CN116643020A - 基于高密度水基泡沫切削液提高铣削工件表面质量的方法 - Google Patents
基于高密度水基泡沫切削液提高铣削工件表面质量的方法 Download PDFInfo
- Publication number
- CN116643020A CN116643020A CN202310612136.7A CN202310612136A CN116643020A CN 116643020 A CN116643020 A CN 116643020A CN 202310612136 A CN202310612136 A CN 202310612136A CN 116643020 A CN116643020 A CN 116643020A
- Authority
- CN
- China
- Prior art keywords
- milling
- test
- cutting fluid
- mean square
- root mean
- 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.)
- Pending
Links
- 238000003801 milling Methods 0.000 title claims abstract description 214
- 239000002173 cutting fluid Substances 0.000 title claims abstract description 92
- 239000006260 foam Substances 0.000 title claims abstract description 84
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 149
- 239000002245 particle Substances 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000000513 principal component analysis Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000003746 surface roughness Effects 0.000 claims abstract description 6
- 238000001238 wet grinding Methods 0.000 claims description 51
- 238000009837 dry grinding Methods 0.000 claims description 31
- 230000001133 acceleration Effects 0.000 claims description 25
- 238000005520 cutting process Methods 0.000 claims description 25
- 239000007921 spray Substances 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 18
- 239000007788 liquid Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000005507 spraying Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 238000005187 foaming Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 229910001069 Ti alloy Inorganic materials 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000010835 comparative analysis Methods 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000001050 lubricating effect Effects 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 239000012530 fluid Substances 0.000 claims 1
- 238000010219 correlation analysis Methods 0.000 description 9
- 238000003754 machining Methods 0.000 description 3
