KR102004723B1 - 플라즈마 이온 질화 처리의 물리적 성질의 예측방법. - Google Patents

플라즈마 이온 질화 처리의 물리적 성질의 예측방법. Download PDF

Info

Publication number
KR102004723B1
KR102004723B1 KR1020190016411A KR20190016411A KR102004723B1 KR 102004723 B1 KR102004723 B1 KR 102004723B1 KR 1020190016411 A KR1020190016411 A KR 1020190016411A KR 20190016411 A KR20190016411 A KR 20190016411A KR 102004723 B1 KR102004723 B1 KR 102004723B1
Authority
KR
South Korea
Prior art keywords
nitriding
hardness
depth
layer
nitride layer
Prior art date
Application number
KR1020190016411A
Other languages
English (en)
Inventor
표석봉
Original Assignee
주식회사 울트라이노베이션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 울트라이노베이션 filed Critical 주식회사 울트라이노베이션
Priority to KR1020190016411A priority Critical patent/KR102004723B1/ko
Application granted granted Critical
Publication of KR102004723B1 publication Critical patent/KR102004723B1/ko

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C8/00—Solid state diffusion of only non-metal elements into metallic material surfaces; Chemical surface treatment of metallic material by reaction of the surface with a reactive gas, leaving reaction products of surface material in the coating, e.g. conversion coatings, passivation of metals
    • C23C8/06—Solid state diffusion of only non-metal elements into metallic material surfaces; Chemical surface treatment of metallic material by reaction of the surface with a reactive gas, leaving reaction products of surface material in the coating, e.g. conversion coatings, passivation of metals using gases
    • C23C8/36—Solid state diffusion of only non-metal elements into metallic material surfaces; Chemical surface treatment of metallic material by reaction of the surface with a reactive gas, leaving reaction products of surface material in the coating, e.g. conversion coatings, passivation of metals using gases using ionised gases, e.g. ionitriding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Materials Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Solid-Phase Diffusion Into Metallic Material Surfaces (AREA)

Abstract

본 발명은 플라즈마 이온 질화 처리의 물리적 성질의 예측방법에 관한 것으로, 시편의 목표 질화층을 얻기 위한 반응 조건을 입력하는 단계; 진공 반응기에 질화강을 장입하고 배기하는 단계; 상기 진공 반응기를 가열 및 반응가스를 주입하는 단계; 상기 진공 반응기에 질소가스를 도입하여 질화 처리를 실시하여 질화 처리된 질화강을 제조하는 단계; 실시간 질화 깊이와 목표 깊이를 비교하는 단계; 기어 표층의 경도와 목표 경도를 비교하는 단계; 측정된 질화깊이 및 경도에 따라 질화처리 실시여부를 판단하는 단계; 소정의 깊이가 달성되는 경우 상기 질화 처리된 질화강을 냉각하는 단계; 및 종료 단계로 이루어지는 것을 특징으로 한다.

