Barkhausen-kohinamittaus ja hiontapalamiset

Abstract

Hiontapalaminen on teollisuudessa merkittävä ongelma. Hiontapalamisessa kappaleen pinnassa vaikuttavat jännitykset kääntyvät kappaletta vahvistavista puristavista jännityksistä vetojännityksiksi. Tämän lisäksi kappaleen mikrokovuus alenee. Hiontapalamista voidaan mitata monella tapaa. Näistä yksi yleisesti käytössä oleva menetelmä on Barkhausen-kohinamittaus.

Tässä kandidaatintyössä käydään läpi Barkhausen-kohinamittauksen hyödyntämistä hiontapalamisten havaitsemisessa, arvioinnissa ja luokittelussa. Tämän lisäksi luotiin kolmeen luokkaan jaetun BN-mittausdatan pohjalta luokittelumalli sekä päätöksentekopuun että logistisen regression avulla. Tällä pyrittiin vastaamaan siihen, toimiiko tässä tilanteessa kaksivaiheinen luokittelu paremmin kuin yhtäaikainen luokittelu. Mallien toimintaa arvioitiin sekaannusmatriisien avulla käyttäen holdout-ristivalidointia. Tämän lisäksi luotiin esimerkkimalli koko dataa käyttäen.

Mallit suoriutuivat luokittelusta hyvin. Päätöksentekopuumallin keskimääräiset tarkkuudet opetusdatalle ja testausdatalle olivat 97,40 % ja 89,82 %. Merkittäviä eroja tässä työssä muodostettujen mallien ja kirjallisuudessa esitetyn mallin välillä ei ollut. Kumpikaan malli ei luokitellut testausdatan luokkaa 3 kovin hyvin. Mallien käyttäytymisestä huomattiin, että luokkien 1 ja 2 erottelussa mallit käyttivät lähinnä BN-mittauksen RMS-arvon muutosta. Luokan 2 ja 3 erotus taas tapahtui piikin sijainnin avulla. Mallit todettiin melko toimiviksi ja luotettaviksi. Näin osoitettiin taas eri asteisten hiontapalamisten luokittelun onnistuvan BN:n piirteiden avulla.

Grinding burn is major problem in industry. In grinding burn, residual stresses in surface region of the object, turn from reinforcing compressive stresses to tensile stresses. In addition, surfaces micro hardness decreases. Grinding burns can be measured in many ways. One of those methods is a nondestructive method that uses magnetic Barkhausen noise (BN), Barkhausen noise measurement.

In this bachelor’s thesis Barkhausen noise measurement usage for detection, validation and classification of grinding burns was investigated. Grinding burn classification models were created with logistic regression and with decision tree for BN data separated into 3 categories. Models were made to answer if two phase classification works better ii this situation than simultaneous classification.

Classification models performed well. For example, decision trees average performance for teaching data and validation data was 97,40% and 89,82%. Big differences between the models and model of Santa-Aho et al. (2023) were not found. No model could predict testing data’s class 3 well. This was probably because of the small number of class 3 data points. Interesting behaviour of the models was found. The distinction between class 1 and class 2 was made almost completely using the RMS value and distinction between class 2 and class 3 was made almost completely using the peak position of Barkhausen profile. The models were quite good and reliable, so it was shown again that grinding burn classification can be done with Barkhausen noise features.