趙仲林,安立寶
(華北理工大學 機械工程學院,河北 唐山 063210)
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。
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
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)
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
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
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
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
(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。