Otomotiv şasi sistemlerinde cıvatalı bağlantılarda yapay sinir ağları ile gevşeme tahmini

Abstract

Araç alt parçalarının montajında dikkate alınan sıkma torku değerleri bağlantı güvenliği açısından büyük önem taşımaktadır. Farklı mekanik özelliklere sahip her bir cıvatalı bağlantı tipi için seçilecek sıkma (tork) değeri farklıdır. Sıkma torku değeri önemli bir gösterge iken, cıvata ön yük değeri güvenli bir sıkım sağlanıp sağlanamayacağı konusunda her zaman daha güvenilir bir parametredir. Bu nedenle güvenilir bağlantılar oluşturulmak istendiğinde sıkma torku girdisinin bağlantı paketi üzerinde oluşturacağı ön yük değeri iyi hesaplanmalıdır. Bu çalışma, otomotiv şasi bağlantılarındaki cıvatalı bağlantıların kendiliğinden gevşeme mekanizmasını tahmin etmek için Taguchi Metodu (TM) entegreli yapay sinir ağı (YSA) kullanan bir yaklaşım sunmaktadır. Şasi motor süspansiyonu bağlantılarına etki eden dış yükler, deneysel tasarım için banko testlerinden toplanmıştır. Tork-kilitleme yükü ilişkisini ve cıvata gevşeme oranını etkileyen yedi kontrollü faktör göz önünde bulundurulmuştur. YSA için eğitim, validasyon ve test verileri deneysel çalışmalar sonucu elde edilmiş, çapraz doğrulama yapılmıştır. Kontrollü faktörler ile gevşeme oranı arasındaki ilişkiyi kurmak için YSA uygulanmıştır. İyileştirilmiş kontrollü faktörlerle yapılan banko testlerinde mevcut duruma göre iyileşme sağlanmıştır. Sonuçlar, önerilen yaklaşımın ek testler yapılmadan kendiliğinden gevşeme mekanizmasını ve cıvatalı bağlantıların davranışını tahmin etmek için kullanılabileceğini ve yapay zekâ teknikleri kullanılarak çok düşük hata oranlarıyla tahminlerde bulunulabileceğini göstermiştir.

The tightening torque values considered in the assembly of vehicle sub-parts are of great importance in terms of connection safety. The torque value to be selected is different for each bolted joint type with different mechanical characteristics. While the tightening torque value is an important indicator, the bolt preload value is always a more reliable parameter in terms of whether a secure tightening can be achieved or not. For this reason, when it is desired to create reliable joints, the preload value that the tightening torque input will create on the connection package should be calculated well. This study presents an integrated approach using Taguchi Method (TM) and artificial neural network (ANN) to predict the self-loosening mechanism of bolted joints in automotive chassis engine suspension connections. External loads acting on the joints of the engine suspension were collected from bench tests for experimental design. Seven controlled factors were considered that affect the torque-clamping load relationship and bolt loosening rate. They were performed with actual joint conditions to obtain training and test data for the ANN. ANN with cross-validaton was applied to establish the relationship between controlled factors and loosening rate. Bench tests which are performed with improved controlled factors, an improvement was achieved compared to the current situation. The results showed that the proposed approach can be used to predict mechanism of self-loosening and behaviour of bolted joints without additional tests, and it is possible to make predictions with very low error rates using artificial intelligence techniques.