⚡ electrical engineering

Machine Learning Assisted Prediction and Experimental Comparison of Punch Wear in Blanking of AISI D2 and AISI D3 Cold Work Tool Steels

Deze studie combineert experimentele proeven op een hydraulische pers van 500 ton met machine learning-modellering om aan te tonen dat AISI D3-gereedschapsstaal een superieure slijtvastheid biedt ten opzichte van AISI D2 voor blanking-operaties en dat Random Forest-algoritmen de evolutie van ponsslijtage nauwkeurig kunnen voorspellen op basis van materiaaleigenschappen en het aantal slagen.

Oorspronkelijke auteurs: Hasan Öktem, Gürkan Soy, Naresh Kumar Konada

Gepubliceerd 2026-10-09

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Hasan Öktem, Gürkan Soy, Naresh Kumar Konada

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In de fabrieken waar auto's, apparaten en gebouwen worden gebouwd, slaat een enorme machine herhaaldelijk een scherpe metalen pons door platen staal om vormen uit te snijden. Dit proces, bekend als blanking, is het werkpaard van de moderne productie en creëert de precieze onderdelen die onze wereld bij elkaar houden. De scherpe rand van de pons is echter niet onverwoestbaar. Bij elke slag zorgen wrijving en druk ervoor dat de rand slijt, waardoor de rand licht afgerond wordt. Naarmate de rand botter wordt, verslechtert de kwaliteit van de snede, wat resulteert in ruwe randen of braamvorming op de afgewerkte onderdelen. Decennialang hebben fabriekmanagers dit slijtageproces beheerd door te gokken wanneer ze het gereedschap moeten stoppen en slijpen, waarbij ze de tool vaak te vroeg vervingen en geld verspilden, of te laat en daarmee het risico liepen een machine te breken. De uitdaging ligt in het voorspellen van hoe lang een gereedschap precies zal meegaan voordat het faalt, een taak die afhangt van het specifieke metaal waarvan het gereedschap is gemaakt en hoe hard er op wordt gedrukt.

Een team van onderzoekers zette zich scharpe om dit puzzelstuk op te lossen door twee veelvoorkomende soorten staal die voor deze ponsen worden gebruikt, te vergelijken: AISI D2 en AISI D3. Ze wilden zien welk metaal de straf van het snijden door één millimeter dikke laag koolstofarme staalplaten langer kon weerstaan. Om dit te ontdekken, voerden ze een grootschalig experiment uit op een 5�00-tons hydraulische pers. Ze installeerden ponsen gemaakt van elk type staal en lieten ze continu snijden, waarbij ze alleen op specifieke intervallen stopten om de schade te meten. Ze testten deze van 10.000 slagen tot aan 80.000 slagen, terwijl de omstandigheden droog en identiek bleven, zonder olie of smeermiddel om de boel te verstoren. Deze droge omgeving komt veel voor in sectoren waar olie het eindproduct zou kunnen vervuilen, maar het maakt de taak voor het gereedschap veel zwaarder.

De resultaten lieten een duidelijke winnaar zien in de vroege stadia van de test. De pons gemaakt van AISI D3-staal, dat harder is en meer koolstof bevat, behield zijn scherpe rand aanzienlijk beter dan de AISI D2-pons. Bij de grens van 10.000 slagen was de volumeafname van de D3-pons bijna vijf keer kleiner dan die van de D2-pons. Een microscopische inspectie toonde de reden hiervoor aan: de D2-pons begon te lijden onder een specifiek type schade waarbij kleine stukjes van het werkstukstaal aan de rand van het gereedschap bleven plakken, wat een ruwe, grillige ophoping vormde die de slijtage versnelde. De D3-pons, die harder is, weerstond dit plakken en slijtde glad en gelijkmatig, zoals een steen die langzaam glad wordt in een rivier, zonder die rommelige ophoping.

Echter, het verhaal veranderde naarmate het aantal snedes toenam. Naarmate het experiment richting de 80.000 slagen ging, begon het voordeel van het hardere D3-staal te krimpen. Aan het einde van de test was het verschil in slijtage tussen de twee materialen drastisch afgenomen, waarbij de D3-pons slechts een kleine voorsprong vertoonde ten opzichte van de D2. Dit gebeurde omdat de D2-pons uiteindelijk een laag van opgebracht materiaal ontwikkelde die de slijtage tijdelijk maskeerde, waardoor de twee gereedschappen in hun eindtoestand meer op elkaar leken. De onderzoekers ontdekten dat hoewel het D3-gereedschap gedurende het hele proces schoner en scherper bleef, het enorme volume aan materiaal dat door de D2-pons werd verloren, in de loop van de tijd aanzienlijk inhaalde.

