铝合金切削过程刀具磨损预测研究

2022-09-21张鹏宇孟鑫鑫林有希

机床与液压 2022年17期

张鹏宇，孟鑫鑫，林有希

(福州大学机械工程及自动化学院，福建福州 350116)

0 前言

铝合金和铝基复合材料因具有质量轻、耐腐蚀、强度质量比高等特性，广泛应用于航空航天工业领域。在实际加工中，由于铝合金强度较高，易粘附，容易引起刀具磨损。刀具磨损是影响高速切削加工精度和工件质量的重要因素，通过实验研究刀具磨损机制的方法虽然能得到精确的结论，但费时费力，所以建立一种准确的刀具磨损模型至关重要。

研究发现铝合金的磨损机制主要为黏着磨损、扩散磨损和磨粒磨损。黏着磨损是刀具和工件表面相对滑动时由于黏着效应所形成的黏着节点发生剪切断裂所导致的，主要产生于低速切削中。而扩散磨损和磨粒磨损主要产生于高速切削条件下。为分析不同磨损机制，研究人员建立了刀具磨损的理论模型。LUO等提出的刀具磨损理论模型综合考虑了磨粒磨损、黏着磨损和扩散磨损，因此该模型更接近实际加工情况。

目前，除了经典的刀具磨损模型，研究人员还将机器学习应用到刀具磨损预测。通过采集切削过程中产生的力信号、振动信号等预测刀具磨损状态，将刀具后刀面磨损定义为模型的输出，然后应用所使用的模型进行实验，将模拟的结果与测量结果进行分析比较。常用的机器学习模型有人工神经网络(Artificial Neural Network，ANN)、隐马尔可夫模型(Hidden Markov Model，HMM)和支持向量机(Support Vector Machine,SVM)等。

本文作者更加系统且全面地综述铝合金切削过程中刀具磨损预测的相关内容，总结经典的刀具磨损模型；分析铝合金切削过程中的刀具磨损机制；梳理用于刀具磨损预测模型信号的测量方法和常用模型。

1 铝合金切削过程中刀具磨损

铝合金切削过程的刀具磨损主要分为刀具磨损机制和经典的刀具磨损模型两方面。刀具磨损机制揭示了刀具磨损的本质，并为经典刀具磨损模型的建立奠定了基础。

1.1 铝合金切削过程中刀具磨损机制

铝合金切削过程中，由于其易粘附，强度较高，容易引起刀具磨损。切削过程中，刀具通过在主剪切区和次剪切区内由高应变率产生的塑性变形过程去除材料，如图1所示。因此，切削面承受了高温和巨大的压力，在高温下会产生化学磨损，化学物质从工件向切屑扩散,也是造成刀具磨损的主要原因。

图1 正交切削参数和变形区[3]

各种类型的刀具磨损取决于刀具的性质、工件材料、切削参数等因素。在加工铝等较软材料时，工件的材料会粘着在刀具上，从而造成黏着磨损，而黏着磨损是低切削速度下主要的刀具磨损形式。同时在低切削速度下，前刀面上会形成积屑瘤并代替切削刃切削工件，工件和切屑之间积屑瘤的连续滑动会导致刀具磨损的增加。为满足生产力的需求，高速切削条件下的刀具磨损特性非常值得研究。同时，刀具涂层、残余应力等因素也会影响刀具磨损。ZHANG等研究在钻削压铸铝合金时无涂层高速钢刀具的后刀面磨损，并将后刀面磨损分为两大类：塑性变形区和主要受温度控制的区域。塑性变形区主要磨损机制为黏着磨损、磨粒磨损；受温度控制区域主要磨损机制为塑性流动和热磨损。

ZHANG等发现在高速切削过程中，刀具和工件、工件和切屑之间会形成2个摩擦区，在接触区域中也会产生非常高的温度和压力。刀具和工件之间接触应力越大，切削产生的热量越多，从而导致刀具前刀面和后刀面甚至切削刃产生磨损的可能性就越大，最终会导致月牙洼磨损。KANNAN等在研究Al7075铝合金的表面粗糙度时，采用优劣解距离法(Technique for Order Preference by Similarity to Ideal Solution，TOPSIS)，发现在切削速度较低、切削深度较大时，表面粗糙度和后刀面磨损值最低。加工过程中产生的残余应力会降低加工零件的性能，TANG等发现刀具的后刀面磨损对表面残余应力有显著影响，后刀面磨损越严重则应力越分散。SATHISH等将Al7050铝合金作为基体材料，研究了不同含量的SiC对刀具磨损的影响，发现SiC颗粒的存在能明显降低刀具的磨损。HARIHARAN等对比无涂层和TiAlN涂层硬质合金刀具，发现TiAlN涂层刀具在更大进给量和切削深度下，加工表面可以达到和无涂层刀具加工表面近乎相同的表面粗糙度。可见使用涂层刀具在满足加工条件的情况下可以有更高的工作效率。