- 238000004439 roughness measurement Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004619 high density foam Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 239000006265 aqueous foam Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/20—Metals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B5/00—Measuring arrangements characterised by the use of mechanical techniques
- G01B5/28—Measuring arrangements characterised by the use of mechanical techniques for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了一种基于高密度水基泡沫切削液提高铣削工件表面质量的方法,该方法包括搭建干湿铣削试验平台,制定试验方案,在干式铣削、切削液浇注铣削和高密度泡沫切削液喷射铣削三种切削条件下完成工件干湿铣削对比试验。在试验过程中,同步采集铣削力、铣削噪声和铣削振动数据,试验结束后对试验工件表面进行粗糙度测量得到工件表面粗糙度。对通过灰色关联度进行对比分析,对铣削力和铣削振动进行主成分分析,提取其特征值,基于试验数据和粒子群优化广义回归神经网络建立多维特征预测模型,通过对试验数据进行灰色关联度分析,对组合预测模型进行比较分析,从而得到一种基于高密度水基泡沫切削液提高铣削工件表面质量的方法。
Description
技术领域
本发明涉及一种基于高密度水基泡沫切削液提高铣削工件表面质量的方法,属于机械技工技术领域。
背景技术
铣削加工在机械加工中运用广泛,但铣削加工的工艺规划具有不确定性,会对工件的铣削性能产生影响,改善钛合金切削性能成为钛合金加工的主要研究方向。在实际铣削过程中,刀具铣削工件时会产生铣削力,工件常为金属且被固定在机床夹具上,铣削力、夹具锁紧力和工件的金属键原子力之间相互碰撞,引起铣削系统振动,铣削振动又会在工件表面产生振纹,影响工件的表面加工质量。因此,铣削力和铣削振动在一定程度是可以影响工件的表面质量。很多学者已经对切削系统的加工状态和工件的表面质量进行研究,通过多种方法分析切削条件和切削参数对铣削后工件表面质量的影响,但很少有学者考虑高密度水基泡沫切削液对铣削后工件表面质量的影响。而在理论上,泡沫破裂吸收能量,可以在一定程度上降低铣削力和铣削振动,从而提升工件铣削后的表面质量。因此,需要从能量视角出发设计出一种基于高密度水基泡沫切削液提高铣削工件表面质量的方法。
发明内容
本发明所要解决的技术问题是,克服现有技术的不足而提供一种基于高密度水基泡沫切削液提高铣削工件表面质量的方法,能够降低铣削过程所产生的铣削力和铣削振动,进而提升工件铣削后的表面质量。
本发明提供一种基于高密度水基泡沫切削液提高铣削工件表面质量的方法,包括以下步骤:
S1、基于铣削三要素拟定铣削试验方案,搭建包含铣削力和铣削振动信号采集在内的干湿铣削试验平台;
S2、通过步骤S1设计的试验方案和干湿铣削试验平台,完成TC4钛合金在不同切削条件下的铣削试验,在试验过程中,同步采集铣削力、铣削噪声和铣削振动数据,并在试验结束后对试验工件表面进行粗糙度测量得到工件表面粗糙度;
S3、对步骤S2采集的试验数据进行提取,对提取后的数据通过灰色关联度进行对比分析;
S4、对铣削力和铣削振动进行主成分分析,提取其特征值,然后基于试验数据和粒子群优化广义回归神经网络建立以一维特征及二维特征值为输入参数,粗糙度为输出结果的多维特征预测模型,最后将三个组合预测模型进行对比分析。
本发明对铣削工件在不同切削条件下进行不同工艺参数的铣削试验,分别进行干铣削、湿铣削和高密度水基泡沫湿铣削。实时同步采集噪声信号、三向力信号和振动信号。在试验结束后对试验工件表面进行粗糙度测量得到工件表面粗糙度。对处理后的三组对照组数据通过灰色关联度进行对比分析。对铣削力和铣削振动进行主成分分析,提取其特征值。基于试验数据和粒子群优化广义回归神经网络建立以一维特征及二维特征值为输入参数,粗糙度为输出结果的多维特征预测模型。通过对试验数据进行灰色关联度分析,对组合预测模型进行比较分析,从而得到一种基于高密度水基泡沫切削液提高铣削工件表面质量的方法。
作为本发明进一步优化的技术方案如下:
进一步的,所述干湿铣削试验平台包括干湿铣削系统、铣削力测量系统、铣削噪声和振动测量系统以及粗糙度采集系统四部分;所述干湿铣削系统由试件、刀具、数控铣床以及液体喷淋系统组成;所述铣削力测量系统采用压电式三向测力仪;所述铣削噪声和振动测量系统由压电式三向加速度传感器、电荷放大器、数据采集仪以及安装有声学与振动分析软件的计算机组成;所述粗糙度采集系统包括接触式粗糙度测量仪。
所述步骤S1中,利用压电式三向测力仪在铣削过程对铣削力信号分三个方向中进行同步实时测量;铣削噪声和振动测量系统通过数据线连接后,在铣削过程中对铣削噪声实时测量以及对铣削振动信号分三个方向进行同步实时测量。
