鈦合金TC4銑削力仿真研究與BP神經網絡預測*

趙仲林，安立寶

(華北理工大學 機械工程學院，河北 唐山 063210)

0 引言

鈦合金具有強度高、質量輕、耐腐蝕等優點，廣泛應用于航空航天領域，但因其具有較高的化學活性與較低的導熱率，表現出銑削溫度高、刀具粘結嚴重等缺點[1]。使用有限元技術來研究TC4的銑削過程可節省大量的人力、物力資源。

李體仁等[2]采用正交試驗研究了高速銑削鈦合金 TC4 粗加工階段時切削參數對切削力的影響規律，結合Pareto得出高速銑削鈦合金的最優切削參數。孫鵬程等[3]通過銑削TC4實驗，得出銑削力數據，采用多元線性回歸分析法，建立了準確度高的各向銑削力模型。本文利用有限元軟件模擬TC4銑削加工過程，建立了三維銑削模型，得到了切削速度、每齒進給量、軸向切深對銑削力的影響規律，并采用BP神經網絡對TC4銑削力進行預測。該研究可為實際生產中加工參數的選擇提供理論指導。

1 切削過程有限元建模

1.1 材料本構

因為銑削TC4過程會產生大的應力應變，選用Johnson-Cook本構模型來反映銑削加工過程中材料的應變硬化、應變率和熱軟化效應，其表達式如下：

(1)

表1 J-C本構參數

1.2 切屑分離準則

使用物理分離準則Johnson-Cook剪切失效準則，當失效參數D大于1時，實現單元的分離，形成切屑：

(2)

.

(3)

1.3 銑削有限元模型建立

通過有限元軟件建立三維側銑模型,如圖1所示。利用SolidWorks建立YG8四刃立銑刀模型，刀具幾何參數為：直徑10 mm,螺旋角35°，后角13°，圓周刃前角10°。工件材料為TC4，長、寬、高分別為60 mm、20 mm、20 mm。銑削工藝參數如下：切削速度80 m/min，每齒進給量0.15 mm/z，軸向切深2 mm，徑向切寬4 mm。干式順銑。為縮短計算時間將TC4局部切削網格細化為0.1 mm。單元類型為C3D8RT，采用減縮積分。接觸方式為YG8與TC4面面接觸，約束工件6個自由度，因不考慮刀具磨損，將刀具設為剛體并耦合約束為一參考點，給予刀具轉速和進給速度，模型的初始溫度設置為20 ℃。

圖1 銑削有限元模型

2 仿真方案與試驗結果

2.1 試驗方案的設計與分析

徑向切寬為4 mm，刀具圓周刃前角為10°，后角為13°，采用三因素四水平正交試驗，正交試驗因素水平如表2所示。設計L16(34)正交試驗表，進行TC4銑削仿真試驗，提取銑削力數值，見表3。

表2 正交試驗因素水平表

表3 TC4銑削試驗結果

通過仿真試驗得出銑削速度、每齒進給量、軸向切深對銑削力的影響規律，如圖2所示。由圖2可知：隨著銑削速度的增加，TC4發生熱軟化效應，銑削力略微減小，當銑削速度達到120 m/min時，切削刃刀尖處會發生輕微崩刃，導致銑削力增大；隨著每齒進給量、軸向切深的增加，工件的材料去除率增加，銑刀受力面積增大，均導致銑削力增大。

圖2 切削用量對銑削力的影響規律

2.2 銑削應力場分析

圖3為YG8銑削TC4過程中工件應力分布云圖，圖4為刀尖切入位置應力云圖。通過圖4可看出，Mises最大應力出現在第一變形區，因為在刀尖切入工件時，導致TC4發生較大塑性變形。

圖3 鐵削過程中工件的應力云圖

圖4 鐵削過程中刀尖切入工件位置的應力云圖

3 BP神經網絡預測

Backpropagation(BP)神經網絡，是一種基于誤差反向傳播算法的多層前饋網絡[5]，本文輸入21組學習樣本，使用反向傳播算法對網絡的權值和誤差進行反復調整訓練，使誤差沿梯度方向下降，最終確定網絡收斂時的權值和閾值，完成訓練。

首先將銑削力仿真試驗獲取的16組數據作為訓練樣本，再利用銑削力經驗公式得到5組不同切削參數下的數據作為測試樣本；之后利用MATLAB對數據進行歸一化處理，設置迭代次數為1 000次，訓練目標為10-3，學習率為0.01。本文選擇銑削速度、每齒進給量、軸向切深為輸入來預測銑削力，所以輸入神經元為3，輸出神經元為1，隱含層包含7個神經元，即網絡結構為3-7-1，BP神經網絡結構見圖5，隱含層激活函數為trainlm。為了比較BP神經網絡預測精度，繪制銑削力仿真值與預測值對比如圖6所示，銑削力仿真值與預測值之間的最大相對誤差為9.48%，因此BP神經網絡預測銑削力模型具有較高精度。

圖5 BP神經網絡結構

圖6 銑削力仿真值與預測值對比

4 結論

(1)銑削TC4過程中，銑削力隨銑削速度的增加先減小后增加；隨每齒進給量、軸向切深的增大而增加。采用較高切削速度、較低每齒進給量與軸向切深，可以提高TC4銑削加工效率。

(2)建立了BP神經網絡預測銑削力模型，得到的銑削力數值與仿真試驗值最大誤差為9.48%，驗證了神經網絡預測模型的準確性。