铝合金的主要磨损形式为黏着磨损、磨粒磨损、扩散磨损，且表面残余应力、刀具涂层等都会对刀具磨损造成影响，后刀面磨损值是衡量刀具寿命的主要指标。

1.2 经典刀具磨损模型

TAYLOR最早提出的刀具寿命模型是典型的经验模型，揭示了刀具耐用度与切削用量之间的关系。切削速度、进给量和切削深度对刀具耐用度的影响程度不同，切削速度对刀具寿命的影响最显著，通过耦合切削用量的参数，可以利用该模型预测刀具寿命。

刀具磨损的理论模型因精度高、对切削参数和加工条件考虑更加全面，被广泛应用。TAYLOR的刀具寿命模型将切削速度作为影响刀具寿命的最显著因素，但实际加工过程中，进给量也是影响刀具磨损的主要因素。ASTAKHOV提出了考虑进给量的刀具表面磨损模型，并结合实验结果，发现在最佳切削温度下，进给量的增加会使刀具寿命增加。

此外，基于不同刀具磨损机制的刀具磨损模型也是研究热点。TAKEYAMA和MURATA考虑新加入的磨粒会影响刀具的磨粒磨损，并引入了活化能的概念，从后刀面磨损的角度研究了切削温度对刀具磨损率或刀具寿命的影响，虽然后刀面磨损以黏着磨损和磨粒磨损为主，但也存在一些扩散磨损。

在高速切削过程中，切屑和刀具材料之间的相互扩散在硬质合金刀具的磨损中起着重要的作用。USUI等着重研究了在高速切削状态下温度对材料强度和扩散的影响，从理论上推导了硬质合金刀具扩散磨损的特征方程，并通过实验验证了该方程的正确性。ATTANASIO等建立了含有与温度相关扩散系数的扩散磨损模型，且该模型在前刀面温度高于800 ℃时才生效。LUO等在原有黏着磨损和磨粒磨损的基础上考虑了扩散磨损，提出了考虑3种磨损的刀具磨损模型，该模型最接近实际加工情况。表1所示为目前常用的几种刀具磨损模型。

表1 刀具磨损模型

2 铝合金切削过程刀具磨损预测

刀具磨损的监测和预测一直是金属加工中的热点。在制造业中，由于刀具的故障，成本和维护时间增加，生产效率降低。刀具状态监测可减少停机时间并提高生产效率。同时刀具磨损预测过程有助于避免对刀具和工件造成损坏，提高加工产品的生产效率和质量，同时可通过传感器数据信息判断刀具磨损的情况。

2.1 刀具磨损的测量方法

刀具磨损的监测方法可分为直接法和间接法。通过光学显微镜观察刀具表面是否有明显粘附或凹坑、用电镜观察后刀面磨损值等方法为直接法。虽然直接法观察的刀具磨损更准确，但需要花费大量的时间。间接法利用各种传感器信号如切削力信号、刀具/工件的振动和声发射(Acoustic Emission,AE)信号估计刀具磨损。间接法支持刀具状态的在线监测，不影响生产效率。

切削力是切削加工过程中的重要信号。在切削过程中，刀具和工件发生相对运动，在力与温度的作用下会逐渐磨损，而磨损的刀具在切削过程中会产生更大的切削力，刀具磨损越剧烈，切削力信号就越大。根据此原理，可将切削力信号用于刀具磨损的预测。KULJANIC和SORTINO发现刀具磨损指标可以通过简单分析切削力信号的特征参数确定,并提出了用于单齿刀具或多齿刀具端面铣削中的刀具磨损估计方法。AZMI采用自适应神经模糊推理系统对端铣削加工过程中刀具磨损与切削力的关系进行了建模，发现利用自适应神经模糊推理系统模型能够高效地拟合刀具磨损和切削力之间的非线性关系。此外，切削力模型也可对刀具磨损进行预测。NOURI等将铣削过程中切向力和径向力模型系数标准化，并将这2个参数组合成1个系数，通过监测力模型的系数，实时获取刀具磨损值。