再进一步的,所述液体喷淋系统为外加切削液装置或泡沫发生装置,所述传统切削液系统包括切削液容器、出液管和喷嘴,所述切削液容器通过出液管与喷嘴相连,所述喷嘴朝向刀具和被加工工件所在的切削区布置;所述泡沫发生装置包括压缩空气储罐、泡沫液储罐、储水罐和发泡喷头,所述泡沫液储罐、储水罐与混合管路连接,所述混合管路、压缩空气储罐与发泡喷头相连,所述发泡喷头朝向被刀具和加工工件所在的切削区布置。
所述步骤S2中,不同切削条件下的铣削试验是指在同一加工设备及加工环境条件下采用不同冷却方式的铣削试验,包括干式铣削试验、基于传统切削液的湿铣削试验和基于高密度水基泡沫切削液的铣削试验;干式铣削试验不使用任何具有冷却润滑功能的介质,基于传统切削液的湿铣削试验使用切削液浇注装置将切削液浇注至刀具与工件切削区;基于高密度水基泡沫切削液的铣削试验通过泡沫发生装置将泡沫喷射至切削区。
所述步骤3中,对处理后的试验数据采用灰色关联度进行对比分析是基于试验数据和灰色关联度分析法,分别分析干铣削、湿铣削和泡沫铣削中力、振动及噪声关于加工参数的相关性。
所述步骤S4中,利用主成分分析法对三向铣削力均方根和三向铣削振动加速度均方根分别进行降维,具体操作如下:
首先,对三向铣削力均方根或三向铣削振动加速度均方根的数据进行标准化处理,公式如下:
式中,Zij为原始铣削力或铣削振动信号数据归一化后的数据,xij为单向铣削力均方根或单向铣削振动加速度均方根,n是试验次数,m是主成分变量个数;
其次,根据标准化后的数据计算相关系数矩阵,利用雅克比法求解相关系数矩阵,得到相关系数矩阵的特征值及对应的特征向量;
然后,相关系数矩阵的特征值按从大到小排列,根据公式(2)求解各个特征值对应的主成分贡献率及累计贡献率:
式中,ei是主成分贡献率,是累计贡献率,λi是主成分变量对于特征值;
降维后三向铣削力均方根FdRMS或降维后三向铣削振动加速度均方根adRMS为累计贡献值大于90%的特征值所对应的特征向量乘以三向铣削力均方根或三向铣削振动加速度均方根,即:
FdRMS=α*FRMS-x+β*FRMS-y+γ*FRMS-z (3)
adRMS=α1*aRMS-x+β1*aRMS-y+γ1*aRMS-z (4)
式中,α,β,γ分别是对应三向铣削力均方根的累计贡献值大于90%时的主成分特征值所对应的特征向量,FRMS-x、FRMS-y、FRMS-z分别是x、y、z三向铣削力均方根的累计贡献值大于90%时的主成分特征值,FdRMS是主成分处理后的降维后三向铣削力均方根;α1,β1,γ1分别是对应三向铣削振动加速度均方根的累计贡献值大于90%时的主成分特征值所对应的特征向量,aRMS-x、aRMS-y、aRMS-z分别是x、y、z三向铣削振动加速度均方根的累计贡献值大于90%时的主成分特征值,adRMS是主成分处理后的降维后三向铣削振动加速度均方根;
从同步采集的铣削噪声数据中选取声压级均方根值Lp作为铣削噪声特征值。
所述步骤S4中,利用广义回归神经网络建立多维预测模型的具体方法如下:
(1)建立广义回归神经网络
设随机变量为x和y,已知x的观测值为X,则函数y相对于X的回归,联合概率密度函数表示为f(X,y),其数学期望由下式计算获得,
式中,E(y/X)为预测公式;
通常联合概率密度函数f(X,y)可由训练样本集近似估计出来,选用高斯核函数进行估计,
其中,Xi为随机变量x的样本观测值,Yi为随机变量y的样本观测值,o为样本容量,p为随机变量x的维度,σ为光滑因子;
用代替f(X,y)代入到公式(13)中,整理得到广义回归神经网络的基本公式,
式中,为预测值;
(2)通过粒子群算法对广义回归神经网络中的参数光滑因子σ进行寻优
假设在一个D维的目标搜索空间中,有N个粒子组成一个群落,其中第i个粒子表示为一个D维的向量,即Xi=(xi1,xi2,…,xiD),第i个粒子的飞行速度也是一个D维的向量,记为Vi=(vi1,vi2,…,viD),第i个粒子迄今为止搜索到的最优位置称为个体极值,记为pbest=(pi1,pi2,…,piD),整个粒子群迄今为止搜索到的最优位置为全局极值,记为gbest=(pg1,pg2,…,pgD);
在找到上述两个最优值时,粒子根据如下的公式(8)和(9)来更新自己的速度和位置:
其中,是更新位置,/>是更新速度,/>是更新前速度,/>为是更新前位置,/>为第i个粒子在t时刻搜索到的最优位置,/>为整个粒子群在t时刻搜索到的最优位置,c1和c2均为学习因子,/>为惯性权重,r1和r2均为[0,1]范围内的均匀随机数;f为粒子实时的目标函数值,fmin和favg分别为当前所有粒子的最小目标值和平均目标值,ωmax和ωmin分别为惯性权重最大值和最小值;
(3)粒子群算法优化广义回归神经网络
①调用步骤(2)中的广义回归神经网络并导入数据样本;
②初始化粒子群的参数:粒子种群数N、迭代次数T;
③按设定比例划分好训练集与测试集;输入参数为主轴转速、铣削深度、降维铣削力均方根、降维振动加速度均方根及声压级均方根值,输出参数为粗糙度,将训练集中数据导入广义回归神经网络模型进行训练,同时将光滑因子作为粒子种群,用光滑因子训练时预测出的粗糙度与实际测量的粗糙度的差值作为适应度值Fit[i];
