畢長(zhǎng)波,王宇浩,馬廉潔,蔡重延,李 孛,張東升,呂 鑫,孫智超,鄧 航
(1.東北大學(xué)秦皇島分校 控制工程學(xué)院,河北 秦皇島 066004;2.綏中明暉工業(yè)技術(shù)有限公司,遼寧 葫蘆島 125205;3.秦皇島鴻泰科技股份有限公司,河北 秦皇島 066000)
切削過程中,刀具磨損對(duì)表面質(zhì)量和加工成本影響較大,可加工陶瓷切削過程中刀具磨損尤為嚴(yán)重??杉庸ぬ沾梢蚱鋬?yōu)良的性能而被廣泛應(yīng)用[1],其硬脆性增加了加工難度[2],目前該材料的主要加工方式還是磨削[3]。與其有關(guān)的車削加工研究較少。
BP神經(jīng)網(wǎng)絡(luò)是一種預(yù)測(cè)、擬合、分類能力很強(qiáng)的智能算法[4],但其易陷入局部極小值。高宇航[5]利用附加動(dòng)量的方法改善BP神經(jīng)網(wǎng)絡(luò)的性能。Ma等[6]利用BP神經(jīng)網(wǎng)絡(luò)和有限元分析證明了切削速度和進(jìn)給量是影響切削力的主要因素。趙淑軍等[7]在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,優(yōu)化了整體式立銑刀的結(jié)構(gòu)參數(shù)。遺傳算法具有很強(qiáng)的全局搜索能力,用來(lái)改進(jìn)神經(jīng)網(wǎng)絡(luò)具有很好的效果。王清潔等[8]利用遺傳算法、BP神經(jīng)網(wǎng)絡(luò)、灰色預(yù)測(cè)的組合算法預(yù)測(cè)了金屬切削力進(jìn)行。馬廉潔等[9]使用PSO算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)優(yōu)化求解磨削參數(shù)。
目前對(duì)于刀具磨損的研究主要集中于刀具磨損狀態(tài)診斷,在線監(jiān)測(cè)等方面。Ubhayaratne等[10]用音頻信號(hào)分析技術(shù)檢測(cè)了刀具磨損。Seemuang等[11]在主軸噪聲檢測(cè)刀具磨損的基礎(chǔ)上,對(duì)不同切削參數(shù)下的刀具磨損量進(jìn)行了分析。陳斌等[12]利用響應(yīng)曲面法實(shí)現(xiàn)了刀具磨損量和切削參數(shù)間的建模。上述關(guān)于刀具磨損的研究主要局限在金屬等塑性材料,目前對(duì)陶瓷等脆性材料切削時(shí)的刀具磨損理論建模的研究較少??杉庸ぬ沾傻那邢鳈C(jī)理與金屬有很大差異,金屬切削的刀具磨損模型不適用于該材料。而且陶瓷加工過程中對(duì)缺陷敏感,刀具磨損受多種因素影響,傳統(tǒng)的刀具磨損模型不能耦合多方面的影響因子,因此誤差較大。
以切削速度、進(jìn)給速度、切削深度作為刀具磨損的影響參量,在單因素實(shí)驗(yàn)的基礎(chǔ)上,利用GA-BP算法分別構(gòu)建一元模型和多元模型,并進(jìn)行實(shí)驗(yàn)檢驗(yàn)。建立精確的刀具磨損預(yù)測(cè)模型,相比較于傳統(tǒng)的建模方法,可以避免BP神經(jīng)網(wǎng)絡(luò)算法易于陷入局部最優(yōu)解的缺點(diǎn)。從而獲得更為精確的刀具磨損預(yù)測(cè)模型。
在CAK5085型數(shù)控車床上開展實(shí)驗(yàn),工件為外徑30mm的氟金云母棒料,刀具型號(hào)為YG6,前角為0°,后角為11°,主偏角和副偏角均為45°,刃傾角為4°,刀尖圓弧半徑為0.5mm。使用激光共聚焦顯微鏡測(cè)量刀具體積磨損量。實(shí)驗(yàn)條件如表1和表2所示。
表1 單因素實(shí)驗(yàn)
表2 驗(yàn)證實(shí)驗(yàn)
設(shè)計(jì)以遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò),其拓?fù)浣Y(jié)構(gòu)如圖1所示。該網(wǎng)絡(luò)由3個(gè)輸入層節(jié)點(diǎn),5個(gè)隱含節(jié)點(diǎn),1個(gè)輸出層節(jié)點(diǎn)構(gòu)成。
圖1 GA-BP算法拓?fù)浣Y(jié)構(gòu)
