CN109277883A - 基于切削加工参数权重的超高强钛合金粗糙度预测方法 - Google Patents

基于切削加工参数权重的超高强钛合金粗糙度预测方法 Download PDF

Info

Publication number
CN109277883A
CN109277883A CN201810942394.0A CN201810942394A CN109277883A CN 109277883 A CN109277883 A CN 109277883A CN 201810942394 A CN201810942394 A CN 201810942394A CN 109277883 A CN109277883 A CN 109277883A
Authority
CN
China
Prior art keywords
milling
titanium alloy
cutter
strength titanium
parameter
Prior art date
Legal status (The legal status 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 status listed.)
Granted
Application number
CN201810942394.0A
Other languages
English (en)
Other versions
CN109277883B (zh
Inventor
商国强
朱知寿
王新南
祝力伟
李静
李明兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
AECC Beijing Institute of Aeronautical Materials
Original Assignee
AECC Beijing Institute of Aeronautical Materials
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 AECC Beijing Institute of Aeronautical Materials filed Critical AECC Beijing Institute of Aeronautical Materials
Priority to CN201810942394.0A priority Critical patent/CN109277883B/zh
Publication of CN109277883A publication Critical patent/CN109277883A/zh
Application granted granted Critical
Publication of CN109277883B publication Critical patent/CN109277883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/20—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring workpiece characteristics, e.g. contour, dimension, hardness
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23C—MILLING
    • B23C3/00—Milling particular work; Special milling operations; Machines therefor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23C—MILLING
    • B23C2222/00—Materials of tools or workpieces composed of metals, alloys or metal matrices
    • B23C2222/88—Titanium

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Milling Processes (AREA)
  • Sampling And Sample Adjustment (AREA)

Abstract

本发明涉及机械加工工艺技术，尤其涉及一种基于切削加工参数权重的超高强钛合金粗糙度预测方法。有以下步骤，步骤一：判断材料是否为超高强钛合金材料，若是超高强钛合金材料，则进行步骤二，若不是超高强钛合金材料，则该预测方法不适用；步骤二：对若干件相同材料的工件在不同的刀具材料和铣削参数下进行铣削加工，之后测量出每个工件的表面粗糙度值Ra和每把刀具的后刀面平均磨损量VB；步骤三：对不同铣削参数进行铣削加工的工件的测量结果进行多元线性回归分析，结合模糊神经网络的聚类分析对铣削参数对表面粗糙度影响的权重分析，确定铣削速度v，每齿进给量fz，铣削深度ap，铣削宽度ac的权重系数；步骤四：构建考虑铣削参数权重的表面粗糙度预测模型：