④寻找粒子中最小适应度值Fit[i],记为个体极值pbest;
⑤设置的迭代次数运行结束后,所获得广义回归神经网络模型的最优参数,采用最优参数广义回归神经网络进行模型训练,得到最优广义回归神经网络模型;
⑥将测试集数据导入最优广义回归神经网络模型进行预测,得出粗糙度预测结果,并将粗糙度预测结果与实际测量的粗糙度值进行比较,以检验预测模型的预测精度。
进一步的,所述高密度水基泡沫切削液采用泡沫发生剂与水按照1:100~120的比例混合配制而成。
本发明通过干式铣削试验、基于传统切削液的湿铣削试验和基于高密度水基泡沫切削液的铣削试验对比,获取提高铣削工件表面质量的方法,通过对干式铣削、基于传统切削液湿铣削和基于高密度水基泡沫切削液铣削三组对照试验的数据进行对比分析,得到基于高密度水基泡沫切削液试验组测得的工件表面质量较其余两者更高。在铣削过程中对铣削区喷淋高密度水基泡沫能够降低铣削过程所产生的铣削力和铣削振动,进而提升工件铣削后的表面质量。
附图说明
图1为本发明的原理图。
图2为本发明中本发明中干湿铣削试验平台示意图。
图3为本发明中干铣削试验组下粗糙度组合预测模型粗糙度的实测值和拟合值的对比曲线图。
图4为本发明中浇注嘉实多合成切削液湿铣削试验组下粗糙度组合预测模型粗糙度的实测值和拟合值的对比曲线图。
图5为本发明中喷射高密度水基泡沫切削液湿铣削试验组下粗糙度组合预测模型粗糙度的实测值和拟合值的对比曲线图。
图6为本发明中干铣削试验组实拍图。
图7为本发明中浇注嘉实多合成切削液湿铣削试验组实拍图。
图8为本发明中喷射高密度水基泡沫切削液湿铣削试验组实拍图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护权限不限于下述的实施例。
实施例1
如图1所示,一种基于高密度水基泡沫切削液提高铣削工件表面质量的方法,具体包括:搭建集铣削力、铣削噪声、铣削振动和工件粗糙度测量于一体的钛合金干湿铣削试验平台,制定试验方案,在干式铣削、嘉实多合成切削液浇注铣削和高密度泡沫切削液喷射铣削三种切削条件下完成工件(TC4钛合金)干湿铣削对比试验。在试验过程中,同步采集铣削力、铣削噪声和铣削振动数据,从中提取铣削噪声特征值。在试验结束后对试验工件表面进行粗糙度测量得到工件表面粗糙度。对处理后的三组对照组数据通过灰色关联度进行对比分析。对铣削力和铣削振动进行主成分分析,提取其特征值。基于试验数据和粒子群优化广义回归神经网络建立以一维特征及二维特征值为输入参数,粗糙度为输出结果的多维特征预测模型。通过对试验数据进行灰色关联度分析,对组合预测模型进行比较分析,从而得到一种基于高密度水基泡沫切削液提高铣削工件表面质量的方法。
1.试验设备
如图2所示,试验平台由干湿铣削系统、铣削力测量系统、铣削噪声和振动测量系统以及粗糙度采集系统四部分。干湿铣削系统由100*40*100mm的TC4钛合金块试件、硬质合金GM-4E-D10.0型四刃立铣刀、XKA714型立式数控铣床以及外加切削液装置和泡沫发生装置组成。铣削力测量系统选用压电式三向测力仪。铣削噪声和振动测量系统由HS6020声音校准器、HS5661型精密声级计、YD-21型压电式三向加速度传感器、YE5852电荷放大器、高速数据采集仪以及WS-AV声学振动测量与分析系统组成。粗糙度采集系统主要包括接触式粗糙测量仪。外设切削液生发装置包括切削液容器、出液管和喷嘴,切削液容器通过出液管与喷嘴相连,喷嘴朝向刀具和被加工工件所在的切削区布置。泡沫发生装置包括压缩空气储罐、泡沫液储罐、储水罐和发泡喷头,泡沫液储罐、储水罐与混合管路连接,混合管路、压缩空气储罐与发泡喷头相连,发泡喷头朝向被刀具和加工工件所在的切削区布置。
2.试验方案
此次试验分别在干加工、嘉实多合成切削液浇注以及高密度水基泡沫切削液(高密度水基泡沫切削液采用武汉巨木联合投资有限公司生产的巨木牌高泡浓缩型泡沫发生剂按照1:100至120的比例和水配制而成)喷射三种切削条件下完成。根据铣削三要素,本试验进给速度vf设有1个水平,主轴转速n和切削深度ap分别设有4个水平,试验参数及水平如表1,具体方案如表2所示。
表1试验参数及水平
表2试验方案
3.试验步骤
(1)搭建钛合金干湿铣削系统:试件装夹到铣床夹具上;铣刀通过刀夹固定在铣床主轴;嘉实多切削液通过浇注器对刀具与工件的切削区进行浇注,高密度水基泡沫切削液通过泡沫发生装置挤压起泡,喷射至切削区;
(2)连接和检测铣削力测量系统:通过传输电缆将压电式三向测力仪与铣床连接,启动测力仪,打开数据采集软件,采集铣削过程中的铣削力数据,通过工控机进行数据处理获得三向铣削力均方根值;
(3)连接和检测铣削噪声和振动测量系统:首先用HS6020声音校准器对HS5661型精密声级计进行校准,再将精密声级计放在铣削工件旁采集噪声信号。将压电式三向加速传感器通过强力磁铁固定在机床夹具上,然后通过传输电缆与电荷放大器相连,经放大的信号输送到高速数据采集仪汇总并通过USB数据线输入数据处理计算机,计算机通过内置的振动测量分析系统完成铣削振动数据的采集并获得铣削噪声和三向铣削振动加速度均方根值;
