(西北工業(yè)大學(xué)現(xiàn)代設(shè)計(jì)與集成制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,西安710072)
航空航天技術(shù)的不斷發(fā)展對(duì)航空材料性能提出了更高的要求。陶瓷顆粒與鋁合金的復(fù)合使顆粒增強(qiáng)鋁基復(fù)合材料展現(xiàn)出如低密度、高比強(qiáng)度、高比剛度、高耐磨性和低熱膨脹系數(shù)等優(yōu)異性能,在航空航天領(lǐng)域得到廣泛關(guān)注[1-3]?;谏鲜鰞?yōu)點(diǎn),顆粒增強(qiáng)鋁基復(fù)合材料已成為制造航空發(fā)動(dòng)機(jī)大尺寸風(fēng)扇葉片的理想材料之一。由于鋁基復(fù)合材料微觀結(jié)構(gòu)的復(fù)雜性,高硬度增強(qiáng)顆粒的磨粒磨損作用,導(dǎo)致鋁基復(fù)材難以機(jī)械加工,特別體現(xiàn)在刀具壽命短、表面質(zhì)量差以及材料去除率低等方面[4-7]。
車削加工是顆粒增強(qiáng)鋁基復(fù)合材料精密和超精密加工主要手段之一。目前,針對(duì)該類型材料車削加工性能的研究主要集中在傳統(tǒng)SiC顆粒增強(qiáng)鋁基復(fù)材車削加工的刀具磨損、表面完整性、表面微觀形貌及車削參數(shù)優(yōu)化等方面[8-10]。然而,作為新型原位自生TiB2/Al復(fù)合材料,其制備尚處于研究階段,國(guó)內(nèi)外還未見(jiàn)到對(duì)其車削性能進(jìn)行研究的相關(guān)文獻(xiàn)。同時(shí),由于TiB2增強(qiáng)顆粒的尺度、力學(xué)性能、材料構(gòu)型方式與傳統(tǒng)顆粒增強(qiáng)鋁基復(fù)合材料具有較大差異,必然影響其機(jī)械加工性能。為此,有必要針對(duì)TiB2/Al復(fù)合材料的車削加工理論方法展開(kāi)研究。
本文針對(duì)車削參數(shù)多目標(biāo)優(yōu)化問(wèn)題,主要從以下幾個(gè)方面開(kāi)展研究:首先,開(kāi)展車削參數(shù)的單因素試驗(yàn),研究適合加工該材料的參數(shù)控制域;其次,基于參數(shù)控制域中設(shè)計(jì)正交實(shí)驗(yàn),建立表面粗糙度預(yù)測(cè)模型;最后,以表面粗糙度和材料去除率為目標(biāo),基于遺傳算法對(duì)車削參數(shù)進(jìn)行優(yōu)化。以期通過(guò)車削參數(shù)多目標(biāo)優(yōu)化方法的研究,為原位自生TiB2/Al復(fù)合材料在實(shí)際加工、應(yīng)用中起到指導(dǎo)作用。
試驗(yàn)材料為上海交通大學(xué)研制的新型6% TiB2/7050鋁基復(fù)合材料[5],其制備方法為熔體反應(yīng)控制自生,經(jīng)T6處理。在室溫下材料的物理性能見(jiàn)表1,基體成分見(jiàn)表2,材料的SEM圖片如圖1所示。
試驗(yàn)試樣幾何尺寸為φ20mm×100mm,試驗(yàn)車削外圓,車削長(zhǎng)度為40mm。試驗(yàn)機(jī)床為CK7525數(shù)控車床,最大主軸轉(zhuǎn)速為3000r/min,冷卻方式為干式冷卻。刀具采用山高公司生產(chǎn)的非涂層硬質(zhì)合金刀片,型號(hào)為VBMT160408-F2,CP200。試件與車削過(guò)程如圖2所示。
表1 6% TiB2/Al復(fù)合材料物理性能
表2 6% TiB2/Al復(fù)合材料化學(xué)成份
圖1 TiB2/Al復(fù)合材料SEM圖片F(xiàn)ig.1 Picture of TiB2/Al composites
圖2 試驗(yàn)件及車削過(guò)程Fig.2 Work-piece and turning process
