Ukrainian].
13. Holovatyi, A. O., et al. (2025). Improvement of mathematical modeling of engineering technologies for smart enterprises in the machine vision system. Central Ukrainian Scientific Bulletin. Technical Sciences, 11(42, part 2), 143–159. https://doi.org/10.32515/2664-262X.2025.11(42).2.143-159 [in Ukrainian].
14. Shah, R., et al. (2025). Machine learning in wear prediction. ASME Journal of Tribology, 147(4), 040801. https://doi.org/10.1115/1.4066865
15. Carvalho, T. P., Soares, F. A. A. M., Vita, R., Francisco, R. P., Basto, J. P., & Alcalá, S. G. S. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, 106024. https://doi.org/10.1016/j.cie.2019.106024
16. Łach, Ł. (2024). Recent advances in laser surface hardening: Techniques, modeling approaches, and industrial applications. Crystals, 14(8), 726. https://doi.org/10.3390/cryst14080726
17. Liu, G., et al. (2012). Parameters optimization of plasma hardening process using genetic algorithm and neural network. Journal of Iron and Steel Research International. https://doi.org/10.1016/S1006-706X(12)60010-7
18. Ulas, M., et al. (2020). A new approach for prediction of the wear loss of PTA surface coatings using artificial neural network and basic, kernel-based, and weighted extreme learning machine. Friction, 8, 1102–1116. https://doi.org/10.1007/s40544-017-0340-0
19. Altay, O., et al. (2020). Prediction of wear loss quantities of ferro-alloy coating using different machine learning algorithms. Friction, 8, 107–114. https://doi.org/10.1007/s40544-018-0249-z
20. Jatavallabhula, J. K., Shabana, S., & Pappula, B. (2025). Development and evaluation of machine learning based predictive models for tribological properties of blended coatings at elevated temperature. Journal of Bio- and Tribo-Corrosion, 11, Article 25. https://doi.org/10.1007/s40735-025-00952-7
21. Natsis, A., Papadakis, G., & Pitsilis, J. (1999). The influence of soil type, soil water and share sharpness of a mouldboard plough on energy consumption, rate of work and tillage quality. Journal of Agricultural Engineering Research, 72(2), 171–176. https://doi.org/10.1006/jaer.1998.0360
22. Zhang, B., Zhang, S., & Li, W. (2019). Bearing performance degradation assessment using long short-term memory recurrent network. Computers in Industry, 106, 14–29. https://doi.org/10.1016/j.compind.2018.12.016
23. Zheng, J., Li, W., & Li, J. (2024). A comparative study on the wear behavior of quenched-and-partitioned steel (Q&P) and martensite steel (Q&T). Coatings, 14(6), 727. https://doi.org/10.3390/coatings14060727
24. Deshmankar, A. P., et al. (2024). Review of the applications of machine learning for prediction and analysis of mechanical properties and microstructures in additive manufacturing. Journal of Computing and Information Science in Engineering, 24(12), 1–17. https://doi.org/10.1115/1.4066575
25. Yan, H., et al. (2025). Machine learning-based prediction of tribological properties of epoxy composite coating. Polymers, 17(3), 282. https://doi.org/10.3390/polym17030282
26. Davis, J. R. (Ed.). (2001). Alloying: Understanding the basics. ASM International. https://doi.org/10.31399/asm.tb.aub.9781627082976
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 В. М. Чумак, Є. В. Манько, С. В. Лисенко
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