(4)完成铣削试验:按表2的铣削试验方案,向数控铣床内编入程序,在三种不同切削条件下完成铣削力和铣削振动信号的采集和处理,在计算机中对试验数据进行分类汇总,保存数据后关闭电源,试验结束。
(5)试验结束后使用接触式粗糙测量仪来测量工件表面质量得到粗糙度值。
4.试验结果与分析
为避免试验过程中的操作失误以及铣刀断裂等因素导致的数据误差,根据上述实验步骤,每组试验完成两次,共计96组数据,选择未受影响的48组数据进行分析。其中,干铣削条件下的16组试验数据如表3所示,嘉实多切削液浇注条件下的16组试验数据如表4所示,高密度水基泡沫切削液喷射条件下的16组试验数据如表5所示。
表3干铣削条件下的16组试验数据
表4嘉实多切削液浇注条件下的16组试验数据
表5高密度水基泡沫切削液喷射条件下的16组试验数据
4.1灰色关联度分析
表6粗糙度和铣削力的灰色关联度分析
表7粗糙度和铣削振动的灰色关联度分析
表8粗糙度和铣削噪声的灰色关联度分析
通过结合表3、表4和表5数据和灰色关联度分析软件分别求得干铣削试验组、浇注嘉实多合成切削液湿铣削试验组和喷射高密度水基泡沫切削液湿铣削试验组粗糙度与铣削力之间的灰色绝对关联度、灰色相对关联度值和灰色综合关联度,如表6所示。可以发现,在喷射高密度水基泡沫切削液湿铣削试验组中,粗糙度与铣削力的灰色关联度大于其他两组的灰色关联度,这也表明在喷射高密度水基泡沫切削液湿铣削试验组中粗糙度和铣削力之间的联系较强于其他两组试验。
通过结合表3、表4和表5数据和灰色关联度分析软件分别求得干铣削试验组、浇注嘉实多合成切削液湿铣削试验组和喷射高密度水基泡沫切削液湿铣削试验组粗糙度与铣削振动之间的灰色绝对关联度、灰色相对关联度值和灰色综合关联度,如表7所示。可以发现,在喷射高密度水基泡沫切削液湿铣削试验组中,粗糙度与铣削振动的灰色关联度大于其他两组的灰色关联度,这也表明在喷射高密度水基泡沫切削液湿铣削试验组中粗糙度和铣削振动之间的联系较强于其他两组试验。
通过结合表3、表4和表5数据和灰色关联度分析软件分别求得干铣削试验组、浇注嘉实多合成切削液湿铣削试验组和喷射高密度水基泡沫切削液湿铣削试验组粗糙度与铣削噪声之间的灰色绝对关联度、灰色相对关联度值和灰色综合关联度,如表8所示。可以发现,在喷射高密度水基泡沫切削液湿铣削试验组中,粗糙度与铣削噪声的灰色关联度大于其他两组的灰色关联度,这也表明在喷射高密度水基泡沫切削液湿铣削试验组中粗糙度和铣削噪声之间的联系较强于其他两组试验。
综上,基于试验数据和灰色关联度分析法,分别分析干铣削试验组、浇注嘉实多合成切削液湿铣削试验组和喷射高密度水基泡沫切削液湿铣削试验组中粗糙度关于铣削力、振动和噪声的相关性,得到喷射高密度水基泡沫切削液湿铣削试验组中粗糙度关于铣削力、振动和噪声的灰色关联度总体优于其他两组条件下的灰色关联度,表明高密度水基泡沫切削液对提高铣削工件表面质量具有一定的优化作用。
4.2铣削力和铣削振动的主成分分析
分别对干铣削试验组、浇注嘉实多合成切削液湿铣削试验组和喷射高密度水基泡沫切削液湿铣削试验组的铣削力和铣削振动进行主成分分析。如表所示9所示。
表9主成分分析干铣削试验组铣削力主成分特征值及方差贡献率
嘉实多试验组铣削力主成分特征值及方差贡献率
泡沫试验组铣削力主成分特征值及方差贡献率
干铣削试验组铣削振动主成分特征值及方差贡献率
嘉实多试验组铣削振动主成分特征值及方差贡献率
泡沫试验组铣削振动主成分特征值及方差贡献率
主成分分析处理后三个对照试验组的降维后力均方根FdRMS和降维后振动加速度均方根adRMS如表10所示。
表10降维后力均方根和降维后振动加速度均方根
4.3粗糙度预测模型分析
将测试的数据导入粒子群预测模型,进行粗糙度预测,并对粗糙度预测值及实测值进行相关性分析,用相关系数验证粒子群组合预测模型的预测精度。相关系数R及误差MES如表11所示。
表11多维特征预测模型优化参数及预测精度干铣削试验组
嘉实多铣削试验组
泡沫铣削试验组
三组粗糙度预测模型得到的粗糙度预测值如表12所示。
表12三组粗糙度预测值
拟合曲线图如图3、图4和图5所示。
通过对通过粗糙度组合预测模型可知,喷射高密度水基泡沫切削液湿铣削试验组的粗糙度预测模型的相关系数R为0.9542,远远大于干铣削试验组、浇注嘉实多合成切削液湿铣削试验组。喷射高密度水基泡沫切削液湿铣削试验组的粗糙度预测模型误差保持在0.003μm,优于其他两个试验组。可得高密度水基泡沫切削液对提高铣削工件表面质量的作用很强。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (10)
1.一种基于高密度水基泡沫切削液提高铣削工件表面质量的方法,其特征在于,包括以下步骤:
S1、基于铣削三要素拟定铣削试验方案,搭建包含铣削力和铣削振动信号采集在内的干湿铣削试验平台;
S2、通过步骤S1设计的试验方案和干湿铣削试验平台,完成TC4钛合金在不同切削条件下的铣削试验,在试验过程中,同步采集铣削力、铣削噪声和铣削振动数据,并在试验结束后对试验工件表面进行粗糙度测量得到工件表面粗糙度;
