趙 暉，董艷彬，史耀耀，趙 濤

（1. 西北工業(yè)大學(xué)現(xiàn)代設(shè)計與集成制造教育部重點實驗室，西安 710072;2. 中航工業(yè)西安航空發(fā)動機有限公司，西安 710021）

整體葉盤由于其重量輕、氣動性能好，已成為新一代航空發(fā)動機的核心部件，它在提高發(fā)動機性能、降低發(fā)動機質(zhì)量、提高發(fā)動機可靠性、減小故障率中起到關(guān)鍵作用[1]。因此，其加工質(zhì)量的優(yōu)劣很大程度影響發(fā)動機的工作效率和壽命。為保證發(fā)動機具有良好的使用性能及壽命，要求整體葉盤具有較高的表面質(zhì)量，而表面粗糙度作為表征加工表面質(zhì)量的主要參數(shù)，其預(yù)測及控制在整體葉盤加工領(lǐng)域的應(yīng)用已成為近年研究的重點。

Yonga等[2]運用響應(yīng)面法建立表面粗糙度預(yù)測模型，并通過預(yù)測模型獲取最小的表面粗糙度；Ho 等[3]提出了基于自適應(yīng)模糊系統(tǒng)的田口遺傳算法建立端銑工件的表面粗糙度預(yù)測模型的方法；Hanafi等[4]利用人工神經(jīng)網(wǎng)絡(luò)研究切削速度、切削深度及進給率與表面粗糙度之間的復(fù)雜關(guān)系；MOOLA MOHAN等[5]采用響應(yīng)面法預(yù)測端銑陶瓷表面粗糙度；WANG等[6]對回歸分析方法預(yù)測單晶金剛石刀具超精密加工表面粗糙度進行了研究；池龍珠[7]通過信噪比試驗設(shè)計法對磨削表面粗糙度進行預(yù)測。上述研究普遍用于車削、銑削加工，而磨拋作為加工的最后一道工序，對表面質(zhì)量的要求更高，在這方面卻研究甚少。

目前，國內(nèi)外用于優(yōu)化及控制表面粗糙度的方法主要有神經(jīng)網(wǎng)絡(luò)算法、遺傳算法及信噪比設(shè)計法。神經(jīng)網(wǎng)絡(luò)算法是通過大量處理單元相互連接形成的復(fù)雜并行網(wǎng)絡(luò)結(jié)構(gòu)，整個網(wǎng)絡(luò)構(gòu)成高度復(fù)雜的非線性系統(tǒng)，因此，神經(jīng)網(wǎng)絡(luò)存在學(xué)習(xí)緩慢、容易陷入局部極小以及振蕩而導(dǎo)致難以收斂等缺陷。遺傳算法是通過模擬自然進化過程搜索最優(yōu)解的方法，其搜索速度較慢，穩(wěn)定性差。信噪比分析方法是通過使用正交試驗設(shè)計表，以信噪比作為產(chǎn)品穩(wěn)健性的評價指標(biāo)，運用統(tǒng)計方法進行分析，確定最佳水平組合。與神經(jīng)網(wǎng)絡(luò)算法、遺傳算法相比信噪比試驗設(shè)計法具有較高的精度及擬合效率[8-9]。

本文擬在上述研究基礎(chǔ)上，以整體葉盤為研究對象，進行數(shù)控磨拋試驗，對磨拋工藝參數(shù)：砂帶粒度、砂帶線速度及進給速度進行優(yōu)化。為預(yù)測與控制表面粗糙度，優(yōu)化磨拋工藝參數(shù)提供了有效、可靠的方法。

1 試驗方案

試驗選用自主研發(fā)七軸五聯(lián)動整體葉盤數(shù)控柔性磨拋機，如圖1所示。該機床進行整體葉盤葉片磨拋時，工作軸主要包括3個直線軸X、Y、Z，擺動軸A，葉片旋轉(zhuǎn)軸C。

