Koszalin University of Technology Institute of Mechatronics Nanotechnology and Vacuum Technique Koszalin University of Technology

Gaseous nitriding process Nitriding atmosphere: NH3 (ammonia) NH3 + N2 NH3 + NH3(diss.) (N2 + H2) Temperature 460÷620°C Proces azotowania Process time – from few to few tens hours

Gaseous nitriding process 5NH3  NH3 + 5H2 + 2H + N2 + 2N (arbitrary proportion) 1234 e g’ a-Fe(N)

Structure of nitrided layer 50 100 mm e + g’ a-Fe(N) + MNx e g’ a-Fe(N)

Structure of nitrided layer hardness distribution 50 100 mm Strefy utwardzenia Structure of nitrided layer hardness distribution a-Fe(N) + MNx Hp

Structure of nitrided layer 50 100 mm Strefy utwardzenia Structure of nitrided layer hardness distribution thickness of hardned zone a-Fe(N) + MNx Hp g600 g500 g400

Software Hardware Oprogramowanie komputerowe Oprogramowanie sterowników PLC Oprogramowanie pulpitów operatorskich Elementy i podzespoły pomiarowe Układy wykonawcze i regulacyjne Układy zabezpieczeń

Podstawowe założenia odnośnie systemu Modułowa, rozproszona architektura systemu Automatyzacja procesów azotowania gazowego z innowacyjnym sposobem sterowania potencjałem azotowym Optymalizacja przebiegu procesów azotowania na podstawie kryteriów: kinetyka wzrostu warstwy oraz wykorzystanie (minimalizacja) amoniaku Zapewnienie powtarzalności parametrów wytwarzanych warstw Zdalne monitorowanie realizacji procesu poprzez Internet Precyzyjne projektowanie procesów azotowania gazowego

Software

Metody sztucznej inteligencji sztuczne sieci neuronowe logika rozmyta Rzeczywisty proces Metody sztucznej inteligencji sztuczne sieci neuronowe logika rozmyta algorytmy ewolucyjne Model procesu matematyczny statystyczny Baza danych Parametry procesu Rezultaty procesu Baza danych Parametry procesów Rezultaty procesów Zagadnienie polioptymalizacyjne ??? Parametry procesu projektowanego Zakładane rezultaty procesu Rezultat Model procesu Wybór parametrów REZULTAT POŻADANY PARAMETRY PROCESU Rezultaty Reguły wiedzy Parametry PARAMETRY PROCESU Baza danych

Calculation by iteration method CN x ( ) å = D 3 1 2 j ij ef c k b e Calculation by iteration method i = 1, 2, 3 1 – e ; 2 – g’; 3 – a etc

Mathematical Models CN x maximum concentration and the profile of nitrogen bonded in nitrides 1 maximum concentration and the profile of nitrogen dissolved in Fe maximum concentration and the profile of nitrogen bonded in nitrides 2

Application for nitriding process Process temperature in function of process time Predicted summarised flow of gaseous in function on process time. gazów w funkcji czasu NH3 content in gaseous atmosphere Equilibrium potential a/g' for given temperature in function of process time

Metody sztucznej inteligencji sztuczne sieci neuronowe logika rozmyta Rzeczywisty proces Metody sztucznej inteligencji sztuczne sieci neuronowe logika rozmyta algorytmy ewolucyjne Model procesu matematyczny statystyczny Baza danych Parametry procesu Rezultaty procesu Baza danych Parametry procesów Rezultaty procesów Zagadnienie polioptymalizacyjne ??? Parametry procesu projektowanego Zakładane rezultaty procesu Rezultat Model procesu Wybór parametrów REZULTAT POŻADANY PARAMETRY PROCESU Rezultaty Reguły wiedzy Parametry PARAMETRY PROCESU Baza danych

T t Np i r w a d o ś ć H V distance x, [mm] x HV T, t, Np = const HV=f(T,t,Np,x) x = var K – nurons number in hiden layer Neural set 4-K-1 Distribution of microhardness in surface layer a) b)

Result sensor (magnetic sensor) Development of stresses and phase transformations Generator Detektor Change of magnetic properties Czujnik - zaasada działania Change of induced voltage signal

Monitoring of nitriding process 135 M (AISI- nitralloy) 1200 90 min Beginning of formation of nitrided layer Concentr. (mol/m3) 2mm 9mm Thickness of nitrided layer 0,8 0,0 400mm Depth -0,4 0,4 1200 120 min Nucleation of nitrided layer Sensor sign. (j.u.) Sygnał różniczkowy czujnika (j.u.) -0,8 Concentr. (mol/m3) 0,0 -1,2 Magnetic phase transformation 400mm Depth 180 min. Beginning of growth of continuous nitrided layer 1200 -1,6 -0,4 120 240 360 Concentr. (mol/m3) Process time (min) 400mm Depth

Inteligentne algorytmy uczenia Struktura systemu Inteligentne algorytmy uczenia Projektowanie procesów Bazy danych Sterowanie chłodzeniem Sterowanie grzaniem Sterowanie dozowaniem atmosfery procesowej Moduł pomiarów Wariant 1: wyznaczenie potencjału Sterowniki PLC Wypracowywanie sterowania Komunikacja z PC Wariant 1: sonda potencjału Pulpity operatorskie Zabezpieczenia pieca

Opracowane modele systemu sterowania procesami azotowania gazowego Przeznaczenie Komputerowe wspomaganie projektowania procesów azotowania gazowego Predykcja potencjału azotowego w funkcji czasu i temperatury środowiska procesowego Predykcja składu atmosfery środowiska procesowego Model potencjału azotowego jako funkcja czasu, stężeń qasi-równowagowych Lehrera oraz stopnia dysocjacji Model potencjału azotowego jako funkcja składu atmosfery azotującej Model dynamiki zmian udziałów objętościowych gazów atmosfery azotującej jako funkcja czasu, temperatury i potencjału azotowego Model dynamiki zmian udziałów objętościowych gazów atmosfery azotującej jako funkcja czasu oraz wydatku atmosfery rozcieńczającej Model optymalizacji udziałów objętościowych gazów atmosfery rozcieńczającej (amoniak-azot-amoniak zdysocjowany) dla różnych wartości stopnia dysocjacji Model symulacji kinetyki wzrostu warstwy Model symulacji profili koncentracji azotków na granicach faz Model symulacji stężeń azotków

System dozowania gazów Utylizacja amoniaku NH3 Pv2 Pv1 Pomiar potencjału azotowego Atmosfera Analizator wodoru Dysocjometr Sonda potencjału azotowego Pv3 Dysocjator N2 NH3 Pv - Mass flower - Zawór ON-OFF - Zawór zwrotny -Miernik ciśnienia -Filtr (osuszacz) -Elektrozawór

Moduł wizualizacji przebiegu procesu azotowania gazowego Dane diagnostyczne Przepływ gazów Kinetyka wzrostu warstwy Temperatura Potencjał azotowy Projektowanie procesów Zapis procesu w bazie danych Skład atmosfery Wydatek Uruchomienie procesu Wyłączenia awaryjne Internet i SMS-y Rozporządzalność azotu Stopień dysocjacji

Summary Elaborated intelligent tools allow designing of the diffusion processes in order to obtain precision final result