机床加工工件时，刀具和工件之间的摩擦会导致机床产生振动。随着刀具磨损的加剧，振动的幅度和频率也会随之增加，因此振动信号可用来表征刀具磨损的程度。在铣削过程中，通过监测主轴振动来测量侧面磨损。发现强制频率分量随着刀具磨损的增加而增加，固有频率和强制振动频率分量的功率谱比可以测量后刀面磨损。HSIEH等通过振动分析检测了刀具磨损的变化，发现振动对方向敏感，且特征选择对神经网络分类有重要意义。目前，传统的加工方式已经与振动传感器集成，使用人工神经网络将振动信号作为输入来预测刀具寿命。

声发射是材料在受到变形或断裂时发生的声波辐射现象，普遍认为声发射与切屑形成过程中的塑性变形过程有关。LIU和LIANG研究发现声发射信号的能量测量可以有效地用于监测外围铣削过程。KRISHNAKUMAR等发现，加工材料的塑性变形和摩擦是铣削过程中声发射信号产生的原因。DA SILVA等将声发射信号在100～230 kHz范围内进行滤波，并引用了一个基于声发射信号能量(频率范围在100～300 kHz之间)的新参数以提高响应速度。

2.2 基于机器学习的刀具磨损预测模型

对采集的信号进行处理和特征提取后，需要将提取到的特征输入到模型中用于判断刀具磨损状态。而刀具磨损预测实际上是通过数学建模的方法将加工过程中采集的特征量和刀具磨损状态之间的非线性关系表示出来。此外，卷积神经网络(Convolutional Neural Networks，CNN)和长短期记忆(Long Short-Term Memory，LSTM)是预测刀具磨损最流行的深度学习模型。

由于人工神经网络(ANN)适合于非线性映射或从不完全的、无序的输入数据中识别不同的成分，在刀具磨损预测中应用较多。PAL等用神经网络和自适应神经模糊推理系统通过切削力和声音信号监测后刀面磨损，发现神经网络的性能在均方差方面优于自适应神经模糊推理系统。除了BP神经网络外，常用的还有径向基神经网络(Radial Basis Function，RBF)。PAL等在研究基于神经网络与传感器融合的刀具磨损监测系统时，分别采用了多层前馈神经网络和径向基神经网络(RBF)，结果表明采用传统的训练和评价方法，RBF神经网络模型的预测性能优于BP神经网络模型。MARANI等采用LSTM神经网络，将机床主轴的电流信号作为输入，将实验结果与预测值进行比较，模型经过训练后的回归值为0.995 93，表明该模型有很好的拟合效果。

隐马尔可夫模型(HMM)具有严谨的数据和可靠的计算性能，相比于神经网络，HMM的自学习和模式识别能力更好。LIAO等利用多尺度混合隐马尔可夫模型分析力信号的变化，预测车削中的刀具磨损。GERAMIFAD等在铣削加工过程中使用连续输出的分段隐马尔可夫模型进行刀具寿命预测，并与传统的神经网络方法进行比较，得出基于HMM 的方法优于传统的神经网络方法的结论。LI 和LIU提出了一种用于微铣削过程的改进隐马尔可夫模型，考虑了时变和自适应状态转移概率，并采用非线性函数逼近能力强的MLP计算观测概率，结果表明该模型在刀具监测方面更具通用性。KONG等提出了一种基于高斯混合隐马尔可夫模型的刀具磨损预测模型，并从铣削力信号中提取了18个时域特征作为刀具磨损状态的敏感特征，结果表明：在保证系统性能和稳定性的同时，该系统对刀具磨损状态的识别率可达100%。

SVM的功能是基于统计学习理论进行分类和预测，适用于小样本和非线性信号，适合铣削过程。SHI和GINDY将主成分分析与最小二乘支持向量机(Least Squares Support Vector Machine，LS-SVM)模型相结合，用于多传感器信号的特征提取，预测切削过程中的刀具磨损状态。GOMES等利用SVM和人工智能模型、振动和声音信号来监测微研磨过程中的刀具磨损，该方法预测准确率可达到97.54%。SUN等利用声发射信号监测刀具磨损，提取了13个声发射信号特征作为输入，建立并优化了SVM模型，经实验验证，准确率可达98.5%。然而，标准支持向量机在刀具磨损状态的多重性分类中有一定局限性，当刀具磨损状态由一个状态变化到下一状态时，很难区分相邻状态之间相似特征的细微差别。