基于神經網絡的BTA深孔鉆耐用度分析及實驗研究
2018-5-3 來源：轉載 作者：董振,沈興全,李耀明,王唯
摘要：為了能夠準確預測深孔刀具耐用度，針對BTA深孔鉆的磨損特征及耐用度展開了研究．利用神經網絡較強的學習和泛化能力，建立了以切削速度和進給量為變量，以鉆削加工長度作為刀具耐用度的度量標準的單齒BTA深孔鉆的耐用度預測模型，實現了對 ＢＴＡ 鉆耐用度的理論預測．經過實驗驗證，該模型預測值與試驗值相對誤差≤３．８％，表明了該數學模型能夠準確的預測BTA鉆的耐用度，為刀具的更換周期提供了科學依據，對實際加工有一定的現實指導意義．
關鍵詞：刀具耐用度；深孔加工；單齒鉆；EA4T鋼；神經網絡
０、引言
深孔加工刀具是決定深孔加工質量的關鍵因素，原因是刀具的磨損程度直接影響著孔的加工精度及表面粗糙度．作為一種特殊刀具，深孔加工刀具有著比普通加工刀具更為復雜、獨特的結構和形態．加工過程在密封、高壓、高溫的空間中進行，工況復雜，條件惡劣，故無法對深孔刀具進行直觀實時監測，而只能憑借操作者的經驗來判斷是否應該更換刀具.
刀具磨損是切削領 域最為主要的問題之一，也是深孔加工中的突出問題之一．在很多高精度的深孔加工過程中，都不允許中途停刀和退換刀具，以免導致加工孔徑表面出現破損，再者，深孔刀具一般比較昂貴，刀具的合理使用有利于提高生產加工質量并降低加工成本．因此，在深孔加工中對刀具的使用壽命進行合理預測和研究，對深孔鉆削地正常進行和鉆削質量地提高有很重要的意義．在加工工況確定的條件下，切削參數對刀具使用的影響最為重要，通過研究深孔加工參數和刀具的使用壽命，對刀具磨損進行合理的預測，在深孔鉆頭發生嚴重磨損前及時更換新的刀齒，既可保證深孔 鉆削系 統的穩定和鉆孔質 量，又能充分發揮鉆具的切削性能，提高生產效率和經濟效益．
由于切削參數與刀具使用壽命之間的非線性關系比較復雜，本文針對單齒 ＢＴＡ 刀具磨損的特征、磨損機理展開研究．在傳統刀具使用壽命理論的基礎上，結合深孔加工的實際工況，利用人工智能神經網絡善于處理非線性復雜問題的特性，建立刀具使用壽命預測模型；并利用粒子群算法得出在該加工條件下的最優切削參數．
１、ＢＴＡ深孔加工系統
１．１ ＢＴＡ系統的工作原理ＢＴＡ
深孔加工系統是目前最為廣泛使用的深孔加工方式，其結構簡圖如圖１所示．高壓切削液在授油器的作用下，通過鉆桿外壁與工件內孔之間的間隙抵達刀頭和工件加工區域，利用高壓液對切屑進行沖擊擠壓，頂入鉆頭的排屑通道，并沿著空心鉆桿的內腔排出，如圖２所示為ＢＴＡ鉆供油和排屑工作的簡圖．
圖１ 內排屑深孔鉆鏜床配置示意圖
圖２ ＢＴＡ 深孔鉆供油和排屑示意圖
１．２ 單齒 ＢＴＡ 深孔刀具的磨損特征
單齒ＢＴＡ 深孔刀具的結構如圖３所示，主要由刀齒、刀體和兩個導向條組成．
圖３ 單齒 ＢＴＡ 機夾可轉位深孔鉆頭的結構
在加工Ф３０ ｍｍ 的 ＥＡ４Ｔ車軸時，采 用 了Ф２９．８ｍｍ 的單齒 ＢＴＡ 鉆頭 進行深孔 實 體鉆削加工．切削條件如下：
深孔加工設備：Ｔ２１２０；加工方式：工件旋轉，刀具進給；刀具：Ф２９．８ｍｍ 單齒 ＢＴＡ 鉆頭涂層硬質合金刀片；工件材料：ＥＡ４Ｔ 低碳高合金鋼；切削速度：２６ｍ／ｍｉｎ；進給速度：１２ｍｍ／ｍｉｎ．
由于單齒的 ＢＴＡ 鉆頭只有一個刀齒，出屑口通道較小，空間較窄，因此刀刃上設有斷屑臺和分屑刃，保證斷屑、排屑順暢，如圖 ４（ａ）所示．
單齒 ＢＴＡ 深孔刀具的磨損 主要是在單邊齒和兩個導向條上．其磨損特點是主要破損部位在分屑刃拐角處，如圖４（ｂ）所示．由于分屑刃較薄，在重負載、應力突變的共同作用下容易發生微崩、崩碎和涂層剝落等破損，如圖４（ｃ）所示；前刀面的磨損則比較劇烈，而刀齒后刀面磨損比較均勻呈窄條帶狀，如圖４（ｄ）所示．從磨損圖像可以看出，單齒 ＢＴＡ 鉆頭以機械磨損為主，即刀齒的機械磨損和破損嚴重，而在高溫作用下的擴散、粘結和化學磨損等不是十分明顯。