在磨拋過程中，影響表面粗糙度的工藝參數(shù)很多，本試驗選取對表面粗糙度影響較大的砂帶粒度、砂帶線速度、進給速度為研究的工藝參數(shù)，以表面粗糙度為試驗研究的結(jié)果，選取每個參數(shù)3水平，建立磨拋因素水平分布表，如表1所示，并按標(biāo)準(zhǔn)正交表L27（313）進行整體葉盤數(shù)控磨拋試驗。由于砂帶粒度、砂帶線速度、進給速度3個因素之間相互影響，因此，在L27（313） 正交表中 9、10、12、13 列是空列，為試驗誤差估計項[11]。試驗所采用的工件材料為鈦合金TC11；接觸輪硬度為35A；接觸輪表面形貌為45°斜槽；磨拋次數(shù)為4次。選德國Mahr公司生產(chǎn)的粗糙度測量儀MarSurf M300C對整體葉盤加工后表面粗糙度進行測量，測量時每次選取葉片3個不同測試點，測量后取平均值，正交試驗及測量結(jié)果如表2中所示。

圖1 整體葉盤數(shù)控柔性磨拋機Fig.1 Blisk CNC flexible grinding and polishing machine

表1 磨拋因素水平分布表

表2 正交表設(shè)計試驗及結(jié)果

2 磨拋工藝參數(shù)優(yōu)化

2.1 信噪比優(yōu)化磨拋工藝參數(shù)

信噪比是參數(shù)設(shè)計過程中衡量指標(biāo)波動大小的指標(biāo)。信噪比分析法是通過進行正交試驗，將不可控制因素對試驗結(jié)果的影響程度變換成特性值，并尋求其最小影響的設(shè)計法。其基本思想就是選擇系統(tǒng)中參數(shù)，建立正交試驗表，通過分析試驗數(shù)據(jù)確定系統(tǒng)中所有參數(shù)的最佳組合。

根據(jù)使用條件的不同，信噪比分為望大特性、望小特性、望目特性[10]。望大特性：產(chǎn)品性能指標(biāo)不為負(fù)值，可取0～∞任何值，期望產(chǎn)品性能指標(biāo)越大、波動越小越好；望小特性：產(chǎn)品性能指標(biāo)不取負(fù)值，可取0～∞任何值，期望產(chǎn)品性能指標(biāo)越小越好，其期望值為0；望目特性：產(chǎn)品性能指標(biāo)Y不為0，且存在某個固定的目標(biāo)值，期望產(chǎn)品性能指標(biāo)圍繞目標(biāo)值波動，且波動越小性能越好。

由于本文主要研究磨拋工藝參數(shù)對表面粗糙度的影響，希望粗糙度值越小越好，因此，僅對望小特性進行分析。對于望小特性而言，總期望其產(chǎn)品性能指標(biāo)越小越好，因此，希望其期望EY和方差都越小越好，即（EY）2+ σ2=EY2越小越好，故為了得到最小指標(biāo)，令（EY2）-1為信噪比，將EY2用其無偏估計 替代，再對其取對數(shù)并乘以-10，即可得到信噪比的計算公式（1）：

因素 A 在各水平下的影響力（ηA1、ηA2、ηA3）及影響力之差（Δη）可按下述公式計算：

因素B、因素C在水平下的影響力與影響力之差，與因素A計算方法相同，將各因素的影響力及影響力之差列于表3。

表3 各因素不同水平對表面粗糙度的影響力

表3表明，選取的3個磨拋工藝參數(shù)對表面粗糙度的影響從大到小依次是砂帶粒度、砂帶線速度、進給速度。從表3中選擇影響力最大的因素水平數(shù)，即表面粗糙度最小的最優(yōu)工藝參數(shù)：砂帶粒度150#，砂帶線速度11m/s，進給速度 0.1m/min。

2.2 試驗驗證

采用上述得到的最優(yōu)工藝參數(shù)（砂帶粒度150#、砂帶線速度11m/s、進給速度0.1m/min）進行磨拋試驗，試驗前整體葉盤葉片表面粗糙度為1.0～1.5μm，試驗結(jié)果用德國Mahr公司生產(chǎn)的粗糙度測量儀MarSurf M300C進行檢測，如圖2所示，檢驗其表面粗糙度為0.23μm。

