端面铣削工件表面粗糙度数学模型与实验验证

作     者：刘德伟 许芝令 李长河 秦爱国 刘波 张彦彬 Yusuf Suleiman Dambatta 安庆龙 LIU Dewei;XU Zhiling;LI Changhe;QIN Aiguo;LIU Bo;ZHANG Yanbin;YUSUF Suleiman Dambatta;AN Qinglong

作者机构：青岛理工大学机械与汽车工程学院山东青岛266520 青岛海空压力容器有限公司山东青岛266000 青岛卡沃斯智能制造有限公司山东青岛266109 四川新航钛科技有限公司四川什邡618400 香港理工大学超精密加工技术国家重点实验室中国香港999077 艾哈迈杜·贝洛大学机械工程学院卡杜纳810106尼日利亚 上海交通大学机械与动力工程学院上海200240 

出 版 物：《表面技术》 (Surface Technology)

年 卷 期：2024年第53卷第4期

页      面：125-139页

核心收录：

学科分类：08[工学] 0804[工学-仪器科学与技术] 

基　　金：国家自然科学基金(52105457,51975305) 山东省科技型中小企业创新能力提升工程(2022TSGC1115) 泰山学者工程专项(tsqn202211179) 山东省青年科技人才托举工程(SDAST2021qt12) 山东省自然科学基金(ZR2023QE057,ZR2022QE028,ZR2021QE116,ZR2020KE027) 

主　　题：铣削 轮廓形成机理 表面粗糙度 铣削力 刀具跳动 卷积神经网络 

摘      要：目的针对多种表面粗糙度影响因素的耦合作用使轮廓形成机理不清,导致表面粗糙度数学模型存在表面质量智能管控工业应用预测精度不足的技术难题,建立端面铣削工件表面粗糙度数学模型。方法首先,基于加工运动学机理和刀具几何学分析端面铣削工件表面轮廓形成机理,建立考虑刀具跳动的工件表面轮廓模型以及轮廓高度偏差关于铣削力的补偿函数,并通过卷积神经网络(Convolution Neural Network,CNN)进行解析。其次,建立端面铣削表面粗糙度数学模型。最后,进行可转位面铣刀端面铣削ZG32MnMo的实验验证,分别采集轮廓数据与铣削力信号,建立以铣削力为输入、轮廓高度偏差数据为输出的铣削数据集,训练卷积神经网络解析轮廓高度补偿值并验证理论模型的准确性,对比分析考虑刀具跳动的表面粗糙度数学模型与CNN优化考虑刀具跳动的表面粗糙度数学模型的精度。结果CNN优化考虑刀具跳动的表面粗糙度数学模型对加工重叠区与非重叠区内沿刀具进给方向的轮廓算术平均偏差Ra的预测误差分别为18.71%和14.14%,与考虑刀具跳动的表面粗糙度数学模型相比,精度分别提高了10.61%和32.83%,CNN优化考虑刀具跳动的表面粗糙度数学模型对轮廓单元的平均宽度R_(sm)和支承长度率R_(mr(c))的预测结果与实验值吻合。结论考虑刀具跳动以及动态铣削力耦合作用边界条件的表面粗糙度数学模型能够有效预测端面铣削表面粗糙度,可为在质量管控工程中的应用提供理论指导与技术支撑。