Search

Пункты 6.1 (основанные на риске взгляды) и 9.3 (обзор управления) стандарта качества ISO9001:2015 и программы «Промышленность 4.0» скоро станут одним из самых важных факторов, чтобы вызвать необходимые изменения в культуре деятельности литейных заводов для их перспективного развития. В данной статье рассматривается практическое тематическое исследование о том, как литейные заводы могут включить основанные на риске взгляды и улучшить аналитику получаемых данных, чтобы обнаружить возможности для улучшения деятельности завода. Статья вводит такие понятия, как «риски», «неуверенность» и «дефицит данных», которые используется в стандарте качества ISO9001:2015 и связаны с анализом данных в стандарте качества VDA6.3. Вводятся элементы 7Epsilon, которые создают системный подход для незавершенного анализа данных и организационного управления знаниями в контексте ISO9001:2015. Разъясняется новая матрица потерь основанная на методе визуализации данных и ассоциация ценностей штрафа с основанными на риске данными. Приводится пример действий по уменьшению эффекта влияния дефектов при изготовлении стального литья. Статья также вводит простую, но полезную технику для определения качественных факторов, таких как качество литейного потока, непрерывная/прерванная заливка и т. д. Возможности экономии на литье приводятся по данным, которые ведут к методам принятия решения, и объясняет, почему у предложенной методологии есть возможность произвести новые гипотезы для достижения непрерывного совершенствования процесса и инноваций.

We used three different methods of statistical data analysis to establish correlations between the water contact angle (CA) on ductile iron as a function of composition, roughness (grit size), elapsed time between sample preparation and CA measurement, and droplet size. The three methods are the Linear Regression Analysis (LRA), Artificial Neural Network (ANN) model, and the multivariate Polynomial Regression Analysis. It is established that the size of the water droplet is statistically insignificant, while correlations with the other three parameters were found. The surface roughness is the most important predictor of the CA. A low coefficient of determination of the linear regression indicates that the correlation is non-linear. The ANN model showed much stronger predictive potential than the LRA. We discuss the correlation with experimental values of the contact angle and physical mechanisms behind the observed trends. It is particularly promising that the ANN can be trained to predict the wetting characteristics. The application of machine learning methods to synthesize new materials and coatings with desired surface properties, such as self-cleaning, is a technology, which may become a part of the emergent “Triboinformatics” field, related to the application of the machine learning methods to surface science and engineering.