Description

基于切削加工参数权重的超高强钛合金粗糙度预测方法
技术领域
本发明涉及机械加工工艺技术，尤其涉及一种基于切削加工参数权重的超高强钛合金粗糙度预测方法。
背景技术：
超高强钛合金具有比强度高、热稳定性好、耐腐蚀性能优异等特点，因而广泛应用于航空、航天、舰船以及其他工业领域。超高强钛合金在飞机上应用可以取得良好的减重效益，能够满足军用飞机的高机动、高可靠性以及现代飞机的“损伤容限”长寿命的设计需要，因而成为制造飞机关键结构件的主选材料。超高强钛合金结构件的损伤容限性能与其表面加工状态特别是表面粗糙度高度敏感，但是，由于超高强钛合金的超高强度、导热系数小、弹性模量小等特性，使其铣削加工性很差，具体表现为铣削力大、铣削温度高、加工硬化倾向大以及刀具磨损严重等，这些因素会对零件已加工表面的粗糙度造成不利影响。基于超高强钛合金损伤容限性能要求，需要将表面粗糙度控制在合理范围内。在铣削加工中，需要用较可靠的分析方法，研究铣削参数对表面粗糙度的影响,实现对表面粗糙度的准确预报，用以指导生产。由于机械加工仿真还处于发展阶段，尽管在铣削加工过程表面粗糙度预测方面作了大量的研究工作，并且获得很多成果，但是该领域涉及技术广泛，分领域很多。
在国内外文献中，针对TC4、TB6、TC11、TC21以及TC18等常见钛合金材料，在表面完整性加工对合金表面粗糙度分析方面做了大量的研究工作，主要涉及到切削或铣削等加工工艺参数(切削速度、切削深度、主轴转速、每齿进给量等)对材料表面粗糙度预测模型建立、表面粗糙度及表面纹理的影响规律等方面的研究，得出了各加工工艺参数对表面粗糙度的影响规律，但是在表面粗糙度预测模型仍有许多问题有待解决，其中最主要的问题就是表面粗糙度预测模型中没有考虑刀具材料及铣削工艺参数对表面粗糙度的权重的影响，也正是这个问题使得表面粗糙度预测模型的精度和通用性有待商榷。而针对超高强度钛合金材料(抗拉强度≥1250MPa)，国内外文献中却均未涉及，无法能够快速、简便并且精确地对超高强钛合金铣削加工的表面粗糙度进行预测，从而严重影响了工程应用要求。
发明内容
本发明的目的在于提供一种基于切削加工的超高强钛合金材料表面粗糙度预测方法，充分考虑了铣削参数、刀具磨损对加工表面粗糙度的影响，解决了超高强钛合金铣削加工表面粗糙度预测模型精度低，适用性不强的问题。
本发明解决上述技术问题采用的技术方案为：
基于切削加工参数权重的超高强钛合金粗糙度预测方法包括以下步骤：
步骤一：判断材料是否为超高强钛合金材料，若是超高强钛合金材料，则进行步骤二，若不是超高强钛合金材料，则该预测方法不适用；
步骤二：对若干件相同材料的工件在不同的刀具材料和铣削参数下进行铣削加工，铣削参数包括铣削速度v，每齿进给量fz，铣削深度ap，铣削宽度ac，之后测量出每个工件的表面粗糙度值Ra和每把刀具的后刀面平均磨损量VB；
步骤三：对用同种材料刀具进行铣削加工的工件的测量结果进行多元线性回归分析，根据铣削加工参数铣削速度v，每齿进给量fz，铣削深度ap，铣削宽度ac分别对表面粗糙度的影响权重，采用模糊神经网路的聚类分析并分别确定其权重系数g1、g2、g3、g4；
步骤四：结合铣削加工参数的权重影响，确定表面粗糙度预测模型：
式中的待定系数C、k1、k2、k3、k4、k5，其中v为铣削速度，fz为每齿进给量，ap为铣削深度，ac为铣削宽度，VB为刀具的后刀面平均磨损量，从而获得对应于不同材料刀具的表面粗糙度预测模型，进而对超高强钛合金铣削加工的表面粗糙度进行预测。
本发明的有益效果在于：在传统的表面粗糙度预测模型中(铣削参数包括铣削速度v，每齿进给量fz，铣削深度ap，铣削宽度ac)加入了刀具的后刀面平均磨损量VB，考虑了刀具磨损对表面粗糙度的影响，并且充分考虑了铣削加工参数铣削速度v，每齿进给量fz，铣削深度ap，铣削宽度ac分别对表面粗糙度的影响权重，从而提高了钛合金铣削加工表面粗糙度的预测精度及通用性。
因此要建立精度高，适用范围较广的表面粗糙度预测模型仍有许多问题有待解决，其中最主要的一个问题就是传统的表面粗糙度预测模型中没有考虑刀具材料及铣削工艺参数对表面粗糙度的权重的影响，因此，探究并建立能反映实际铣削状况下的超高强钛合金铣削加工表面粗糙度的预测方法具有非常重要的实际应用价值。