Om deze fysieke observaties om te zetten in een nuttig hulpmiddel voor de toekomst, voedden de onderzoekers hun gegevens aan drie verschillende computermodellen die ontworpen zijn om van patronen te leren. Ze gebruikten een methode genaamd machine learning, waarbij een computerprogramma de relatie bestudeert tussen het aantal snedes, de hardheid van het staal en de resulterende slijtage om te voorspellen wat er vervolgens zal gebeuren. Onder de drie modellen die ze testten, bleek één model, genaamd Random Forest, de meest nauwkeurige te zijn. Het leerde de complexe, niet-lineaire manier waarop de gereedschappen slijten met zodanige precisie dat het de slijtage van het volume met bijna 99% nauwkeurigheid kon voorspellen. De computer identificeerde dat het aantal slagen de belangrijkste factor was bij het voorspellen van slijtage, gevolgd door de hardheid van het staal.

Deze studie biedt een praktisch pad voorwaarts voor industrieën die afhankelijk zijn van deze snijgereedschappen. Door real-world testen te combineren met slimme computermodellen, kunnen fabriekmanagers nu overstappen van gokken naar precieze planning. Ze kunnen het juiste staal kiezen voor hun specifieke productiebehoeften, wetende dat voor kortere runs het hardere D3-staal een duidelijk voordeel biedt, terwijl voor zeer lange runs het verschil minder kritiek wordt. Het onderzoek bevestigt dat hoewel materiaalkunde de basis vormt, het vermogen om slijtage te voorspellen via data zorgt voor een slimmere, efficiëntere productie, waardoor de machines die onze wereld in beweging houden zo lang mogelijk soepel blijven draaien.

Technische Samenvatting: Machine Learning-ondersteunde Voorspelling en Experimentele Vergelijking van Matrijs-slijtage bij het Blanken van AISI D2 en AISI D3 Koudwerkgereedschapsstaal

Probleemstelling
Het blankingsproces is cruciaal voor de productie van componenten in de automotive-, elektronica- en constructiesector. Het beheer van gereedschapsslijtage blijft echter grotendeels empirisch en steunt op vaste, conservatieve slijpintervallen die zijn afgeleid van trial-and-error, in plaats van op voorspellende modellen. Deze aanpak leidt vaak tot voortijdige vervanging van gereedschap of ongeplande downtime door catastrofale defecten. Hoewel koudwerkgereedschapstalen AISI D2 en AISI D3 de dominante materialen zijn voor blanking-punches, zijn gecontroleerde, directe vergelijkingen van hun slijtageprestaties onder identieke omstandigheden over uitgebreide aantal slagen (tot 80.000) schaars. Bovendien vereisen bestaande fysische slijagemodellen vaak moeilijk te kalibreren parameters, en zijn datagedreven machine learning (ML)-benaderingen niet systematisch toegepast om het volumetrische slijtagevolume van de punch te voorspellen als functie van het aantal slagen en de materiaaleigenschappen in deze specifieke context.

Methodologie
De studie maakte gebruik van een tweeledige aanpak waarbij gecontroleerde experimenten werden gecombineerd met supervised machine learning:

Experimentele Campagne:
- Materialen: Er werden AISI D2 (1,5% C, 11,6% Cr, 0,7% Mo) en AISI D3 (2,1% C, 10,5% Cr, geen Mo) punches gebruikt voor het blanken van 1 mm dik ASTM A1011 laag koolstofstaal.
- Condities: De proeven werden uitgevoerd op een 500-ton hydraulische pers onder droge contactcondities (geen smeermiddel) bij 8 slagen/min. De punch-matrijs speling was vastgesteld op 10% van de plaatdikte (0,1 mm).
- Meting: De punches werden gemeten met intervallen van 10.000 slagen (tot 80.000), met een extra meting bij 5.000 slagen voor D2. De snijrandradius werd gemeten via optische microscopie, en het volumetrische slijtagevolume ( $W_v$ ) werd berekend met behulp van een analytisch geometrisch model. Slijtagemechanismen werden gekarakteriseerd via microscopie.
- Dataset: De initiële dataset bestond uit 15 records (8 voor D2, 7 voor D3).
Machine Learning Framework:
- Data Augmentatie: Om het kleine steekproefvolume aan te pakken, werd een Gaussian-noise augmentatiestrategie gebruikt om de dataset uit te breiden van 15 naar 150 records (10 synthetische replicaten per originele record) om overfitting te voorkomen.
- Modellen: Drie supervised regressiemodellen werden ontwikkeld en getest:
  - Random Forest (RF): Een ensemble van 200 beslissingsbomen.
  - Long Short-Term Memory (LSTM): Een sequentiële deep learning netwerk met twee gestapelde lagen (64 en 32 eenheden) en dropout regularisatie.
  - Support Vector Regression (SVR): Gebruikmakend van een Radial Basis Function (RBF) kernel.
- Kenmerken (Features): De inputvariabelen omvatten het aantal slagen, hardheid (HRC), treksterkte en elasticiteitsmodulus. De doelvariabele was het slijtagevolume.
- Validatie: Modellen werden geëvalueerd met 5-voudige cross-validatie en een apart gehouden testset, waarbij prestatie-indicatoren zoals $R^2$ , RMSE en MAE werden gebruikt.