Description

플라즈마 이온 질화 처리의 물리적 성질의 예측방법.{METHOD FOR PREDICTION OF PHYSICAL PROPERTY DATA OF PLASMA ION NITRIDING}
본 발명은 플라즈마 이온을 이용하여 질화처리된 결과물의 물리적 성질인 경도 및/또는 경화깊이를 예측하는 방법에 관한 것으로서, 더욱 상세하게는 상기 질화처리 시 기어의 표면 경화정도나 경화된 깊이를 제어하는 로 내의 온도, 반응 시간 및 반응가스 농도 등을 딥러닝 기반의 학습 모델을 기반으로 물리적인 성질을 예측하는 방법에 관한 것이다.
자동차나 각종 산업 기계 등에 사용되는 기계부품 중 특히 기어는 그 표면은 내마모성, 내열성 및 내식성 등과 같은 단단한 성질이 요구되는 반면에 그 내부는 파괴에 대한 특성을 담보하는 인성 등이 요구되는 것으로서, 상기 내마모성과 인성은 서로 상반되는 성질을 갖는 것으로 인식되어 왔다. 이를 위하여 그 표면에는 침탄담금질, 고주파 담금질 화 및 연질화 등과 같은 표면 경화열처리를 실시하여 표면에는 경도 내마모성 내 충격성 등의 성질을 개선시키고, 내부는 적당한 강도를 부여하여 충격에 대한 저항을 크게 하는 것이다.
상기 표면을 처리하는 방법에는 통상적으로 질화법과 침탄법을 들 수 있다. 먼저, 질화법에는 모재를 질소분위기 중에서 플라즈마를 이용하여 가열하여 질소가 모재의 표면에 침입하게 하는 플라즈마 나이트라이드 열처리(이하 ‘플라즈마 이온 열처리’라 한다)와 대기중에서 탄소를 침입하게 하는 침탄법이 있다.
그런데 플라즈마 이온 열처리는 그 가열온도가 통상 A1점 이하인 페라이트(ferrite) 영역에서 열처리하므로, 상변태가 나타나지 않아 열처리 이후 변형이 작게 된다. 이에 반하여 침탄법은 통상 800 내지 900℃에서 열처리를 실시하므로, 플라즈마 이온 열처리보다 제품의 변형이 크게 나타나는 단점이 있어, 열처리 이후 후 그라인딩이나 호빙(hobbing)과 같은 후공정이 추가되는 단점이 있다.
또한, 플라즈마 이온 열처리는 경화깊이가 침탄열처리에 비하여 얇게되어 모재가 차지하는 부분이 상대적으로 넓게 되므로 경화되는 부분의 넓이의 상대적인 차이에 따라 외부 충격에 견디는 인성의 정도가 더 높다.
또한, 플라즈마 이온 열처리를 실시한 표면 중에는 ε상(Fe2-3N), γ'상(Fe4N) 또는 고용체 형태의 α상이 형성되는데, 경도의 경우 ε상(Fe2-3N) > α상 > γ'상(Fe4N)의 관계를 보이고, 인성의 경우 α상 ≒ γ'상(Fe4N) > ε상(Fe2-3N)의 관계를 보인다.
따라서 표면의 두께를 얇게 하는 동시에 ε상(Fe2-3N)의 형성을 촉진하거나, 반대로 기지층에서의 ε상(Fe2-3N)의 형성을 방지함과 아울러 α상의 형성을 촉진하는 것이 바람직하다.(등록특허공보 제1892531호)
그런데 플라즈마 이온열처리 방법은 침탄 열처리에 비하여 플라즈마를 발생시키는 이온로를 구비하고, 열처리 동안 이온로 내부를 진공으로 유지하여야 하며 및 질소가 포함된 반응가스가 필요하게 되어 침탄열처리에 비하여 가격이 비싸다는 큰 단점이 있다.
따라서 제조업자에게는 고비용의 방법을 이용하는 경우 효율적으로 제조공정을 조절하여 공정 중 발생하는 불량률의 저감과 목적하는 물리적인 성질은 경도 및 소정의 깊이만큼 처리되기 위한 제어수단이 강구되어야만 한다.
특히, 표면처리층인 질화층의 경도나 두께 등은 플라즈마이온 열처리 시간과 온도에 따라 결정되는 것과 함께 모재의 성분에 따라 결정되는 것이 일반적인 바, 기어의 제조와 관련된 모재에 대한 성분 및 조성범위를 한정하는 것이 필요하다.
따라서, 본 발명은 상기의 기술적인 문제점을 해결하고자하는 것으로서, 본 발명의 일 목적은 플라즈마이온열처리 공정조건을 인공지능인 딥 러닝 기반의 제어조건을 학습 모델을 기반으로 제어하여 최종 제품인 기어의 질화층의 두께 및 경도 등의 물리적 성질을 정확히 예측하는 방법 및 예측된 물리적인 성질에 기반하여 온도, 시간 및 반응가스 등을 제어하여 제조된 기어 및 상기 기어를 제조하기 모재에 관한 것이다.
대한민국 등록특허공보 제1892531호
