| 端面铣削工件表面粗糙度数学模型与实验验证 |
| |
| 引用本文： | 刘德伟,许芝令,李长河,秦爱国,刘波,张彦彬,Yusuf Suleiman Dambatt,安庆龙.端面铣削工件表面粗糙度数学模型与实验验证[J].表面技术,2024,53(4):125-139. |
| |
| 作者姓名： | 刘德伟 许芝令 李长河 秦爱国 刘波 张彦彬 Yusuf Suleiman Dambatt 安庆龙 |
| |
| 作者单位： | 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，香港 999077;青岛理工大学 机械与汽车工程学院，山东 青岛 266520;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 |
| |
| 基金项目： | 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) |
| |
| 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Rsm和支承长度率Rmr(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。
|
| 关 键 词： | 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 |
| 收稿时间： | 2023/11/3 0:00:00 |
| 修稿时间： | 2023/12/6 0:00:00 |
#$NPMathematical Model and Experimental Verification of Workpiece Surface Roughness in Face Milling |
| |
| LIU Dewei,XU Zhiling,LI Changhe,QIN Aiguo,LIU Bo,ZHANG Yanbin,YUSUF Suleiman,Dambatt,AN Qinglong.#$NPMathematical Model and Experimental Verification of Workpiece Surface Roughness in Face Milling[J].Surface Technology,2024,53(4):125-139. |
| |
| Authors: | LIU Dewei XU Zhiling LI Changhe QIN Aiguo LIU Bo ZHANG Yanbin YUSUF Suleiman Dambatt AN Qinglong |
| |
| Affiliation: | School of Mechanical and Automotive Engineering, Qingdao University of Technology, Shandong Qingdao 266520, China;Qingdao Haikong Pressure Vessel Sales Co., Ltd., Shandong Qingdao 266000, China;Qingdao Kaws Intelligent Manufacturing Co., Ltd., Shandong Qingdao 266109, China;Sichuan New Aviation Ta Technology Co., Ltd., Sichuan Shifang 618400, China;State Key Laboratory of Ultra-precision Machining Technology, Hong Kong Polytechnic University, Hong Kong 999077, China;School of Mechanical and Automotive Engineering, Qingdao University of Technology, Shandong Qingdao 266520, China;Mechanical Engineering Department, Ahmadu Bello University, Kaduna 810106, Nigeria; School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China |
| |
| Abstract: | |
| |
| Keywords: | milling formation mechanism of profiles surface roughness milling force tool runout convolutional neural network |
|
| 点击此处可从《表面技术》浏览原始摘要信息 |
|
点击此处可从《表面技术》下载全文 |
|