試驗(yàn)采用控制變量法,探究車削參數(shù)對(duì)表面粗糙度的影響規(guī)律。根據(jù)相關(guān)研究[11],取v=30m/min,f=40mm/min,ap=0.6mm進(jìn)行相關(guān)試驗(yàn),因素水平見(jiàn)表3。車削參數(shù)對(duì)表面粗糙度的影響規(guī)律如圖3所示。表面粗糙度采用接觸式TR620表面粗糙度儀進(jìn)行測(cè)量,表面粗糙度輪廓采用IFM-G4全自動(dòng)刀具測(cè)量?jī)x測(cè)量,三維形貌采用Vecco三維光學(xué)表面形貌測(cè)試儀測(cè)量。
表3 切削參數(shù)因素表
圖3 車削參數(shù)對(duì)表面粗糙度的影響Fig.3 Effect of cutting parameters on the surface roughness
從圖3中得出,表面粗糙度隨車削速度的增大而減小,車削速度在35mm/min以上時(shí),進(jìn)一步增大車削速度并不能有效提高表面質(zhì)量;隨著進(jìn)給速度的增大表面粗糙度值增大,過(guò)大的進(jìn)給速度使表面輪廓以及殘留高度增大,致使表面粗糙度增大[12];車削深度在0.2~0.8mm的范圍內(nèi)對(duì)表面粗糙度影響不明顯,能保證加工表面粗糙度值在0.6μm以下。但是單一的參數(shù)選擇不能滿足實(shí)際加工需求,需要多個(gè)參數(shù)共同優(yōu)化,以在保證加工質(zhì)量的同時(shí)提高材料去除率。
為實(shí)現(xiàn)TiB2/Al復(fù)合材料的精密車削,需要合理選擇車削工藝參數(shù)。根據(jù)上述單因素試驗(yàn)及分析,采用正交試驗(yàn)法設(shè)計(jì)TiB2/Al復(fù)合材料的精密外圓車削試驗(yàn),v、f、ap都各取3水平,分析各車削參數(shù)對(duì)表面質(zhì)量和加工效率的影響。試驗(yàn)方案及表面粗糙度測(cè)試結(jié)果如表4所示。從表5中可知進(jìn)給速度對(duì)表面粗糙度影響最大,其次是車削速度,最后是車削深度。進(jìn)給速度、車削速度、車削深度對(duì)表面粗糙度的影響靈敏度所占百分比分別為37.5%、36.4%、26.1%。從圖3(c)中得出車削深度對(duì)表面粗糙度的影響不是很明顯,但在車削速度和進(jìn)給速度耦合作用下,車削深度對(duì)表面粗糙度的靈敏度提高,說(shuō)明改變車削速度以及進(jìn)給速度能改變車削深度對(duì)表面粗糙度的靈敏度。因此,對(duì)于3者之間的耦合關(guān)系以及參數(shù)組合對(duì)表面粗糙度的影響需要進(jìn)一步優(yōu)化研究。
表4 正交試驗(yàn)表面粗糙度
表5 表面粗糙度極差結(jié)果
選擇車削參數(shù)時(shí)要遵循以下原則:在保證加工質(zhì)量的前提下,能最大化地提高材料去除率。只知道粗糙度模型很難得到合適的車削參數(shù)組合能夠同時(shí)滿足多個(gè)目標(biāo),因此需要對(duì)車削工藝參數(shù)進(jìn)行優(yōu)化研究。
為了保證設(shè)計(jì)變量之間的獨(dú)立性,論文選取v作為設(shè)計(jì)變量?,F(xiàn)有工件直徑為20mm,車床在實(shí)際生產(chǎn)中主軸轉(zhuǎn)速一般在1200r/min以下,得到最大的車削速度為72m/min。待優(yōu)化的車削參數(shù)分別為車削速度v、進(jìn)給速度f(wàn)以及車削深度ap,其表達(dá)式為 :
車削參數(shù)優(yōu)化的目標(biāo)是在保證加工精度的前提下,盡量提高材料去除率。因此,本文選取表面粗糙度和材料去除率作為優(yōu)化目標(biāo)[13]。
(1)粗糙度模型建立。
粗糙度經(jīng)驗(yàn)?zāi)P蚚14]常用基于正交試驗(yàn)方法獲得,據(jù)公式(1)可表示為:
式中:Ra表示表面粗糙度;c0為常數(shù);c1、c2、c3分別為指數(shù)。