본 발명은 상기와 같은 종래기술의 문제점을 해결하기 위하여 안출된 것으로, 플라즈마 이온 열처리 공정조건을 인공지능인 딥 러닝 기반의 제어조건을 학습 모델을 기반으로 제어하여 최종 제품인 기어의 질화층의 두께 및 경도 등의 물리적 성질을 정확히 예측하는 방법 및 예측된 물리적인 성질에 기반하여 온도, 시간 및 반응가스 등을 제어하여 제조된 기어 및 상기 기어를 제조하기 모재를 제공하는 것을 그 목적으로 한다.
상기와 같은 과제를 해결하기 위한 본 발명의 플라즈마 이온 질화 처리의 물리적 성질의 예측방법은 시편의 목표 질화층을 얻기 위한 반응 조건을 입력하는 단계, 진공 반응기에 질화강을 장입하고 배기하는 단계, 상기 진공 반응기를 가열 및 반응가스를 주입하는 단계, 상기 진공 반응기에 질소가스를 도입하여 질화 처리를 실시하여 질화처리된 질화강을 제조하는 단계, 실시간 질화 깊이와 목표 깊이를 비교하는 단계, 기어 표층의 경도와 목표 경도를 비교하는 단계, 측정된 질화깊이 및 경도에 따라 질화처리 실시여부를 판단하는 단계, 소정의 깊이가 달성되는 경우 상기 질화처리된 질화강을 냉각하는 단계 및 종료 단계로 이루어지는 것을 특징으로 한다.
이때, 상기 목표 질화층을 얻기 위한 반응조건을 입력하는 단계는 딥러닝 기반의 질화층 학습모델을 통하여 질화층의 두께 및 경도를 예측하도록 이루어 질 수 있다.
또한, 상기 딥 러닝기반의 질화층 학습모델은 상기 반응로의 진공도, 온도 및 시간 그리고 질소가스의 농도를 입력변수로 입력하고, 기어의 질화층의 두께 및 경도를 출력변수로 출력하도록 되어 있다.
또한, 상기 딥 러닝 기반의 질화층 학습모델은 상기 입력 변수에 대하여 입력 레이어 히든 레이어 및 출력 레이어로 이루어진 딥 러닝 구조를 통해 상기 출력 변수가 제공하도록 이루어 질 수 있다.
또한, 본 발명의 다른 일실시예에 의하면, 상기 질화강은 C : 0.05 ~ 0.3 중량%, Al : 0.01 ~ 0.5 중량% 및 Cr : 0.3 ~ 0.8 중량% 포함하고, 잔부가 Fe 및 기타 통상적인 Mn, Si 등과 불가피한 불순물로 이루어진 질화강을 제공하는 것이다.
또한, 상기 질화강에 있어서 Al 및 Cr은 0.5% < 1.92Al + Cr < 1.8%의 관계식을 만족하는 질화강을 제공하는 것이다.
또한, 상기 질화처리된 기어의 표면 경도는 68HRC이고 경화깊이는 0.02~ 0.05㎜인 것을 구비하는 통상적인 형태를 갖는 기어를 제공한다.
또한, 상기 질화처리된 기어는 C : 0.05 ~ 0.3 중량%, Al : 0.01 ~ 0.5 중량% 및 Cr : 0.3 ~ 0.8 중량% 포함하고, 잔부가 Fe 및 불가피한 불순물로 이루어지고, Al 및 Cr은 0.5% < 1.92Al + Cr < 1.8%의 관계식을 만족하며, 기어의 표면 경도는 68HRC이고 경화깊이는 0.02~ 0.05㎜인 기어를 제공한다.
본 발명에 따른 플라즈마 이온 질화 처리의 물리적 성질의 예측방법은 플라즈마 이온 열처리 공정조건을 인공지능인 딥 러닝 기반의 제어조건을 학습 모델을 기반으로 제어하여 특정한 질화강에 대한 효율적인 플라즈마 이온 질화 처리를 수행할 수 있는 효과를 나타낸다.
또한, 질화처리된 질화강을 이용하여 최종 제품인 기어를 제조할 때 질화층의 두께 및 경도 등의 물리적 성질을 정확히 예측할 수 있고, 상기 예측된 물리적인 성질에 기반하여 온도, 시간 및 반응가스 등을 제어하여 기어를 제조할 수 있는 효과를 나타낸다.
도 1은 본 발명의 일 실시예에 따른 플라즈마 이온 질화 처리 장치에 있어서, 질화층 학습모델을 통하여 질화층의 두께 및 경도를 예측하는 순서의 예시도이다.
도 2은 일 실시예에 따른 질화층 예측방법의 순서 예시도이다.
도 3는 1.9Al+Cr과 질화층 깊이 및 질화층 표면 경도의 관계를 도시한 그래프이다.
도 4는 발명강 및 비교강의 표면으로부터의 거리에 따른 경도의 변화를 도시한 그래프이다.
이하 본 발명을 보다 상세히 설명한다. 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