隨著切削速度增大,刀具磨損量的總體趨勢(shì)是增大的。切削速度較低時(shí),刀具承受的沖擊載荷遠(yuǎn)未達(dá)到刀具晶界的斷裂強(qiáng)度,因此該階段的刀具磨損量相對(duì)平穩(wěn)。當(dāng)切削速度較高時(shí),沖擊強(qiáng)度大,刀具空切周期減小。在高頻率交變載荷和機(jī)械沖擊的作用下,刀尖處出現(xiàn)晶界裂紋,裂紋擴(kuò)展導(dǎo)致崩刃破損,磨損加劇,無(wú)法進(jìn)行有效加工。
GA-BP算法預(yù)測(cè)結(jié)果如圖2所示。切削速度較小時(shí)刀具磨損量較為平穩(wěn),切削速度增大后刀具磨損量急劇增長(zhǎng)。根據(jù)曲線的變化趨勢(shì),提出指數(shù)型函數(shù)的一元模型假設(shè)如式(1)所示,經(jīng)擬合求解得到一元模型如式(2)所示,其相關(guān)系數(shù)為0.9882。
VV=a×vc×eb×vc-c+d
(1)
VV=0.24×vc×e0.21×vc-15.78+0.63
(2)
圖2 切削速度與刀具磨損量的關(guān)系
隨著切削深度的增大,刀具磨損量先增大后減小。切削深度小時(shí),沖擊較弱,刀具磨損量小。切削深度繼續(xù)增大時(shí),刀尖仍然承受主要的沖擊作用,該部位強(qiáng)度低、不耐磨,因此體積磨損量較大。切削深度進(jìn)一步增大時(shí),工件和刀具的接觸面積增加,強(qiáng)度上升,刀具體積磨損量減小。
GA-BP算法預(yù)測(cè)結(jié)果如圖3所示。刀具磨損量隨切削深度的增加先增大后減小。根據(jù)曲線的變化趨勢(shì),在正弦函數(shù)的基礎(chǔ)上除以切削深度進(jìn)行修正,提出一元模型假設(shè)如式(3)所示,經(jīng)擬合求解得到一元模型如式(4)所示,其相關(guān)系數(shù)為0.9921。
(3)
(4)
圖3 切削深度對(duì)刀具磨損量的影響
隨著進(jìn)給速度的增大,刀具承受更大的沖擊載荷,刀具除了正常切削過程中產(chǎn)生的磨損之外,還會(huì)出現(xiàn)微裂紋,并會(huì)因此形成塊狀崩落,增大了刀具體積磨損量。
GA-BP算法預(yù)測(cè)結(jié)果如圖4所示:進(jìn)給速度較大時(shí),刀具磨損量急劇增長(zhǎng)。在正切函數(shù)的基礎(chǔ)上進(jìn)行修正,提出一元模型假設(shè)如式(5)所示,經(jīng)擬合求解得到一元模型如式(6)所示,其相關(guān)系數(shù)為0.9949。
(5)
(6)
圖4 進(jìn)給速度與刀具磨損量的關(guān)系
遺傳算法求解模型的適應(yīng)度值為:
(7)
在式(1)~式(6)的基礎(chǔ)上,建立刀具體積磨損量關(guān)于各切削變量的多元模型:
(8)
其中,a1~a10是由刀具和工件材料決定的常數(shù)。
利用遺傳算法求解式(8)中各參數(shù)的值,適應(yīng)度值達(dá)到最小時(shí)結(jié)束訓(xùn)練。求解得到刀具磨損量的多元模型如式(9)所示。
(9)
對(duì)比多元模型預(yù)測(cè)值和實(shí)驗(yàn)值如圖5所示,利用實(shí)驗(yàn)驗(yàn)證多元模型的預(yù)測(cè)精度,實(shí)驗(yàn)條件同前文單因素實(shí)驗(yàn),每組實(shí)驗(yàn)重復(fù)7次,去除最大值和最小值后取5次測(cè)量平均值作為實(shí)驗(yàn)值。結(jié)果表明多元模型預(yù)測(cè)值和實(shí)驗(yàn)值之間的誤差低于5%。驗(yàn)證實(shí)驗(yàn)相對(duì)誤差如表3所示。結(jié)果表明多元模型有較高的準(zhǔn)確性。
表3 驗(yàn)證實(shí)驗(yàn)相對(duì)誤差
圖5 驗(yàn)證實(shí)驗(yàn)值和多元模型計(jì)算值
以GA-BP改進(jìn)算法獲得了刀具體積磨損量的一元預(yù)測(cè)模型,實(shí)現(xiàn)了小樣本條件下對(duì)刀具磨損量的精確預(yù)測(cè)。在此基礎(chǔ)上,以遺傳算法獲得的刀具體積磨損量的多元模型,用以評(píng)價(jià)刀具體積磨損理論規(guī)律,驗(yàn)證實(shí)驗(yàn)表明多元模型具有較高的預(yù)測(cè)精度。多元模型可為刀具磨損過程預(yù)測(cè)、刀具減磨延壽提供理論基礎(chǔ),為切削參數(shù)合理選擇提供了理論依據(jù)。