论文部分内容阅读
【摘 要】表面粗糙度对零件的使用和寿命有很大影响，正确、合理地选用表面粗糙度数值，可以减少零件的加工费用，提高零件的使用寿命。做好表面粗糙度的影响因素个预测研究，对提高工件的生产效率，丰富切削理论，具有重大的意义。
【关键词】表面粗糙度;影响因素;表面粗糙度预测
表面粗糙度是指表面的微观几何形状的立体性和间距性。表面粗糙度对零件的使用和寿命有很大影响，正确、合理地选用表面粗糙度数值，可以减少零件的加工费用，提高零件的使用寿命。例如淬硬钢塑料模具的高速铣削加工就是通过铣削加工的相关参数设置控制好加工件的表面粗糙度、进而获得较好的加工表面质量直接进行使用，避免了对部件进行表面处理加工，这样提高了工件的加工效率、减少污染、节省能源，对加工件表面粗糙度的预测和控制已成为我国模具制造业重点研究和发展的关键技术之一。因此做好表面粗糙度的预测和控制研究，对提高工件的生产效率，丰富切削理论，具有重大的经济价值和深远的社会意义。如何建立精确的表面粗糙度预测模型，提高加工效率，缩减加工成本，是国内、外研究人员的努力方向，并且已经为之奋斗，本文简要介绍了目前国内外在这一领域的研究成果和发展方向。
1表面粗糙度的產生机制及其影响因素
1.1表面粗糙度的产生机制
在进行切削加工时，刀具和工件之间一定有相对运动，而且它们的形状多样，这就造成了被加工件表面不能被完整的切除，遗留下来的这部分称之为残留面积，其几何形状直接影响已加工表面的粗糙度。
1.2 影响表面粗糙度的因素
通过查阅资料，切削参数对表面粗糙度的影响很大，但是不同的实验表明，切削参数对表面粗糙度的影响程度不同，无法确定主要因素。一般遵循以下规律：表面粗糙度首先随着主轴转速的提高而不断增大，然后随着主轴转速的增大而减小;表面粗糙度都随着每齿进给量的不断增加呈上升趋势;随着切削深度的增大，加工表面的粗糙度先减小后增大。
张宏基等在给定高速铣削工艺参数范围内通过对 AM50A 镁合金已加工表面粗糙度测量，研究了铣削参数对表面粗糙度的影响规律。研究表明，在铣削深度和进给速度一定的情况下随着主轴转速的增大 AM50A 镁合金表面质量变好，随着进给速度增大，AM50A 镁合金铣削表面质量变差。当主轴转速大于 12 000 r / min、铣削深度小于 0.2 mm、进给速度小于 400 mm/min 的情况下，得到的表面质量较好。蔡明等研究了单晶铝微尺度铣削的表面质量，研究表明，对其表面质量的影响从大到小为：主轴转速>进给速度>铣削深度;得到的最优工艺参数组合为：主轴转速为 36000r/min，铣削深度为 10μm，进给速度为 80μm/s，此时单晶铝的表面质量最好。分别得到主轴转速、铣削深度和进给速度对表面质量的影响规律。孙士雷等进行了高温合金 GH4169高速铣削表面粗糙度的研究，结果表明，影响表面粗糙度的主要因素依次为铣削深度、每齿进给量、铣削速度;随着铣削速度的增加，加工表面粗糙度逐渐减小，而随着铣削深度和每齿进给量的增加，加工表面粗糙度逐渐变大。张灿果等进行了高速铣削淬硬钢表面粗糙度的研究，结果表明被加工零件表面粗糙度受进给量影响最大，其次是切削速度，影响最小的是切削深度。