根據(jù)對(duì)上述工藝參數(shù)和表面粗糙度的測(cè)試數(shù)據(jù),通過(guò)線性回歸分析方法,得到車削該復(fù)材的表面粗糙度經(jīng)驗(yàn)?zāi)P蜑椋?/p>
通過(guò)顯著性分析,方差R2=0.84>0.82,表明回歸方程擬合良好,可用于優(yōu)化算法中。
(2)材料去除率模型建立。
從上述分析得到,在工件一定的情況下,影響切削時(shí)間的主要因素就是車削參數(shù),即主軸轉(zhuǎn)速、車削深度以及進(jìn)給速度,它們?cè)酱笄邢鲿r(shí)間越短。為此,可以將車削效率模型簡(jiǎn)化為削參數(shù)為約束的簡(jiǎn)單模型。其中,影響材料去除率(S)的主要因素為車削深度以及進(jìn)給速度,為此可以簡(jiǎn)化模型為:
實(shí)際生產(chǎn)的現(xiàn)實(shí)條件對(duì)車削參數(shù)有著一定的約束,比如車床的功率、刀具性能等,要求合理選擇參數(shù)優(yōu)化范圍?;谏鲜龇治?,最終確定的優(yōu)化數(shù)學(xué)模型函數(shù)參數(shù)及約束條件分別如下。
設(shè)計(jì)變量為v、f、ap,約束條件為:
遺傳算法是一種基于自然選擇原理和自然遺傳機(jī)制的搜索尋優(yōu)算法,它模擬生物進(jìn)化中自然選擇的法則,以基因交叉和變異為基礎(chǔ),具有極強(qiáng)的全局搜索能力,也是最常用的智能優(yōu)化算法之一。基于遺傳算法的多目標(biāo)優(yōu)化問(wèn)題的方法一般有兩種:一是采用權(quán)重系數(shù)法將其轉(zhuǎn)化為單目標(biāo)優(yōu)化問(wèn)題求解,二是將Pareto的概念與遺傳算法相結(jié)合求最優(yōu)解,兩種方法各有優(yōu)勢(shì)[15-17]。針對(duì)車削加工特點(diǎn),本文選用基于Pareto的遺傳算法進(jìn)行車削參數(shù)優(yōu)化。
遺傳算法的基本思想是把待優(yōu)化問(wèn)題的參數(shù)編碼成特定進(jìn)制的染色體,由初始種群作為問(wèn)題的初始解,重復(fù)使用復(fù)制(Reproduction)、交叉(Cross-over)和變異(Mutation)3算子進(jìn)行操作,直到搜到最優(yōu)解。
在優(yōu)化過(guò)程中,綜合多種因素考慮以及多次優(yōu)化對(duì)比分析得出,設(shè)定初始參數(shù)為:種群大小為60,迭代次數(shù)為300,交叉概率0.8,變異概率0.05。計(jì)算結(jié)果見(jiàn)圖4所示。
圖4 車削參數(shù)優(yōu)化結(jié)果Fig.4 Optimal results of cutting parameters
從圖4可以得出以下結(jié)論:一方面在點(diǎn)1處能得到表面粗糙度值最小的參數(shù)組合,但此處的材料去除率是最小的,是以犧牲材料去除率為代價(jià)的;另一方面在點(diǎn)2處得到材料去除率最大的參數(shù)組合,如預(yù)期結(jié)果此處的表面粗糙度最大(表面質(zhì)量最差)??紤]到點(diǎn)2處的表面粗糙度值為0.173μm,滿足生產(chǎn)要求,為此材料去除率作為選擇參數(shù)的主要參考因素,即選擇點(diǎn)2處的參數(shù)作為TiB2/Al復(fù)合材料精密車削的工藝參數(shù)組合。優(yōu)化結(jié)果為:車削速度v=71m/min,進(jìn)給速度f(wàn)=44mm/min,車削深度ap=0.8mm/min。既可以獲得較高的質(zhì)量,又能獲得較高的車削效率,因此選擇這一組參數(shù)進(jìn)優(yōu)化試驗(yàn)驗(yàn)證。
車削參數(shù)優(yōu)化是為了指導(dǎo)實(shí)際車削加工,保證加工質(zhì)量和材料去除率。因此有必要在優(yōu)化的基礎(chǔ)上進(jìn)行相關(guān)的試驗(yàn)驗(yàn)證,為TiB2/Al復(fù)合材料精密車削提供參考。驗(yàn)證試驗(yàn)整合數(shù)據(jù)及驗(yàn)證結(jié)果如表6所示。