Belangrijkste Resultaten

Slijtageprestaties: AISI D3 vertoonde een superieure slijtvastheid vergeleken met AISI D2. Bij 80.000 slagen vertoonde de D3-punch een snijrandradius die ongeveer 40% lager was (93,97 µm vs. 156,7 µm) en een slijtagevolume dat ongeveer 14,5% lager was (8,30 × 10⁶ vs. 9,70 × 10⁶ µm³) dan die van D2.
Slijtagemechanismen: Microscopie toonde aan dat AISI D2 leed onder gecombineerde adhesieve en abrasieve slijtage, gekenmerkt door de vorming van een opgebouwde rand (Built-Up Edge, BUE) voorbij de 50.000 slagen. In tegen tegenstelling hiertoe behield AISI D3 voornamelijk abrasieve slijtage zonder significante materiaalaccumulatie, waardoor een schonere snijrand behouden bleef.
Convergentie van Slijtage: De slijtagevolumeratio (D2/D3) was 4,77 bij 10.000 slagen maar kromp aanzienlijk naar 1,17 bij 80.000 slagen. Deze convergentie wordt toegeschreven aan de BUE-vorming op D2, die de slijtage eerst maskeert voordat daaropvolgende delaminatie de schijnbare slijtage versnelt.
Modelprestaties: Het Random Forest-model bereikte de hoogste voorspellende nauwkeurigheid ( $R^2 = 0,987$ , RMSE = 142.300 µm³), waarmee het LSTM ( $R^2 = 0,981$ ) en SVR ( $R^2 = 0,962$ ) overtrof.
Kenmerkbelang (Feature Importance): Analyse identificeerde het aantal slagen als de dominante voorspeller van het slijtagevolume (58% belang), gevolgd door hardheid (22%), treksterkte (12%) en elasticiteitsmodulus (8%).

Betekenis en Claims
Het artikel beweert een praktisch, generaliseerbaar kader te bieden voor voorspellende gereedschapstijdplanning en materiaalselectie in precisieblanking. De studie toont aan dat:

Materiaalselectie: AISI D3 biedt een kwantificeerbaar voordeel in slijtvastheid voor productieruns onder de 50.000 slagen. Echter, voor runs die meer dan 60.000–80.000 slagen beslaan, neemt het voordeel in volumetrische slijtage af, wat suggereert dat de selectiecriteria moeten verschuiven naar het meewegen van braamvorming en de kwaliteit van de snijkant, waar D3 een duidelijk voordeel behoudt vanwege de afwezigheid van BUE.
Voorspellend Vermogen: De gecombineerde experimentele en datagedreven aanpak biedt een computationeel goedkope route om het slijtagevolume te voorspellen zonder dat voor elke nieuwe configuratie een volledige mechanistische herafleiding nodig is. Het Random Forest-model wordt benadrukt als bijzonder effectief voor interpolatieve nauwkeurigheid binnen het geteste bereik van het aantal slagen.
Beperkingen en Toekomstig Werk: De auteurs merken bescheiden op dat de betrouwbaarheid van het Random Forest-model afneemt bij extrapolatie buiten de 80.000-slagen trainingslimiet. Zij suggereren dat toekomstig werk aanvullende procesvariabelen (speling, smering), andere soorten koudwerkstaal, en online sensordata (akoestische emissie, kracht-verplaatsing) moet bevatten om real-time monitoring en hybride physics-informed modellering mogelijk te maken. De studie claimt niet alle uitdagingen van voorspelling van gereedschapstijd te hebben opgelost, maar biedt een gevalideerde stap richting onderhoud op basis van conditie in blanking-processen.

Meer zoals dit