일반적인 플라즈마 이온 질화 처리 장치는 높은 진공도를 유지할 수 있는 진공 반응기의 밀폐된 공간 내에 모재를 두고 상기 진공 용기 내에 원료 가스를 공급하면서 플라즈마를 인가하여 질화 처리를 수행하게 된다.
본 발명에서는 상기 플라즈마 이온 질화 처리 장치에 질화층 학습 모델을 적용하여 질화층의 두께 및 경도를 예측함으로써 목적하는 질화강의 질화 처리를 수행할 수 있도록 하는데 기술적 특징이 있다.
상기 질화층 학습모델을 통하여 질화층의 두께 및 경도를 예측하는 순서는 도 2와 같으며, 질화층 예측 방법은 도 3과 같다.
즉, 기어가 형성된 모재를 진공 반응기에 장입하고, 상기 기어의 목표질화층을 얻기 위한 반응 조건을 제어기를 통하여 입력하여 질화 처리를 수행하는데, 질화 반응을 위한 활성화 에너지, 목표 질화 깊이, 누적 에너지의 회귀 수식을 제어기에 차례로 입력하고, 이에 따라 시편(질화강)을 가열한다. 질화 처리의 반응 조건은 통상 열처리 온도의 경우 400℃이하가 일반적인데, 트랜지스터의 경우 400 내지 500℃ 정도가 되며, 경우에 따라 700 내지 800℃의 고온에서 열처리가 필요한 경우가 있다. 또한, 플라즈마의 전자 밀도, 질소의 농도, 반응시간 등의 공정조건은 상기 질화 처리에 의한 모재의 특성에 따라 적절히 선택된다.
이때 매초 온도 입력 값을 에너지 값으로 환산하여 누적 에너지 수치를 도출하며, 상기 누적 에너지로 현재 질화 깊이의 변화를 실시간 모니터링하여 상기 실시간 질화 깊이가 목표 질화 깊이에 근접하는 경우 질화 처리를 종료하고 시편인 질화강을 냉각하여 질화 처리된 질화강을 제조하게 된다.
상기 목표 질화층을 얻기 위해서 제어기를 통하여 입력하는 상기 조건들은 딥러닝기반의 질화층 학습 모델을 통하여 질화층의 두께 및 경도를 예측하도록 이루어 질 수 있다. 이는 도 3에서와 같이 상기 딥 러닝기반의 질화층 학습모델은 상기 진공 반응기의 진공도, 온도 및 시간 그리고 질소가스의 농도를 입력변수로 입력하고, 질화층의 두께 및 경도를 출력변수로 출력하도록 되어 있다.
또한, 상기 딥 러닝 기반의 질화층 학습모델은 또한, 상기 딥러닝 기반의 온도 학습 모델은, 상기 입력 변수(inputs)에 대해, 입력 레이어(Input layer), 히든 레이어(Hidden layer) 및 출력 레이어(Output layer)로 이루어진 구조를 통해 상기 출력 변수를 제공할 수 있다. 예를 들어, 상기 입력 레이어(Input layer)의 입력변수와 상기 히든 레이어(Hidden layer)의 변수 사이에는 사전에 설정된 가중치들(Weights, Wij) 각각이 적용될 수 있다.
본 발명에서는 상기 질화층 학습 모델을 이용하여 플라즈마 이온 질화 처리의 물리적 성질의 예측하되 질화 처리된 질화강을 이용하여 표면 경도 68HRC, 경화 깊이 0.02 내지 0.05㎜인 기어를 제조하기 위하여 적용되는 것을 목적으로 하고 있다. 상기 질화층의 표면경도는 KS B0806(금속재료의 로크웰 시험방법)에 따라 측정하였고, 유효 경화층 깊이는, KS D0215(침탄경화된 강의 유효 경화층 깊이 측정방법 및 검증방법)을 참고로, 표층으로부터 68HRC가 되는 위치까지의 거리로 한 것이다.
따라서 상기 표면 경도 및 경화 깊이를 달성하기 위한 딥러닝 방식의 질화층 학습 모델은 특정한 재질의 모재에 대해 적용해야만 효율적인 딥러닝 학습이 가능하며, 질화 효율을 향상시킬 수 있다. 물론 다양한 재질의 모재에 대해서도 딥러닝 학습을 통해 질화층의 학습이 가능하기는 하나, 이 경우 모재의 종류에 따른 입력 변수의 종류를 무제한으로 늘여야 하기 때문에 질화강의 질화 처리를 위한 학습에 시간이 소요되며 정확도도 떨어지게 된다.
본 발명에서 상기 모재인 질화강은 C : 0.05 ~ 0.3 중량%, Al : 0.01 ~ 0.5 중량%, Cr : 0.3 ~ 0.8 중량%, N : 0.010 중량% 이하 (0 미포함), V : 0.09 ~ 0.15 중량%, Nb 또는 Ti : 0.030 중량% 이하 (0 미포함), Mn, Si, P, S 등의 잔부의 불순물으로 이루어지는 것을 사용한다.