表6 試驗(yàn)驗(yàn)證結(jié)果
從表6得出,試驗(yàn)驗(yàn)證結(jié)果相對(duì)理論GA-Pareto優(yōu)化結(jié)果有一定誤差,但相比經(jīng)驗(yàn)參數(shù)得到的表面質(zhì)量以及材料去除率都有較大的改善,從0.27μm優(yōu)化到0.186μm,材料去除率從24mm3/min提高到35.2mm3/min。圖5為經(jīng)驗(yàn)數(shù)據(jù)和GA優(yōu)化后試驗(yàn)驗(yàn)證數(shù)據(jù)下得到的表面粗糙度輪廓分析圖??梢钥吹絻?yōu)化前表面粗糙度輪廓線峰值為10μm,優(yōu)化后的峰值為5μm;同時(shí)優(yōu)化前表面粗糙度輪廓線峰谷值較多,說(shuō)明在加工表面上有凹陷缺陷,而優(yōu)化后的峰谷與峰頂數(shù)量想當(dāng),說(shuō)明表面輪廓均勻,加工缺陷減少,表面質(zhì)量更好。圖6為優(yōu)化前后試件表面三維形貌圖,可以得出優(yōu)化前的表面形貌有明顯的溝壑,優(yōu)化后溝壑減少,在表面粗糙度輪廓線上可以體現(xiàn)出,峰值數(shù)量以及峰值減少[18-19]。綜上分析可得出GA-Pareto優(yōu)化是可行的,對(duì)TiB2/Al復(fù)合材料實(shí)際加工起到指導(dǎo)作用。
圖5 優(yōu)化前后的表面粗糙度輪廓Fig.5 Surface roughness profile before and after optimization
圖6 優(yōu)化前后的試件表面三維形貌Fig.6 Three-dimensional shape of work-piece surface before and after optimization
(1)從車削參數(shù)的單因素試驗(yàn)得出,隨著車削速度的增大,表面粗糙度值下降;隨進(jìn)給速度的增大,表面粗糙度值增大;車削深度對(duì)表面粗糙度影響不明顯。選取表面粗糙度值在0.6μm以下的車削參數(shù),為優(yōu)化做準(zhǔn)備。
(2)以表面粗糙度和材料切除率為目標(biāo)函數(shù),基于GA-Pareto算法對(duì)車削參數(shù)進(jìn)行多目標(biāo)參數(shù)優(yōu)化,得到在車削速度v=71m/min,進(jìn)給速度f(wàn)=44mm/min,車削深度ap=0.8mm/min時(shí)可以獲得理想的車削效果。
(3)優(yōu)化后的表面工件質(zhì)量得到改善,從微觀形貌和表面粗糙度輪廓曲線可以得出,工件表面溝壑?jǐn)?shù)量減少,溝壑深度降低。
[1]PARK B G, CROSKY A G, HELLIER A K.Fracture toughness of microsphere Al2O3-Al particulate metal matrix composites[J].Composites Part B: Engineering, 2008, 39(7): 1270-1279.
[2]CHEN S H, WANG T C.Size effects in the particle-reinforced metal-matrix composites[J].Acta Mechanica, 2002, 157(1-4): 113-127.
[3]PANDEY A B, MAJUMDAR B S, MIRACLE D B.Deformation and fracture of a particle-reinforced aluminum alloy composite: Part I:Experiments[J].Metallurgical and Materials Transactions A, 2000, 31(3):921-936.