附图说明：
图1是本发明实施流程图。
具体实施方式
基于考虑切削参数权重的切削加工的超高强钛合金材料表面粗糙度预测方法，具体包括如下步骤：
步骤一：判断材料是否为超高强钛合金材料，若是超高强钛合金材料，则进行步骤二，若不是超高强钛合金材料，则该预测方法不适用；
步骤二：对若干件相同材料的工件在不同的刀具材料和铣削参数下进行铣削加工，之后测量出每个工件的表面粗糙度值Ra和每把刀具的后刀面平均磨损量VB；
步骤三：对用同种材料刀具进行铣削加工的工件的测量结果进行多元线性回归分析，根据铣削加工参数铣削速度v，每齿进给量fz，铣削深度ap，铣削宽度ac分别对表面粗糙度的影响权重，采用模糊神经网路的聚类分析并分别确定其权重系数g1、g2、g3、g4；
步骤四：结合铣削加工参数的权重影响，确定表面粗糙度预测模型：
式中的待定系数C、k1、k2、k3、k4、k5，其中v为铣削速度，fz为每齿进给量，ap为铣削深度，ac为铣削宽度，VB为刀具的后刀面平均磨损量，从而获得对应于不同材料刀具的表面粗糙度预测模型，进而对超高强钛合金铣削加工的表面粗糙度进行预测。
步骤二中所述的表面粗糙度值Ra是同一种材料的若干件工件在相同材料刀具和铣削参数下进行铣削加工后测量得到的结果。
步骤二中所述的刀具的后刀面平均磨损量VB是不同材料的刀具在不同的铣削参数下进行铣削加工后测量得到的结果。
步骤四表面粗糙度预测模型中的各个待定系数是考虑铣削参数权重的通过对铣削参数、刀具的后刀面平均磨损量以及表面粗糙度值进行多元线性回归分析所确定的。
步骤四中的表面粗糙度预测模型是与考虑铣削参数权重的某一种材料的刀具所对应的。
实施例
本发明以TB17超高强钛合金平面端铣削加工为例，刀具选择TiAlN涂层硬质合金立铣刀，刀具参数见表1，实施过程如图1所示。选取铣削速度、每齿进给量、铣削深度、铣削宽度和刀具的后刀面磨损量为影响铣削加工工件表面粗糙度的因素，建立TB17超高强钛合金铣削加工表面粗糙度预测模型，并对不同铣削参数下的表面粗糙度值进行预测。下面结合附图和具体实施方式对本发明进行详细说明：
步骤一：判断出TB17是一种超高强钛合金材料，故可以进入步骤二；
步骤二：设置不同的铣削速度、每齿进给量、铣削深度和铣削宽度对TB17钛合金工件进行平面端铣加工，加工完毕后测量工件的表面粗糙度值Ra和刀具的后刀面平均磨损量VB，具体数值如表2所示；
表1刀具参数
表2铣削参数及对应的表面粗糙度值与后刀面平均磨损量
步骤三：对试验结果进行多元线性回归分析，并用模糊神经网路的聚类分析，分别得出对应的铣削速度v，每齿进给量fz，铣削深度ap，铣削宽度ac的权重系数分别为g1＝0.32、g2＝0.56、g3＝0.09、g4＝0.03；
步骤四：依据步骤三的结果，即可获得钛合金铣削加工表面粗糙度预测模型为：
Ra＝3.456·(0.32v)-0.065·(0.56fz)0.489·(0.09ap)0.196·(0.03ac)0.086·VB0.312
表3为TB17高强钛合金铣削加工表面粗糙度试验结果与预测结果的对比。结果表明，预测误差小于6％，因此，本发明的方法可以准确地预测TB17高强钛合金铣削加工的表面粗糙度。以上结合附图对本发明的实例进行了详细的描述，但本发明不局限于上述具体的实施方式，上述的具体实施方式仅是示例性的，不是局限性的，任何不超过本发明权利要求的发明创造，均在本发明的保护之内。
表3超高强钛合金铣削加工表面粗糙度预测值与测量值对比
试验号 表面粗糙度(Ra)预测值 表面粗糙度(Ra)测量值 预测误差(％)
1 0.115 0.120 4.3
2 0.214 0.220 2.8
3 0.153 0.162 5.9
4 0.321 0.318 0.9
5 0.356 0.351 1.4
6 0.421 0.428 1.6
7 0.386 0.391 1.3
8 0.452 0.444 1.8
9 0.278 0.288 3.6