圖 ４ 單齒 ＢＴＡ 刀齒的磨損
２、數學模型的建立
２．１ 目標函數
對于深孔加工系統而言，當工件的加工尺寸確定后，影響加工質量的 主要參數為切削速度、進給量、切削液的壓強和流量．由于深孔加工的特殊性，中途退刀會產生明顯刀痕，導致深孔局部表面粗糙度超標．因此，傳統刀具中以加工時間作為刀具耐用度 的標準 并不適用于深孔加工．本文針對深孔加工的特性，采用鉆削長度作為刀具耐用度的度量標準．
經驗公式雖然體現了切削用量對使用壽命的影響，但在不同的加工情況下，很難符合特定的實際加工情況．因此，應用一定的方法擬合得到一個近似的替代函數是十分有必要的．神經網絡智能算法類似于黑箱法，只關心輸入值和輸出值之間的一種非線性關系，故可以利用該算法來進行適當的擬合和優化．
２．２ ＢＰ神經網絡結構的設計
ＢＰ神經網絡是一種單 向 傳 播 的 多 層 反 饋 網絡，一般由輸入層、隱含層和輸出層組成．ＢＰ 神經網絡的學習過程由正向傳播和反向傳播兩部分組成．正向傳播時，信息由輸入層向輸出層流動，經隱層單元的分層處理 可 以進行網 絡 結構展開，相鄰神經元之間的狀態相互影響，但不對其他層神經元的狀態產生影響．通過調整輸出層的期望和實際輸出值得到誤差，反向傳播信號，將兩者之間的誤差信號沿原通路返回．通過不斷修改各層相鄰神經元之間的權值，使得誤差信號達到精度要求．
深孔加工鉆削刀具耐用度模型切削參數系統的結構如圖５所示，對樣本數據先進行歸一化處理，然后利用神經網絡系統進行修正，將修正后的值帶入到Ｌ（ｘ）中，得到實際輸出的值，再與期望值的誤差進行比較對權值進行修復．
該模型的優化通過一個三層的網絡結構就可以實現．輸入層有２個神經元，即 ｘ１切 削 速 度（ｍ／ｍｉｎ），ｘ２進給量（ｍｍ／ｒ）．輸出層有２個神經元，即經過修正后的Ｙ１切削速度（ｍ／ｍｉｎ），Ｙ２進給量（ｍｍ／ｒ）．
圖５ 最優切削參數系統的結構示意圖
隱含層內節點的確定對網絡的性能影響很大，需要進行恰當的選擇．若隱含層單元數太少，則網絡使用性能差，可能不能被訓練出來．但是，隱含單元數太多則推理過程過長，誤差也不一定最小．因此，存在一個最佳隱單元數，本模型隱含層節點數為
３、刀具耐用度預測實例
實驗工件材料選用 ＥＡ４Ｔ 實心車軸鋼，該材料由于具有較高的機械性能，已經被成功應用于動車、高鐵和地鐵等最新高速機車產品中，并將逐步被應用到其它領域。其化學成分如表１所示．ＥＡ４Ｔ 作為一種新型的合金材料，相對加工性 Ｋｖ＝０．２～０．４５，是一種新型難加工材料．在加工過程中，容易出現排屑斷屑難、切削溫度過高、鉆削力過大等問題，導致刀具磨損嚴重．
表１ＥＡ４Ｔ 鋼力學性能
工件加工的孔徑為 Ф２９．８ ｍｍ，刀具為單齒ＢＴＡ 分屑刃機夾式可轉位深孔鉆頭，刀齒選用德國 Ｂｏｔｅｋ 的 ＴｉＮ 涂層硬質合金刀片．加工設備為德州機床廠制造的 Ｔ２１２０深孔鉆鏜床，如圖６所示，采用工件旋轉、刀具進給的方式，其參數如表２所示．
圖６ 實驗用 Ｔ２１２０深孔鉆鏜床
表２ 切削用量優化的實驗條件
實驗采用日本基恩士（ＫＥＹＥＮＣＥ）數碼顯微系統來直觀觀察每個刀片的磨損情況．顯微鏡型號是 ＶＨ－２５００Ｒ，規格為 ＲＡ＊５００＊５ ０００，即最高放大倍數為５０００，可較好地對實際磨損帶觀察研究．如下圖所示，左邊為電子顯微鏡，右邊為數碼顯示器．將刀片放在顯微鏡的載物臺上，用調節面板來調整合適倍數，使顯示器上顯示出合適的圖像，并對刀片的磨損帶情況進行測量，如圖７所示.