S3、对步骤S2采集的试验数据进行特征值提取,对提取后的数据通过灰色关联度进行对比分析;
S4、对铣削力和铣削振动进行主成分分析,提取其特征值,然后基于试验数据和粒子群优化广义回归神经网络建立以一维特征及二维特征值为输入参数,粗糙度为输出结果的多维特征预测模型,最后将三个组合预测模型进行对比分析。
2.根据权利要求1所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法,其特征在于,所述干湿铣削试验平台包括干湿铣削系统、铣削力测量系统、铣削噪声和振动测量系统以及粗糙度采集系统四部分;所述干湿铣削系统由试件、刀具、数控铣床以及液体喷淋系统组成;所述铣削力测量系统采用压电式三向测力仪;所述铣削噪声和振动测量系统由压电式三向加速度传感器、电荷放大器、数据采集仪以及安装有声学与振动分析软件的计算机组成;所述粗糙度采集系统包括接触式粗糙度测量仪。
3.根据权利要求2所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法,其特征在于,所述步骤S1中,利用压电式三向测力仪在铣削过程对铣削力信号分三个方向中进行同步实时测量;所述铣削噪声和振动测量系统通过数据线连接后,在铣削过程中对铣削噪声实时测量以及对铣削振动信号分三个方向进行同步实时测量。
4.根据权利要求3所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法,其特征在于,所述液体喷淋系统为外加切削液装置或泡沫发生装置,所述传统切削液系统包括切削液容器、出液管和喷嘴,所述切削液容器通过出液管与喷嘴相连,所述喷嘴朝向刀具和被加工工件所在的切削区布置;所述泡沫发生装置包括压缩空气储罐、泡沫液储罐、储水罐和发泡喷头,所述泡沫液储罐、储水罐与混合管路连接,所述混合管路、压缩空气储罐与发泡喷头相连,所述发泡喷头朝向被刀具和加工工件所在的切削区布置。
5.根据权利要求1所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法,其特征在于,所述步骤S2中,不同切削条件下的铣削试验是指在同一加工设备及加工环境条件下采用不同冷却方式的铣削试验,包括干式铣削试验、基于传统切削液的湿铣削试验和基于高密度水基泡沫切削液的铣削试验。
6.根据权利要求5所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法,其特征在于,干式铣削试验不使用任何具有冷却润滑功能的介质,基于传统切削液的湿铣削试验使用切削液浇注装置将切削液浇注至刀具与工件切削区;基于高密度水基泡沫切削液的铣削试验通过泡沫发生装置将泡沫喷射至切削区。
7.根据权利要求1所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法,其特征在于,所述步骤3中,对处理后的试验数据采用灰色关联度进行对比分析,分别分析干铣削、湿铣削和泡沫铣削中力、振动及噪声关于加工参数的相关性。
8.根据权利要求1所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法,其特征在于,所述步骤S4中,利用主成分分析法对三向铣削力均方根和三向铣削振动加速度均方根分别进行降维,具体操作如下:
首先,对三向铣削力均方根或三向铣削振动加速度均方根的数据进行标准化处理,公式如下:
式中,Zij为原始铣削力或铣削振动信号数据归一化后的数据,xij为单向铣削力均方根或单向铣削振动加速度均方根,n是试验次数,m是主成分变量个数;
其次,根据标准化后的数据计算相关系数矩阵,利用雅克比法求解相关系数矩阵,得到相关系数矩阵的特征值及对应的特征向量;
然后,相关系数矩阵的特征值按从大到小排列,根据公式(2)求解各个特征值对应的主成分贡献率及累计贡献率:
式中,ei是主成分贡献率,是累计贡献率,λi是主成分变量对于特征值;
降维后三向铣削力均方根FdRMS或降维后三向铣削振动加速度均方根adRMS为累计贡献值大于90%的特征值所对应的特征向量乘以三向铣削力均方根或三向铣削振动加速度均方根,即:
FdRMS=α*FRMS-x+β*FRMS-y+γ*FRMS-z (3)
adRMS=α1*aRMS-x+β1*aRMS-y+γ1*aRMS-z (4)
式中,α,β,γ分别是对应三向铣削力均方根的累计贡献值大于90%时的主成分特征值所对应的特征向量,FRMS-x、FRMS-y、FRMS-z分别是x、y、z三向铣削力均方根的累计贡献值大于90%时的主成分特征值,FdRMS是主成分处理后的降维后三向铣削力均方根;α1,β1,γ1分别是对应三向铣削振动加速度均方根的累计贡献值大于90%时的主成分特征值所对应的特征向量,aRMS-x、aRMS-y、aRMS-z分别是x、y、z三向铣削振动加速度均方根的累计贡献值大于90%时的主成分特征值,adRMS是主成分处理后的降维后三向铣削振动加速度均方根;
从同步采集的铣削噪声数据中选取声压级均方根值Lp作为铣削噪声特征值。