Claims (5)

1.一种基于切削加工参数权重的超高强钛合金粗糙度预测方法，其特征在于包括以下步骤：
步骤一：判断材料是否为超高强钛合金材料，若是超高强钛合金材料，则进行步骤二，若不是超高强钛合金材料，则该预测方法不适用；
步骤二：对若干件相同材料的工件在不同的刀具材料和铣削参数下进行铣削加工，铣削参数包括铣削速度v，每齿进给量fz，铣削深度ap，铣削宽度ac，之后测量出每个工件的表面粗糙度值Ra和每把刀具的后刀面平均磨损量VB；
步骤三：对用同种材料刀具进行铣削加工的工件的测量结果进行多元线性回归分析，根据铣削加工参数铣削速度v，每齿进给量fz，铣削深度ap，铣削宽度ac分别对表面粗糙度的影响权重，采用模糊神经网路的聚类分析并分别确定其权重系数g1、g2、g3、g4；
步骤四：结合铣削加工参数的权重影响，确定表面粗糙度预测模型：
式中的待定系数C、k1、k2、k3、k4、k5，其中v为铣削速度，fz为每齿进给量，ap为铣削深度，ac为铣削宽度，VB为刀具的后刀面平均磨损量，从而获得对应于不同材料刀具的表面粗糙度预测模型，进而对超高强钛合金铣削加工的表面粗糙度进行预测。
2.如权利要求1所述的方法，其特征在于：步骤二中所述的表面粗糙度值Ra是同一种材料的若干件工件在相同材料刀具和铣削参数下进行铣削加工后测量得到的结果。
3.如权利要求1所述的方法，其特征在于：步骤二中所述的刀具的后刀面平均磨损量VB是不同材料的刀具在不同的铣削参数下进行铣削加工后测量得到的结果。
4.如权利要求1所述的方法，其特征在于：步骤四表面粗糙度预测模型中的各个待定系数是考虑铣削参数权重的通过对铣削参数、刀具的后刀面平均磨损量以及表面粗糙度值进行多元线性回归分析所确定的。
5.如权利要求1所述的方法，其特征在于：步骤四中的表面粗糙度预测模型是与考虑铣削参数权重的某一种材料的刀具所对应的。
CN201810942394.0A 2018-08-17 2018-08-17 基于切削加工参数权重的超高强钛合金粗糙度预测方法 Active CN109277883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810942394.0A CN109277883B (zh) 2018-08-17 2018-08-17 基于切削加工参数权重的超高强钛合金粗糙度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810942394.0A CN109277883B (zh) 2018-08-17 2018-08-17 基于切削加工参数权重的超高强钛合金粗糙度预测方法

Publications (2)

Publication Number Publication Date
CN109277883A true CN109277883A (zh) 2019-01-29
CN109277883B CN109277883B (zh) 2021-02-09

Family

ID=65183696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810942394.0A Active CN109277883B (zh) 2018-08-17 2018-08-17 基于切削加工参数权重的超高强钛合金粗糙度预测方法

Country Status (1)