또한, 본 발명의 질화층 학습 모델은 상기와 같은 조성으로 이루어진 질화강의 질화 처리에 최적화되도록 설계된다.
상기 C는 탄소강에서 강도 및 경도를 결정하는 주요 원소이며, 질화 처리 중 탄화물을 석출시켜 질화층의 강화에도 유효하다. 그러나 저탄소강의 영역인 0.05 중량% 미만에서는 유효한 강도를 얻기 어렵고 0.3 중량%를 초과하는 경우에는 강도 및 경도가 과도하게 높아져 인성 및 가공성에 영향을 미친다. 따라서 C의 함량은 0.05~ 0.3 중량%가 되도록 하는 것이 바람직하다.
또한, 상기 Al은 제강시 유효한 탈산제이다. 동시에 N와 결합하여 질화물을 형성하고, 이것이 결정립을 미세화하여 질화층의 강도 및 경도를 향상시키는데 유효한 원소이다. 상기 Al은 0.01 중량 % 미만에서는 충분한 질화층의 경도를 얻기 어렵고0.5 중량% 이상에서는 그 효과가 반감되므로, 경화층의 깊이가 감소한다. 따라서 Al의 함량은 0.01 ~ 0.5 중량%가 되도록 하는 것이 바람직하다.
또한, 상기 Cr은 강 중의 C와 침입하는 N와 함께 탄질화물을 형성하여 표면의 경화층을 상승시키는 유효한 원소이다. 그러나 과잉 첨가시 경화층의 두께가 얇아지고 0.3% 이하에서는 충분한 경화층을 얻기 어렵다. 따라서 Cr의 함량은 0.3 ~ 0.8 중량%인 것이 바람직하다.
또한, 상기 N는 비조질강 중에서 V, Ti 또는 Nb, Al 등의 합금 원소들과 결합하여 질화물을 형성시켜 결정립 미세화에 의한 강도 및 인성 향상에 기여한다. 그러나 과잉으로 첨가하면 효과가 포화되므로 상기 범위로 제한하여야 한다.
또한, 상기 V은 N와 함께 탄질화물에 의하여 결정립이 미세화되므로 강도 및 인성을 향상시킨다. 또한 질화경도 및 경화층 깊이를 증가시키는 원소로서 0.09 중량% 이상 함유시킬 필요가 있다. 그러나 고가의 원소로서 경화층 깊이를 증가시키는 효과는 0.30 중량%에서 포화된다. 따라서, 이러한 특성을 고려하여 V의 함량은 0.09 ~ 0.15 중량%인 것이 바람직하다.
또한, 상기 Nb 및 Ti는 V와 유사한 거동을 탄질화물을 형성하는 원소이다. 과잉으로 첨가하면 인성 및 가공성 저하가 우려되며 고가의 원소이므로 각각을 첨가하는 경우, 또는 이들을 함께 첨가하는 경우 각각 0.030 중량% 이하인 것이 바람직하다.
또한, 상기 Mn, Si, P, S 등은 탄소강 제조시 필수적으로 포함이 되는 원소들이나 본 발명에 있어서는 통상적으로 첨가되는 양이면 충분하다.
또한, 상기 Al 및 Cr은 0.5% < 1.92Al + Cr < 1.8%의 관계식을 만족하도록 함유되는 것이 바람직하다.
상기 Al 및 Cr은 N에 의하여 모두 탄질화물을 형성하여 경화층의 물리적인 성질에 크게 관여하므로 이들의 상관관계에 대하여 살펴보았다. 즉, Cr은 원자량이 52이고, Al은 27이므로, 질량 ％로는 Al 및 Cr을 정의하면 1.9Al+Cr가 산출된다. 이때 질화층의 경화층 깊이 및 경도의 관계를 도표로 나타내면 도 3과 같다.
도 3의 유효 질화층과 표층 경도의 변화를 살펴보면, 1.9Al+Cr이 0.5％ 미만, 1.8％ 초과의 경우, 충분한 경화층 깊이가 얻어지지 않고, 표면층의 경도 역시 저하한다. 따라서 1.9Al+Cr의 범위는 0.5％ 내지 1.8％로 한정하는 것이 바람직하다. 따라서 이러한 데이터를 바탕으로 질화 반응을 위한 활성화 에너지, 목표 질화 깊이, 누적 에너지의 회귀 수식을 결정하고 이를 입력하게 되며, 상기 조건에서의 질화 처리를 목적으로 하여 딥러닝을 수행함으로써 계산 속도 및 학습 속도를 충분히 확보할 수 있게 된다.
이하, 실시예를 통하여 본 발명을 더 자세히 설명한다.
[실시예]
표 1에 기재된 성분을 갖는 모재에 대하여 기어를 성형한 후 플라즈마 이온 질화처리를 하였다.
C Si Mn P S Cr V Al Nb 또는 Ti N 1.92Al + Cr
실시예1 0.20 0.25 0.50 0.003 0.020 0.5 0.09 0.02 0.030 0.0061 0.538
실시예2 0.21 0.26 0.54 0.004 0.026 0.8 0.11 0.025 0.028 0.0060 0.848