圖７ 數碼顯微鏡
當前刀面的磨損帶寬度≥３００μｍ 時，刀具的加工精度已無法保證深孔加工質量，故原刀片需要報廢并進行更換．如圖 ８ 所示，該刀片磨損帶寬度為３１３．４１μｍ，視為達到報廢標準
圖 ８ 刀片磨損帶寬度測量
在 ＭＡＴＬＡＢ 上編程來實現訓練過程，并采用最優停止法．最大訓練步數設置為１０００，期望誤差為０．０１，學習速率為０．１．１５組訓練樣本的實際數據如表3所示．
表３ 樣本數據表
基于神經網絡對輸入樣本值與網絡訓練結果預測值進行對比，其結果如表 ４ 所示．可以看出，ＢＴＡ 深孔鉆耐用度神經網絡模型的訓練輸出值與樣本的最大相對誤差為３．８％，在５％以內，表示優化的預測模型已經基本滿足使用要求．為了檢驗神經網絡優化模型的實際預測效果，補充兩組試驗進行驗證（其中１６＃的切削速度為３４ｍ／ｍｉｎ，進給量為０．０１２ｍｍ／ｒ，而１７＃切削速度為４６ｍ／ｍｉｎ，進給量０．０２５ｍｍ／ｒ），運用耐用度預測模型計算出預測值，然后運用數值逼近法進行試驗驗 證，即選用多組相近但不同長度的ＥＡ４Ｔ 棒料展開試驗，逐步逼近試驗值，對每組實驗刀片磨損帶寬度進行檢測，磨 損 寬 度 最 接 近３００μｍ 的為耐用度試驗值．結果如表 ５ 所示，從表 ５ 可以看出，神經網絡模型預測值與試驗值相對誤差均在３．０％以內，驗證了優化的耐用度預測模型是可行的和有效的．
表４ 試驗值與網絡預測值的對比
表５ 試驗值與網絡預測值的對比
因此，基于網絡學習方法獲得的刀具耐用度與深孔加工切削參數之間的模型，可以用來預測在該種工況下單齒 ＢＴＡ 鉆的使用壽命．
４、結束語
本文在刀具耐用泰勒公式的基礎上，利用神經網絡較強的學習和泛化能力，建立了以切削速度和進給量為變量，以鉆削長度作為刀具耐用度的度量標準的單齒 ＢＴＡ 鉆的磨損預測模型，實現了對 ＢＴＡ 深孔鉆耐用度地理論預測．實驗證明，該預測模型的誤差≤３．８％，能夠較為準確地預測刀具耐用度，為刀具的更新周期提供了科學依據，對實際加工有一定的現實指導意義．
來源：中北大學 機械與動力工程學院,山西省深孔加工工程技術研究中心
投稿箱：
如果您有機床行業、企業相關新聞稿件發表，或進行資訊合作，歡迎聯系本網編輯部， 郵箱：skjcsc@vip.sina.com
如果您有機床行業、企業相關新聞稿件發表，或進行資訊合作，歡迎聯系本網編輯部， 郵箱：skjcsc@vip.sina.com
更多相關信息