試驗結(jié)果表明，信噪比試驗設(shè)計法得出的工藝參數(shù)對優(yōu)化整體葉盤表面質(zhì)量有顯著的效果。圖3（a）、（b）為工藝參數(shù)優(yōu)化前后葉片表面對比，優(yōu)化后效果顯著。

圖2 表面粗糙度檢測Fig.2 Detection of surface roughness

圖3 工藝參數(shù)優(yōu)化前后葉片表面Fig.3 Blade surface before and after optimizing process parameter

3 結(jié)論

（1）通過信噪比試驗設(shè)計法優(yōu)化工藝參數(shù)，確定最優(yōu)工藝參數(shù)為砂帶粒度為150#、砂帶線速度為11m/s及進給速度0.1m/min。通過試驗驗證，采用優(yōu)化的加工參數(shù)進行磨拋試驗，整體葉盤表面質(zhì)量得到顯著的提高；

（2）通過對比試驗前后整體葉盤表面質(zhì)量，揭示了信噪比試驗設(shè)計法具有較高的精度。

[1] 段繼豪, 史耀耀, 李小彪, 等. 整體葉盤柔性磨頭自適應(yīng)拋光實現(xiàn)方法[J]. 航空學(xué)報, 2011, 32(5)： 934-940.DUAN Jihao, SHI Yaoyao, LI Xiaobiao, et al. Adaptive polishing for blisk by flexible grinding head[J]. Acta Aeronoutica et Astronautica Sinica,2011, 32(5)： 934-940.

[2] YONGA Y, KULKARNI S S, RYS M, et al. Development of a surface roughness model in end milling of nHAP using PCD insert[J].Ceramics International, 2012, 38(8)： 6865-6871.

[3] HO W H, TSAI J T, LIN B T, et al. Adaptive network-based fuzzy inference system for prediction of surface roughness in end milling process using hybrid Taguchi-genetic learning algorithm[J]. Expert Systems with Applications, 2009, 36(2)：3216-3222.

[4] HANAFI I, KHAMLICHI A, CABRERA F M, et al. Prediction of surface roughness in turning of PEEK cf30 by using an artificial neural network[J].Journal of the Chinese Institute of Industrial Engineers, 2012,29(5)：337-347.

[5] ABOU-EL-HOSSEIN K A, MOOLA MOHAN R , GORIN A.Surface roughness prediction in the end milling parameters of aluminum nitride ceramic by response surface methodology[J]. Advanced Materials Research, 2012, 154： 626-633.

[6] WANG H, LI D. Surface roughness prediction model for ultraprecision turning aluminium alloy with a single crystal diamond tool[J].Chinese Journal of Mechanical Engineering, 2002, 15(2)：153-156.

[7] 池龍珠.磨削條件的優(yōu)化及表面粗糙度的預(yù)測與控制[J].中國機械工程, 2011, 22(2)：158-161.CHI Longzhu. Optimization of grinding conditions and prediction and control of surface roughness[J]. Chinese Journal of Mechanical Engineering,2011,22(2)：158-161.

[8] 竇毅芳, 劉飛, 張為華.響應(yīng)面建模方法的比較分析[J].工程設(shè)計學(xué)報, 2007, 14(5)：359-363.DOU Yifang, LIU Fei, ZHANG Weihua. Research on comparative analysis of response surface methods[J].Journal of Engineering Design,2007, 14(5)：359-363.

[9] MYERS R H, MONTGOMERY D C, Anderson-Cook C M.Response surface methodology： process and product optimization using designed experiments[M]. John Wiley & Sons, 2016.

[10] 鄭少華, 姜奉華. 試驗設(shè)計與數(shù)據(jù)處理[M]. 北京：中國建材工業(yè)出版社, 2004.ZHENG Shaohua, JIANG Fenghua. Experimrntal design and data processing[M]. Beijing： China Building Materials Industry Press, 2004.