K.S.Bansode等通过RSM法研究了MQL工艺下OHNS钢高速铣削表面粗糙度，结果表明，随着切削速度的增加，表面光洁度提高。Bheem Singh Rajpoot等研究了工艺参数对端部铣削加工产生的表面粗糙度指标的影响，结果表明，切削速度对表面粗糙度参数影响不大。Kamal Othman等研究了超共晶铝硅A390在高速铣削中的表面粗糙度，结果表明，对表面粗糙度有重要影响的因素有切削速度和进给速度。Amit Moray等研究了铣削加工过程中切削参数对表面粗糙度的影响，结果表明，表面粗糙度随进给深度和切削深度的增加而增大，但随切削速度的增加而减小。
2.表面粗糙度预测的研究进展
切削过程具有复杂性和不确定性，建立的模型对实际工况进行了较大的简化处理，但是在加工前能对形成的结果能有一个大致的了解，再结合实际情况，对模型进行优化，提高模型的预测精度。
2.1表面粗糙度的预测
王素玉等基于概率统计和回归分析原理，以轴向切深、主轴转速、进给速度、径向切深4个参数建立了表面粗糙度预测模型，并对回归方程和回归系数分别进行了显著性检验，结果表明，所建两个预测模型的精准度很高，基本符合实际。石文天等基于二阶响应曲面法建立了表面粗糙度预测模型，采用最小二乘估计得出回归系数，对回归方程进行了显著性检验，结果表明，二次响应曲面法预测模型回归显著，置信度高，可以用于进行加工前的切削参数选择，以达到对表面粗糙度进行预测和控制的目的。陈涛等运用反应曲面法（RSM）建立了硬态切削表面粗糙度预测模型，并进行了检验，结果表明，二次模型和一次模型都能精准预测表面粗糙度，但是二次模型预测预测精度更高。李国发等建立了外圆纵向磨削表面粗糙度的进化神经网络预测模型，结果表明，基于进化计算的BP神经网络可以克服单纯使用BP神经网络易陷入局部极小值等问题，预测精度较高，对提高外圆纵向磨削加工的自动化程度具有重要的意义。吴德会将一种基于最小二乘支持向量机的预测模型引入铣削加工领域，结果表明，基于最小二乘支持向量机方法建模速度快、预测精度高、适合加工表面粗糙度预测。
NSK Reddy等利用响应面法建立了表面粗糙度预测的数学模型，并采用遗传算法对表面粗糙度模型进行了优化。这种方法有助于获得最佳的刀具几何形状和干燥铣削的切削条件。NSK Reddy等在实验结果的基础上，采用响应面法（RSM）建立了基于加工参数的一阶和二阶数学模型，用于表面粗糙度的预测。通过卡方检验，验证了所选优化模型的有效性。通过方差分析，确定了这些参数对表面粗糙度的影响。利用遗传算法对表面粗糙度预测模型进行了优化。该程序给出了表面粗糙度的最小值及其各自的最佳条件。MRG Krishna等利用神经解包建立了多感知器神经网络模型。采用遗传算法的思想对网络的权重因子进行优化。实验结果与网络模型结果比较表明，所建立的模型在适当误差范围内。Manabe等通过考虑表面粗糙度的有限元模拟，模拟了两阶段微深拉深过程中刀具表面粗糙度对拉深杯表面质量的影响。P Mu?oz-Escalona等建立了方形镶齿铣削加工表面粗糙度预测的几何模型。该模型是基于对加工表面留下的刀具痕迹的几何分析。结果表明，与实验数据相比，所建立的模型在预测表面粗糙度方面具有良好的性能，准确率接近98%。
3.结语
表面粗糙度的相关研究方方面面，表征方式和方法各式各样，预测方法层出不穷，但是研究的核心基本没有改变，预测的结果还是与实际有所差异，今后的努力方向是，突破现有瓶颈，建立一种高精准的模型，更加贴合实际，从而指导设置更加精准的加工参数，以获取高质量的加工表面，提高加工生产效率，丰富切削相关理论。
参考文献：
[1] 张宏基，葛媛媛，唐虹，史耀耀，李增生.高速铣削工艺参数对AM50A镁合金铣削力和表面形貌的影响[J].西北工业大学学报，2018，36（01）：124-131.