실시예3 0.23 0.28 0.65 0.004 0.033 0.6 0.10 0.03 0.015 0.0058 0.658
실시예4 0.24 0.09 0.42 0.002 0.035 0.8 0.09 0.05 0.010 0.0055 0.896
실시예5 0.25 0.05 0.45 0.005 0.032 0.4 0.12 0.08 0.010 0.0068 0.554
실시예6 0.18 0.15 0.50 0.006 0.028 0.3 0.13 0.32 0.012 0.0072 0.914
실시예7 0.09 0.30 0.55 0.010 0.020 0.6 0.10 0.48 0.025 0.0054 1.522
실시예8 0.09 0.42 0.48 0.002 0.030 0.5 0.14 0.35 0.020 0.0064 1.172
비교예1 0.44 0.30 0.43 0.010 0.001 1.00 0.01 0.8 0.0039 0.0063 2.536
비교예2 0.22 0.26 0.85 0.011 0.003 1.02 0.01 0.6 0.0044 0.0065 2.172
비교예3 0.30 0.25 0.46 0.015 0.007 0.29 0.11 0.1 0.0038 0.0064 0.482
먼저 실시예 및 비교예의 모재로 통상적인 평기어를 성형한 후, 이를 석영로(Quartz furnace) 챔버 내에 지그(jig)를 이용하여 상기 가공된 기어를 지그에 의하여 고정하고 챔버 내부를 소정의 온도가 가열하면서 20%의 질소 가스로 어느 정도 시간 퍼지하여 불순물을 제거하였다. 이후, 제어기를 통하여 챔버 내부를 소정의 질화 공정 온도로 유지하면서 질화 공정 가스로 암모니아와 질소가 소정의 부피 비로 혼합된 가스를 챔버 내부에 소정의 압력에 해당하는 양으로 공급하면서 소정의 시간 동안 철계 금속 시편을 질화 처리하였다. 질화 처리를 완료한 후 챔버 내부를 약 25℃로 냉각하여 질화 처리된 기어를 수득하였다.
이를 질화 처리하되 딥 러닝 기반의 질화층 학습모델을 적용하여 목표 질화층에 가장 근접한 조건에서의 두께 및 경도를 측정하였으며, 그 결과는 표 2와 같다.
조직 표면경도(HRc) 평균 경화깊이(㎜)
목표 실제 편차 목표 실제 편차
실시예1 텀퍼트마르텐사이트 68 68 0 0.05 0.05 0
실시예2 텀퍼트마르텐사이트 68 69 +1 0.05 0.05 0
실시예3 텀퍼트마르텐사이트 68 69 +1 0.05 0.04 -1
실시예4 텀퍼트마르텐사이트 68 68 0 0.05 0.04 -1
실시예5 텀퍼트마르텐사이트 68 67 -1 0.05 0.06 +1
실시예6 텀퍼트마르텐사이트 68 69 +1 0.05 0.05 0
실시예7 텀퍼트마르텐사이트 68 67 -1 0.05 0.05 0
실시예8 텀퍼트마르텐사이트 68 67 -1 0.05 0.04 -1
비교예1 텀퍼트마르텐사이트 68 60 - 0.05 0.03 -
비교예2 텀퍼트마르텐사이트 68 62 - 0.05 0.03 -
비교예3 텀퍼트마르텐사이트 68 63 - 0.05 0.03 -
표 3의 결과를 살펴보면, 실시예 1 내지 8의 모재를 적용하는 경우 목표 표면 경도 및 경화 깊이와 거의 동일한 물성의 질화 처리가 가능한 것으로 나타났으나, 비교예 1 내지 3의 경우 편차가 매우 큰 것으로 나타나 본 발명에 따른 딥러닝 학습에 의해서도 질화 처리를 효율적으로 할 수 없는 것으로 나타났다.
또한, 표면으로부터의 거리에 따른 경도를 측정하면 도 4에서와 같이 200㎛ 이상의 거리에서 경도가 급격히 감소하는 경향은 실시예나 비교예에서 모두 동일했으나, 200㎛ 이하에서는 실시예에 따른 모재가 표면경도의 면에서 비교예에 비해 현저히 우수한 것으로 나타나 본 발명에 따른 플라즈마 이온 질화 처리의 물리적 성질의 예측방법을 적용하여 질화 처리할 때 더 우수한 물성의 질화강을 얻을 수 있는 것으로 나타났다.
상술한 바와 같이 바람직한 실시예를 들어 본 발명을 설명하였으나, 상기 실시예에 한정되지 아니하며 본 발명의 정신을 벗어나지 않는 범위 내에서 통상의 기술자에 의해 다양한 변형과 변경이 가능하며, 그러한 변형예 및 변경예는 본 발명과 첨부된 특허청구범위의 범위 내에 속하는 것으로 보아야 한다.