Country Link
CN (1) CN109277883B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889231A (zh) * 2019-12-02 2020-03-17 上海应用技术大学 一种金属铣削参数优选方法
CN111222083A (zh) * 2020-03-11 2020-06-02 山东理工大学 一种基于刀具磨损的车削时工件表面粗糙度计算方法
CN112296363A (zh) * 2020-07-03 2021-02-02 广东工业大学 一种超精密单点金刚石车削精度控制方法与系统
CN113523436A (zh) * 2021-06-30 2021-10-22 贵州大学 一种提高高强钛合金切削性能的加工方法
CN114139772A (zh) * 2021-11-12 2022-03-04 江苏师范大学 一种基于优化广义回归神经网络预测工件表面质量的方法
CN114239140A (zh) * 2021-12-15 2022-03-25 成都飞机工业（集团）有限责任公司 一种飞机结构件腹板铣削表面粗糙度预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101418010B1 (ko) * 2013-02-26 2014-07-10 고등기술연구원연구조합 소재 성형품의 절삭 가공성 평가시스템 및 평가방법
JP2015074078A (ja) * 2013-10-11 2015-04-20 大同特殊鋼株式会社 切削条件設定方法及びそれを実行させるプログラム
CN105269402A (zh) * 2015-10-13 2016-01-27 南京航空航天大学 一种基于铣削加工的钛合金材料表面粗糙度预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101418010B1 (ko) * 2013-02-26 2014-07-10 고등기술연구원연구조합 소재 성형품의 절삭 가공성 평가시스템 및 평가방법
JP2015074078A (ja) * 2013-10-11 2015-04-20 大同特殊鋼株式会社 切削条件設定方法及びそれを実行させるプログラム
CN105269402A (zh) * 2015-10-13 2016-01-27 南京航空航天大学 一种基于铣削加工的钛合金材料表面粗糙度预测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889231A (zh) * 2019-12-02 2020-03-17 上海应用技术大学 一种金属铣削参数优选方法
CN111222083A (zh) * 2020-03-11 2020-06-02 山东理工大学 一种基于刀具磨损的车削时工件表面粗糙度计算方法
CN112296363A (zh) * 2020-07-03 2021-02-02 广东工业大学 一种超精密单点金刚石车削精度控制方法与系统
CN112296363B (zh) * 2020-07-03 2021-09-07 广东工业大学 一种超精密单点金刚石车削精度控制方法与系统
CN113523436A (zh) * 2021-06-30 2021-10-22 贵州大学 一种提高高强钛合金切削性能的加工方法
CN114139772A (zh) * 2021-11-12 2022-03-04 江苏师范大学 一种基于优化广义回归神经网络预测工件表面质量的方法
CN114139772B (zh) * 2021-11-12 2023-10-27 江苏师范大学 一种基于优化广义回归神经网络预测工件表面质量的方法
CN114239140A (zh) * 2021-12-15 2022-03-25 成都飞机工业（集团）有限责任公司 一种飞机结构件腹板铣削表面粗糙度预测方法

Also Published As

Publication number Publication date
CN109277883B (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN109277883A (zh) 基于切削加工参数权重的超高强钛合金粗糙度预测方法
Krolczyk et al. Predicting the surface roughness in the dry machining of duplex stainless steel (DSS)
WO2020041955A1 (zh) 一种基于改进型拉开档次法的数控机床综合性能评价方法
Kaladhar et al. Application of Taguchi approach and Utility Concept in solving the Multi-objective Problem when turning AISI 202 Austenitic Stainless Steel.
Sheth et al. Experimental investigation, prediction and optimization of cylindricity and perpendicularity during drilling of WCB material using grey relational analysis
CN106529053B (zh) 一种钛合金铣削残余应力场的预测方法
CN102880771B (zh) 高速切削加工中工件表面粗糙度的预测方法
Jafarian et al. Improving surface integrity in finish machining of Inconel 718 alloy using intelligent systems
Jafarian 3D modeling of recrystallized layer depth and residual stress in dry machining of nickel-based alloy
CN105269402A (zh) 一种基于铣削加工的钛合金材料表面粗糙度预测方法
Badar et al. Experimental verification of manufacturing error pattern and its utilization in form tolerance sampling
CN108490873A (zh) 一种基于最近邻空间点的数控机床主轴热伸长预测方法
Lin et al. Sensitivity analysis and parameter interval optimization for residual stress in polishing process of GH4169 blisk blade
CN110509096A (zh) 工件表面粗糙度控制方法、装置和数控加工设备
Xiuli et al. Research on predictive model surface roughness in high speed milling for aluminum alloy 7050-T7451
Berkani et al. Modeling and optimization of tool wear and surface roughness in turning of austenitic stainless steel using response surface methodology
CN107103129A (zh) 一种切削加工中工件表面残余应力的预测方法
Harhout et al. Predictive modelling and optimisation of surface roughness in turning of AISI 1050 steel using polynomial regression
Thakur et al. Multi-response optimization in turning of EN-24 steel under MQL
Kuczmaszewski et al. State of residual stresses after the process of milling selected aluminium alloys
Singh et al. Enhancement of Surface Finish by Optimization Technique Employed for Al 6061 Considering Different Parameters Using RSM
Xavior et al. Case-based reasoning (CBR) model for hard machining process
CN104571048A (zh) 基于价值工程和加工特征的飞机结构件加工工艺评价方法
Shijin et al. Multi Objective Parameter Optimization of End Milling Operation on AA5083
Mandra et al. A new burr formation model for drilling with tool wear

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant