高硅含量铝基电子封装材料切削用量优化策略

2022-04-20刘小莹王浩李怒飞周利平王计生

工具技术 2022年3期

刘小莹，王浩，李怒飞，周利平，王计生

1成都医学院；2西华大学机械工程学院

1 引言

现有的电子封装材料在性能、制造工艺上均存在一定的应用限制，高硅含量Al-Si复合材料的出现为电子封装材料的发展提供了新的契机。但是，随着硅含量的增加，硅铝合金的脆性也会增加，导致加工性能下降。针对该材料加工成形时切削性能较差等突出问题，一些学者和企业主要集中在材料的制备工艺[1-6]与切削性能分析两个方面开展了相关研究[7-12]，而对高硅含量铝基电子封装材料制备工艺的相关研究起步较早且更系统，如利用喷射沉积等方法制备的电子封装材料已成功应用于生产实际。

由于针对该材料切削性能的研究还未系统化，且尚未在公开文献上发现有关该材料的切削用量优化方法。因此，本文基于课题组前期大量的研究工作，进行新型高硅含量铝基电子封装材料切削用量优化策略研究，并为优化系统的开发奠定数据基础。

2 高硅含量铝基电子封装材料切削用量优化

为改善高硅含量铝基电子封装材料的切削加工性，技术人员普遍依靠经验选取切削用量进行试加工，费时费力。因此，建立针对高硅含量铝基电子封装材料切削用量的优化模型十分必要，且优化结果可为实际加工提供数据参考与技术支持。

2.1 切削数据的准备

课题组利用虚拟仿真技术和切削实验对新型高硅含量铝基电子封装材料的切削性能做了大量研究，积累了丰富切削实验数据[13-16]。本文以φ8mm的TiAlN涂层四刃硬质合金立铣刀铣削CE11高硅含量铝基电子封装材料的切削数据为例，收集整理了114组仿真与实验对照组数据，选取35组仿真与实验数据进行误差对比(见图1)，证实仿真实验是一种非常有效的实验手段，所获得仿真实验数据可作为切削实验数据的有效补充。大量的实验数据不仅使高硅含量铝基电子封装材料切削用量优化系统的内容更加全面，还可以使构建的优化模型更加准确。

(a)主切削力对比

(b)切削温度对比

2.2 优化模型的建立与实现

将加工材料、刀具规格、刀具信息、铣削方式和涂层材料等因素设为已知量，将机床转速、进给量、铣削宽度、背吃刀量等切削用量设为自变量，设切削力为因变量，并基于遗传算法与BP神经网络技术建立切削用量优化模型。如图2所示，该切削用量优化模型由预测模型和优化模型两部分组成。

图2 切削用量优化模型

在预测模型中，根据需要预测的目标以及输入、输出数据的数量和类型等来确定BP神经网络的拓扑结构，进而确定遗传优化算法中的个体编码长度。使用遗传算法优化BP神经网络的权值和阀值，种群中的每一个体都包含了一个神经网络的所有权值和阀值，个体通过适应度函数计算出相应的适应度值，并通过选择、交叉和变异操作找到最优个体；再将遗传算法优化后的权值和阈值重新赋值到新的BP神经网络中，神经网络再次训练后输出预测值，从而实现对切削力与切削温度的预测。预测模型的部分实现代码如下：

%% 创建BP神经网络

net=newff(p，t，S1，{′tansig′，′purelin′}，′trainlm′)；

net.trainParam.show=10；

net.trainParam.epochs=2000；

net.trainParam.goal=1.0e-7；

net.trainParam.lr=0.05；

%%训练网络

%[net，tr]=train(net，p，t)；

net=train(net，p，t)；

%%仿真测试

s_bp=sim(net，psim)

%%权值阈值个数的计算

R=size(p，1)；

S2=size(t，1)；

S=R*S1+S1*S2+S1+S2；

aa=ones(S，1)*[-1，1]；

%% V.遗传优化

% 初始化种群

popu=50；% 种群规模

initPpp=initializega(popu，aa，′gabpEval′，[]，[1e-6 1])；% 初始化种群

% 迭代优化

gen=500； %遗传代数

……

在优化模型中，将切削数据输入已经建立的BP-GA预测神经网络，并进行该神经网络的训练拟合，拟合后的预测神经网络可作为适应度函数计算种群个体的适应度值。在一定的约束条件下，通过选择、交叉和变异等操作寻找最优个体，即确定切削力最小条件下的最优切削用量。结合涂层刀具生产厂家提供的切削用量表以及课题组前期的研究设置约束条件，即将需要优化的切削用量的数据范围设为转速2000～5000r/min，进给量0.08～0.16mm/z，铣削宽度1～5mm，背吃刀量1～5mm。优化模型的部分实现代码如下：

%% 解码最优解并赋值

% 解码最优解

[W1，B1，W2，B2，val] = gadecod(x)；

% 赋值给神经网络

net.IW{1，1}=W1；

net.LW{2，1}=W2；

net.b{1}=B1；

net.b{2}=B2；

%% 利用新的权值和阈值进行训练

net=train(net，p，t)；

%% 仿真测试

s_ga=sim(net，psim) %遗传优化后的仿真结果

%%结果反归一化

tsim_1=mapminmax(′reverse′，s_ga，ps_output)； %反归一化%% IX结果

%% 结果对比

error=abs(tsim_1 - t_test)./t_test；

%决定系数R^2

R2=(N*sum(tsim_1.*t_test)-sum(tsim_1)*sum(t_test))^2/((N*sum((tsim_1).^2)-(sum(tsim_1))^2)*(N*sum((t_test).^2)-(sum(t_test))^2))；

……

2.3 优化结果输出

以主切削力最小时的切削用量为优化结果。经过100次迭代后优化结果趋于平稳，最终计算得出的最优解为n=4670r/min，f=0.095mm/z，aw=1.81mm，ap=3.83mm，此时最小主切削力为168.13N。

3 优化结果实验验证

搭建如图5所示的实验平台，由Kistler公司的测力系统(压电晶体传感器、数据采集卡、电荷放大器、Dynoware Type 2825A1-2型数据收集处理软件)、Raytek公司的Thermo ViewTM TPi20在线式红外热成像仪、数控机床及金相显微镜等设备构成。为了便于实时采集切削力，需要将高硅含量铝基电子封装材料装夹在压电晶体传感器上。图3为预加工工件外形与尺寸，工件材料为Osprey Metal公司生产的CE11合金，该材料的力学性能见表1。切削实验所用TiAlN涂层刀具的几何参数见表2。

图3 CE11铣削实验平台

材料化学成分密度(g/cm3)热膨胀系数(25～100℃)(×10-6/K)热导率(W/(m·K))CE11Al-50%Si2.5011.0149材料弯曲强度(MPa)屈服强度(MPa)弹性模量(GPa)泊松比CE111721251210.25

表2 立铣刀几何参数

对优化后的切削用量值进行取整处理，通过铣削实验测得实际切削力(见表3)。根据实验结果可知，优化值与实验值的相对误差在15%以内。

表3 切削力实验结果

根据实验结果可知，不合适的切削用量会导致刀具前后刀面磨损严重，有时会出现刀尖崩刃(见图4a)。采用主切削力最小时的切削用量进行切削加工，在铣削总距离达到5m后，利用金相显微镜观察刀具磨损情况，发现刀具前后刀面均出现刀具和涂层材料的少量磨损，但刀尖无崩刃(见图4b)。可见，优化切削用量对提高高硅含量铝基电子封装材料的切削加工性能和降低刀具磨损是有效果的。

n=4000/min，f=0.14mm/z，aw=3.5mm，ap=3mm，平均磨损量A=0.0362mm(a)优化前

n=4700r/min，f=0.09mm/z，aw=1.8mm，ap=3.8mm，平均磨损量A=0.0176mm(b)优化后

4 切削用量优化系统开发

4.1 优化系统概念设计

高硅含量铝基电子封装材料切削用量优化系统可以辅助技术人员提高产品生产效率和产品质量。根据企业调研及软件需求分析，高硅含量铝基电子封装材料的铣削加工是个多因素互相影响的过程，铣削性能参数实际上是铣削加工过程的外在表现形式，它受数控机床、刀具、铣削参数、切削介质、工件材料以及加工质量等多个因素共同影响，而每个因素又有其自身属性，如数控机床的属性包括主轴转速、刀库容量和数控系统等。因此，首先需要进行系统的概念设计，建立如图5所示的优化系统E-R模型。

4.2 优化系统的功能框架结构设计与实现

根据优化系统的概念设计和逻辑设计，建立优化系统的功能框架结构(见图6)。系统主要功能包括用户信息、机床信息、刀具信息、涂层材料信息、铣削性能参数和优化结果信息等内容的查询、添加、修改以及删除等操作功能，并以切削数据库信息为基础，具有切削用量的预测与优化功能。优化计算是通过调用MATLAB软件实现，在MATLAB软件中运行BP-GA神经网络预测模型和遗传算法优化模型，最终获得优化后的铣削用量。优化后的结果可存入切削数据库作为知识储备，为系统后续开发刀具几何角度的优化功能奠定基础。系统功能运行实例界面见图7-图9。