（作者单位：佳木斯大学）
【关键词】表面粗糙度;影响因素;表面粗糙度预测
表面粗糙度是指表面的微观几何形状的立体性和间距性。表面粗糙度对零件的使用和寿命有很大影响，正确、合理地选用表面粗糙度数值，可以减少零件的加工费用，提高零件的使用寿命。例如淬硬钢塑料模具的高速铣削加工就是通过铣削加工的相关参数设置控制好加工件的表面粗糙度、进而获得较好的加工表面质量直接进行使用，避免了对部件进行表面处理加工，这样提高了工件的加工效率、减少污染、节省能源，对加工件表面粗糙度的预测和控制已成为我国模具制造业重点研究和发展的关键技术之一。因此做好表面粗糙度的预测和控制研究，对提高工件的生产效率，丰富切削理论，具有重大的经济价值和深远的社会意义。如何建立精确的表面粗糙度预测模型，提高加工效率，缩减加工成本，是国内、外研究人员的努力方向，并且已经为之奋斗，本文简要介绍了目前国内外在这一领域的研究成果和发展方向。
1表面粗糙度的產生机制及其影响因素
1.1表面粗糙度的产生机制
在进行切削加工时，刀具和工件之间一定有相对运动，而且它们的形状多样，这就造成了被加工件表面不能被完整的切除，遗留下来的这部分称之为残留面积，其几何形状直接影响已加工表面的粗糙度。
1.2 影响表面粗糙度的因素
通过查阅资料，切削参数对表面粗糙度的影响很大，但是不同的实验表明，切削参数对表面粗糙度的影响程度不同，无法确定主要因素。一般遵循以下规律：表面粗糙度首先随着主轴转速的提高而不断增大，然后随着主轴转速的增大而减小;表面粗糙度都随着每齿进给量的不断增加呈上升趋势;随着切削深度的增大，加工表面的粗糙度先减小后增大。
张宏基等在给定高速铣削工艺参数范围内通过对 AM50A 镁合金已加工表面粗糙度测量，研究了铣削参数对表面粗糙度的影响规律。研究表明，在铣削深度和进给速度一定的情况下随着主轴转速的增大 AM50A 镁合金表面质量变好，随着进给速度增大，AM50A 镁合金铣削表面质量变差。当主轴转速大于 12 000 r / min、铣削深度小于 0.2 mm、进给速度小于 400 mm/min 的情况下，得到的表面质量较好。蔡明等研究了单晶铝微尺度铣削的表面质量，研究表明，对其表面质量的影响从大到小为：主轴转速>进给速度>铣削深度;得到的最优工艺参数组合为：主轴转速为 36000r/min，铣削深度为 10μm，进给速度为 80μm/s，此时单晶铝的表面质量最好。分别得到主轴转速、铣削深度和进给速度对表面质量的影响规律。孙士雷等进行了高温合金 GH4169高速铣削表面粗糙度的研究，结果表明，影响表面粗糙度的主要因素依次为铣削深度、每齿进给量、铣削速度;随着铣削速度的增加，加工表面粗糙度逐渐减小，而随着铣削深度和每齿进给量的增加，加工表面粗糙度逐渐变大。张灿果等进行了高速铣削淬硬钢表面粗糙度的研究，结果表明被加工零件表面粗糙度受进给量影响最大，其次是切削速度，影响最小的是切削深度。
K.S.Bansode等通过RSM法研究了MQL工艺下OHNS钢高速铣削表面粗糙度，结果表明，随着切削速度的增加，表面光洁度提高。Bheem Singh Rajpoot等研究了工艺参数对端部铣削加工产生的表面粗糙度指标的影响，结果表明，切削速度对表面粗糙度参数影响不大。Kamal Othman等研究了超共晶铝硅A390在高速铣削中的表面粗糙度，结果表明，对表面粗糙度有重要影响的因素有切削速度和进给速度。Amit Moray等研究了铣削加工过程中切削参数对表面粗糙度的影响，结果表明，表面粗糙度随进给深度和切削深度的增加而增大，但随切削速度的增加而减小。