9.根据权利要求8所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法,其特征在于,所述步骤S4中,利用广义回归神经网络建立多维预测模型的具体方法如下:
(1)建立广义回归神经网络
设随机变量为x和y,已知x的观测值为X,则函数y相对于X的回归,联合概率密度函数表示为f(X,y),其数学期望由下式计算获得,
式中,E(y/X)为预测公式;
通常联合概率密度函数f(X,y)可由训练样本集近似估计出来,选用高斯核函数进行估计,
其中,Xi为随机变量x的样本观测值,Yi为随机变量y的样本观测值,o为样本容量,p为随机变量x的维度,σ为光滑因子;
用代替f(X,y)代入到公式(13)中,整理得到广义回归神经网络的基本公式,
式中,为预测值;
(2)通过粒子群算法对广义回归神经网络中的参数光滑因子σ进行寻优
假设在一个D维的目标搜索空间中,有N个粒子组成一个群落,其中第i个粒子表示为一个D维的向量,即Xi=(xi1,xi2,…,xiD),第i个粒子的飞行速度也是一个D维的向量,记为Vi=(vi1,vi2,…,viD),第i个粒子迄今为止搜索到的最优位置称为个体极值,记为pbest=(pi1,pi2,…,piD),整个粒子群迄今为止搜索到的最优位置为全局极值,记为gbest=(pg1,pg2,…,pgD);
在找到上述两个最优值时,粒子根据如下的公式(8)和(9)来更新自己的速度和位置:
其中,是更新位置,/>是更新速度,/>是更新前速度,/>为是更新前位置,/>为第i个粒子在t时刻搜索到的最优位置,/>为整个粒子群在t时刻搜索到的最优位置,c1和c2均为学习因子,/>为惯性权重,r1和r2均为[0,1]范围内的均匀随机数;f为粒子实时的目标函数值,fmin和favg分别为当前所有粒子的最小目标值和平均目标值,ωmax和ωmin分别为惯性权重最大值和最小值;
(3)粒子群算法优化广义回归神经网络
①调用步骤(2)中的广义回归神经网络并导入数据样本;
②初始化粒子群的参数:粒子种群数N、迭代次数T;
③按设定比例划分好训练集与测试集;输入参数为主轴转速、铣削深度、降维铣削力均方根、降维振动加速度均方根及声压级均方根值,输出参数为粗糙度,将训练集中数据导入广义回归神经网络模型进行训练,同时将光滑因子作为粒子种群,用光滑因子训练时预测出的粗糙度与实际测量的粗糙度的差值作为适应度值Fit[i];
④寻找粒子中最小适应度值Fit[i],记为个体极值pbest;
⑤设置的迭代次数运行结束后,所获得广义回归神经网络模型的最优参数,采用最优参数广义回归神经网络进行模型训练,得到最优广义回归神经网络模型;
⑥将测试集数据导入最优广义回归神经网络模型进行预测,得出粗糙度预测结果,并将粗糙度预测结果与实际测量的粗糙度值进行比较,以检验预测模型的预测精度。
10.根据权利要求1所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法,其特征在于,所述高密度水基泡沫切削液采用泡沫发生剂与水按照1:100~120的比例混合配制而成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612136.7A CN116643020A (zh) | 2023-05-26 | 2023-05-26 | 基于高密度水基泡沫切削液提高铣削工件表面质量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612136.7A CN116643020A (zh) | 2023-05-26 | 2023-05-26 | 基于高密度水基泡沫切削液提高铣削工件表面质量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116643020A true CN116643020A (zh) | 2023-08-25 |
Family
ID=87614828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310612136.7A Pending CN116643020A (zh) | 2023-05-26 | 2023-05-26 | 基于高密度水基泡沫切削液提高铣削工件表面质量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116643020A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074641A (zh) * | 2023-10-17 | 2023-11-17 | 宝鸡拓普达钛业有限公司 | 基于激光超声的双相钛合金表面润滑方法及装置 |
-
2023
- 2023-05-26 CN CN202310612136.7A patent/CN116643020A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074641A (zh) * | 2023-10-17 | 2023-11-17 | 宝鸡拓普达钛业有限公司 | 基于激光超声的双相钛合金表面润滑方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