Claims (3)

  1. 표면 경도 68HRC, 경화 깊이 0.02~ 0.05㎜인 기어를 제조하기 위한 질화 처리된 질화강에 대한 플라즈마 이온 질화 처리의 물리적 성질의 예측방법으로서,
    상기 기어는 C : 0.05 ~ 0.3 중량%, Al : 0.01 ~ 0.5 중량%, Cr : 0.3 ~ 0.8 중량% 및 잔부의 Fe를 포함하는 불순물로 이루어지고, Al 및 Cr은 0.5% < 1.92Al + Cr < 1.8%의 관계식을 만족하며,
    상기 플라즈마 이온 질화 처리의 물리적 성질의 예측방법은,
    기어가 형성된 모재인 질화강의 목표 질화층을 얻기 위한 반응 조건을 입력하는 단계;
    진공 반응기에 기어가 형성된 모재인 질화강을 장입하고 배기하는 단계;
    상기 진공 반응기를 가열 및 반응가스를 주입하는 단계;
    상기 진공 반응기에 질소가스를 도입하여 질화 처리를 실시하는 단계;
    실시간 질화 깊이와 목표 깊이를 비교하는 단계;
    기어 표층의 경도와 목표 경도를 비교하는 단계;
    측정된 질화깊이 및 경도에 따라 질화처리 실시여부를 판단하는 단계;
    소정의 깊이가 달성되는 경우 상기 질화 처리된 질화강을 냉각하는 단계; 및
    종료 단계;
    로 이루어지며,
    상기 목표 질화층을 얻기 위한 반응조건을 입력하는 단계는 딥러닝 기반의 질화층 학습모델을 통하여 질화층의 두께 및 경도를 예측하는 것으로서,
    상기 딥러닝 기반의 질화층 학습모델은 입력 변수에 대하여 입력 레이어, 히든 레이어 및 출력 레이어로 이루어진 구조를 통해 출력 변수를 출력하는 것을 특징으로 하는 플라즈마 이온 질화 처리의 물리적 성질의 예측방법.
  2. 삭제
  3. 삭제
KR1020190016411A 2019-02-13 2019-02-13 플라즈마 이온 질화 처리의 물리적 성질의 예측방법. KR102004723B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190016411A KR102004723B1 (ko) 2019-02-13 2019-02-13 플라즈마 이온 질화 처리의 물리적 성질의 예측방법.