[4]EL-GALLAB M, SKLAD M.Machining of Al/SiC particulate metal matrix composites part III: comprehensive tool wear models[J].Journal of Materials Processing Technology, 2000, 101(1): 10-20.
[5]WANG M, CHEN D, CHEN Z, et al.Mechanical properties of in-situ TiB2/A356 composites[J].Materials Science and Engineering: A,2014, 590: 246-254.
[6]CHEN D, WANG M L, ZHANG Y J, et al.Microstructure and mechanical properties of TiB2/2219 composites[J].Materials Research Innovations, 2014, 18(S4):514-518.
[7]XIONG Y F, WANG W H, JIANG R S, et al.Tool wear mechanisms for milling in situ TiB2 particle-reinforced Al matrix composites[J].International Journal of Advanced Manufacturing Technology, 2016:1-10.
[8]葛英飛,徐九華,楊輝.SiCp/Al復(fù)合材料的超精密車削試驗(yàn)[J].光學(xué)精密工程,2009,17(7):1621-1629.
GE Yingfei, XU Jiuhua, YANG Hui.Experiments of ultra-precision turning of SiCp/Al composites[J].Optics and Precision Engineering,2009,17(7): 1621-1629.
[9]EL-GALLAB M, SKLAD M.Machining of Al/SiC particulate metal matrix composites: Part II: Workpiece surface integrity[J].Journal of Materials Processing Technology, 1998, 83(1-3): 277-285.
[10]PRAMANIK A,ZHANG L C,ARSECULARATNE J A.Machining of metal matrix composites: Effect of ceramic particles on residual stress, surface roughness and chip formation[J].International Journal of Machine Tools and Manufacture, 2008, 48: 1613-1625.
[11]ANDREWES C J E, FENG H Y, LAU W M.Machining of an aluminum/SiC composite using diamond inserts[J].Journal of Materials Processing Technology, 2000, 102(1): 25-29.
[12]陳日曜,饒國(guó)定,劉培德,等.金屬切削原理[M].北京:機(jī)械工業(yè)出版社,2002.
CHEN Riyao, RAO Guoding, LIU Peide, et al.Metal cutting priciple[M].Beijing: China Machine Press, 2002.
[13]JAYARAMAN P, KUMAR L M.Multi-response optimization of machining parameters of turning AA6063 T6 aluminium alloy using grey relational analysis in taguchi method[J].Procedia Engineering, 2014, 97:197-204.
[14]DAVIM J P.Design of optimisation of cutting parameters for turning metal matrix composites based on the orthogonal arrays[J].Journal of Materials Processing Technology, 2003, 132(1): 340-344.
[15]SARDI?AS R Q,REIS P,DAVIM J P.Multi-objective optimization of cutting parameters for drilling laminate composite materials by using genetic algorithms[J].Composites Science and Technology, 2006,66:3083-3088.
[16]NAYAK S K, PATRO J K, DEWANGAN S, et al.Multiobjective optimization of machining para-meters during dry turning of AISI 304 austenitic stainless steel using grey[J].Procedia Materials Science,2014,6:701-708.
[17]DENKENA B, BOEHNKE D, DEGE J H.Helical milling of CFRP-titanium layer compounds[J].CIRP Journal of Manufacturing Science and Technology, 2008, 1(2):64-69.
[18]楊振朝, 張定華, 姚倡鋒, 等.TC4鈦合金高速銑削參數(shù)對(duì)表面完整性影響研究[J].西北工業(yè)大學(xué)學(xué)報(bào), 2009, 27(4): 538 -543.
YANG Zhenchao, ZHANG Dinghua, YAO Changfeng, et al.Effects of high-speed milling parameters on surface integrity of TC4 titanium alloy[J].Journal of Northwestern Polytechnical University, 2009, 27(4): 538-543.
[19]史興寬, 陳明, 張樹(shù)全, 等.鈦合金TC4高速銑削表面完整性研究[J].航空制造技術(shù), 2001(1): 30-31, 35.
SHI Xingkuan, CHEN Ming, ZHANG Shuquan, et al.Study on high speed milling surface integrity of Ti alloy TC4[J].Aeronautical Manufacturing Technology, 2001(1):30-31, 35.