CN111687689A (zh) | 一种基于lstm和cnn的刀具磨损状态预测方法及装置 | |
Ruijun et al. | The thermal error optimization models for CNC machine tools | |
CN108942409A (zh) | 基于残差卷积神经网络的刀具磨损量的建模和监测方法 | |
Zhang et al. | Prediction of surface roughness in end face milling based on Gaussian process regression and cause analysis considering tool vibration | |
CN108803486A (zh) | 基于并联深度学习网络的数控机床热误差预测与补偿方法 | |
Liu et al. | A hybrid health condition monitoring method in milling operations | |
CN116643020A (zh) | 基于高密度水基泡沫切削液提高铣削工件表面质量的方法 | |
CN110561191A (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
Gaja et al. | Automatic detection of depth of cut during end milling operation using acoustic emission sensor | |
Shi et al. | Thermal characteristics testing and thermal error modeling on a worm gear grinding machine considering cutting fluid thermal effect | |
Gao et al. | Milling chatter detection system based on multi-sensor signal fusion | |
CN117381547A (zh) | 一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法及系统 | |
CN114139772B (zh) | 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 | |
CN105808886B (zh) | 一种主轴回转误差辨识方法 | |
CN113704922B (zh) | 一种基于声振及纹理特征预测表面粗糙度的方法 | |
CN109357826A (zh) | 一种车削刀具-工件非线性振动系统耦合特征的研究方法 | |
CN114021443B (zh) | 基于多传感器的cfrp钻削出口分层损伤预测方法 | |
Jain et al. | Vibration monitoring of ball nose end mill tool during milling of sculptured surfaces using MUP6050 sensor | |
CN112364454B (zh) | 一种基于模态质量分布矩阵的机床薄弱构件识别方法 | |
Kamarthi et al. | Recurrence quantification analysis to estimating surface roughness in finish turning processes | |
Balamurugamohanraj et al. | Prediction of surface roughness based on machining condition and tool condition in boring stainless steel-304 | |
Liu et al. | Intelligent robust milling tool wear monitoring via fractal analysis of cutting force | |
Lai et al. | Grinded surface roughness prediction using data-driven models with contact force information | |
Polyakov et al. | Simulation thermal model of CNC machine tool operating with variable modes |
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 |