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190016411A KR102004723B1 (ko) 2019-02-13 2019-02-13 플라즈마 이온 질화 처리의 물리적 성질의 예측방법.

Publications (1)

Publication Number Publication Date
KR102004723B1 true KR102004723B1 (ko) 2019-10-01

Family

ID=68208016

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190016411A KR102004723B1 (ko) 2019-02-13 2019-02-13 플라즈마 이온 질화 처리의 물리적 성질의 예측방법.

Country Status (1)

Country Link
KR (1) KR102004723B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882030A (zh) * 2020-06-29 2020-11-03 武汉钢铁有限公司 一种基于深度强化学习的加锭策略方法
KR20220144607A (ko) * 2021-04-20 2022-10-27 한국생산기술연구원 플라즈마 질화 처리 방법 및 플라즈마 질화 처리 장치
KR20230068818A (ko) * 2021-11-11 2023-05-18 한국생산기술연구원 플라즈마 질화 처리 방법 및 플라즈마 질화 처리 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120035444A (ko) * 2010-10-05 2012-04-16 한국생산기술연구원 플라즈마질화 공정의 질화깊이 실시간 모니터링방법 및 장치
KR101892531B1 (ko) 2017-02-03 2018-08-30 한국생산기술연구원 철계 금속의 질화방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120035444A (ko) * 2010-10-05 2012-04-16 한국생산기술연구원 플라즈마질화 공정의 질화깊이 실시간 모니터링방법 및 장치
KR101892531B1 (ko) 2017-02-03 2018-08-30 한국생산기술연구원 철계 금속의 질화방법

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882030A (zh) * 2020-06-29 2020-11-03 武汉钢铁有限公司 一种基于深度强化学习的加锭策略方法
CN111882030B (zh) * 2020-06-29 2023-12-05 武汉钢铁有限公司 一种基于深度强化学习的加锭策略方法
KR20220144607A (ko) * 2021-04-20 2022-10-27 한국생산기술연구원 플라즈마 질화 처리 방법 및 플라즈마 질화 처리 장치
KR102466451B1 (ko) 2021-04-20 2022-11-14 한국생산기술연구원 플라즈마 질화 처리 방법 및 플라즈마 질화 처리 장치
KR20230068818A (ko) * 2021-11-11 2023-05-18 한국생산기술연구원 플라즈마 질화 처리 방법 및 플라즈마 질화 처리 장치
KR102553300B1 (ko) 2021-11-11 2023-07-10 한국생산기술연구원 플라즈마 질화 처리 방법 및 플라즈마 질화 처리 장치

Similar Documents

Publication Publication Date Title
KR102004723B1 (ko) 플라즈마 이온 질화 처리의 물리적 성질의 예측방법.
EP2436795B1 (en) Carburized component and manufacturing method therefor
EP3118346B1 (en) Nitriding method and nitrided part production method
JP6636829B2 (ja) 窒化鋼部材及び窒化鋼部材の製造方法
US11047036B2 (en) Method of fabricating a nitrided low-alloy steel part
EP2444511A1 (en) Steel for nitriding and nitrided steel components
JP2005531694A (ja) 表面改質ステンレス鋼
KR20070095935A (ko) 철계 구성요소의 성질을 향상시키기 위한 합성물 및 방법
KR101892531B1 (ko) 철계 금속의 질화방법
EP2660340A1 (en) Method of thermal treatment for steel elements
JP2021042398A (ja) 窒化鋼部材並びに窒化鋼部材の製造方法及び製造装置
JPH08109435A (ja) 低歪み型浸炭焼入れ歯車用鋼
JP2549039B2 (ja) 歪の小さい高強度歯車の浸炭窒化熱処理方法
JP3395252B2 (ja) 疲労強度に優れた鋼の製造方法
EP1876255A1 (en) Carbonitriding or cementation steel and method of producing parts with said steel
JP2549038B2 (ja) 歪の小さい高強度歯車の浸炭熱処理方法およびその歯車
JP2010222649A (ja) 炭素鋼材料の製造方法および炭素鋼材料
CN114427073A (zh) 钢部件的氮化处理方法
JP2021167451A (ja) 肌焼鋼、並びに、高強度部材及びその製造方法
EP3158104B1 (en) Ferrous alloy and its method of manufacture
KR20140021775A (ko) 강의 가스 질화처리방법
JPH09111408A (ja) 低歪み型浸炭焼入れ歯車用鋼材
JP7196707B2 (ja) 窒化用鍛造部材及びその製造方法、並びに表面硬化鍛造部材及びその製造方法
JPH01234554A (ja) 浸炭部品の製造方法
KR20040059179A (ko) 고온에서 내마모성이 우수한 베어링강의 열처리 방법

Legal Events

Date Code Title Description
R401 Registration of restoration