2.表面粗糙度预测的研究进展
切削过程具有复杂性和不确定性，建立的模型对实际工况进行了较大的简化处理，但是在加工前能对形成的结果能有一个大致的了解，再结合实际情况，对模型进行优化，提高模型的预测精度。
2.1表面粗糙度的预测
王素玉等基于概率统计和回归分析原理，以轴向切深、主轴转速、进给速度、径向切深4个参数建立了表面粗糙度预测模型，并对回归方程和回归系数分别进行了显著性检验，结果表明，所建两个预测模型的精准度很高，基本符合实际。石文天等基于二阶响应曲面法建立了表面粗糙度预测模型，采用最小二乘估计得出回归系数，对回归方程进行了显著性检验，结果表明，二次响应曲面法预测模型回归显著，置信度高，可以用于进行加工前的切削参数选择，以达到对表面粗糙度进行预测和控制的目的。陈涛等运用反应曲面法（RSM）建立了硬态切削表面粗糙度预测模型，并进行了检验，结果表明，二次模型和一次模型都能精准预测表面粗糙度，但是二次模型预测预测精度更高。李国发等建立了外圆纵向磨削表面粗糙度的进化神经网络预测模型，结果表明，基于进化计算的BP神经网络可以克服单纯使用BP神经网络易陷入局部极小值等问题，预测精度较高，对提高外圆纵向磨削加工的自动化程度具有重要的意义。吴德会将一种基于最小二乘支持向量机的预测模型引入铣削加工领域，结果表明，基于最小二乘支持向量机方法建模速度快、预测精度高、适合加工表面粗糙度预测。
NSK Reddy等利用响应面法建立了表面粗糙度预测的数学模型，并采用遗传算法对表面粗糙度模型进行了优化。这种方法有助于获得最佳的刀具几何形状和干燥铣削的切削条件。NSK Reddy等在实验结果的基础上，采用响应面法（RSM）建立了基于加工参数的一阶和二阶数学模型，用于表面粗糙度的预测。通过卡方检验，验证了所选优化模型的有效性。通过方差分析，确定了这些参数对表面粗糙度的影响。利用遗传算法对表面粗糙度预测模型进行了优化。该程序给出了表面粗糙度的最小值及其各自的最佳条件。MRG Krishna等利用神经解包建立了多感知器神经网络模型。采用遗传算法的思想对网络的权重因子进行优化。实验结果与网络模型结果比较表明，所建立的模型在适当误差范围内。Manabe等通过考虑表面粗糙度的有限元模拟，模拟了两阶段微深拉深过程中刀具表面粗糙度对拉深杯表面质量的影响。P Mu?oz-Escalona等建立了方形镶齿铣削加工表面粗糙度预测的几何模型。该模型是基于对加工表面留下的刀具痕迹的几何分析。结果表明，与实验数据相比，所建立的模型在预测表面粗糙度方面具有良好的性能，准确率接近98%。
3.结语
表面粗糙度的相关研究方方面面，表征方式和方法各式各样，预测方法层出不穷，但是研究的核心基本没有改变，预测的结果还是与实际有所差异，今后的努力方向是，突破现有瓶颈，建立一种高精准的模型，更加贴合实际，从而指导设置更加精准的加工参数，以获取高质量的加工表面，提高加工生产效率，丰富切削相关理论。
参考文献：
[1] 张宏基，葛媛媛，唐虹，史耀耀，李增生.高速铣削工艺参数对AM50A镁合金铣削力和表面形貌的影响[J].西北工业大学学报，2018，36（01）：124-131.
（作者单位：佳木斯大学）