基于微磨料水射流的刀具钝化模型研究

本资料包含pdf文件1个，下载需要1积分

刀具钝化技术主要用于减少或消除刀具刃磨后切削刃表面的微观缺陷以及在切削刃上产生-个确定的倒圆，从而提高刀具在加工过程中的可靠性 。

研究表明，钝化圆角对切削过程中刀具的切削力、切削温度和工件材料变形以及工件加工表面质量等具有重要影响 引↑年来，刀具钝化技术发展迅速，刀具钝化后其可加工性能得到明显改善。首先，具有高质量的刀具钝化表面为随后进行的涂层操作提供了质量保证；其次，钝化产生的圆角不仅能够提高切削加工过程中刀具加工的稳定性、减少切削刃上的微观缺陷，而且较大的钝化圆角有助于涂层的吸附以及刀具使用寿命的提高 J。刀具钝化的方法很多，例如振动钝化、介质钝化、滑动研磨钝化、喷砂钝化和尼龙刷钝化等5]。

微磨料水射流(Micro Abrasive Water Jet，MAWJ)的磨料粒度小，具有微加工能力6引♂合 MAWJ优良的加工性 能，将 MAWJ用 于刀具钝化，开辟 了MAWJ应用的新领域。MAWJ通过高压纯水射流对磨粒的加速过程，磨粒以较高的速度碰撞切削刃，使切削刃局部区域磨削，从而获得刀具钝化圆角，同时，刀具表面线性波纹度等表面缺陷消失 。但刀具切削刃上不同截面的钝化圆角分布不均匀。笔者通过建立 MAWJ刀具钝化的 BP神经网络模型，实现钝化圆角的预测和控制。

1 基于微磨料水射流的刀具钝化试验研究试验在 自主研发的微磨料水射流机床上进行，基于微磨料水射流的刀具钝化试验装置如图1所示。试四川势技厅资助项目(2011JYZ017)；西华大学研究生创新基金资助项目(yej201340)95万庆丰，等：基于微磨料水射流的刀具钝化模型研究 2013年第9期28.1 ，最小值为24.4 ，平均值为25.9 。切削 28刃不同截面的钝化圆角半径分布不均匀，切削刃的平整度不是很理想，主要原因可能是由于磨料供应不均匀以及射流压力波动导致的♂合实际工程应用，刀具圆角半径为40～70 较为理想，然而本试验获得 乌。

的最大刀具钝化圆角半径为28.1 gm，与理想值还存在-定的差距 ，需进-步研究。

基图6 切削刃的数字三维结构模型x/mma)钝化前XFilmb)钝化后图7 钝化前、后切削刃的实际形态和倒圆3 钝化圆角BP神经网络模型3.1 BP神经网络结构的设计对于大多数工程实际问题，通常选择三层网络结构，即输入层、隐含层和输出层。通过对不同隐含层节点数的网络进行训练和比较 ，可以得到最佳的切削刃截面图8 切削刃不同截面的钝化圆角半径分布隐含层节点数。本文选取 7个隐含层节点，选用的神经网络为 5×7×1的三层 BP神经网络结构，如图9所示。

x3x5图9 BP神经网络结构y影响 MAWJ加工性能的工艺参数较多，如果考虑所有工艺参数的影响，加之有些工艺参数的试验数据获取较为困难，模型将变得极为复杂，不具通用性9J♂合相关的理论和试验研究，本文选柔移速度 、射流压力、磨料流量 、磨料粒度 和靶距 作为 BP神经网络输入，刀具钝化圆角半径 Y为 BP神经网络输出， 为输入层与隐含层之间的权值，，为隐含层的输出即输出层的输入， 为隐含层与输出层之间的权值。

3.2 BP神经网络的学习算法BP神经网络算法是神经网络研究中的重大进展，其具有强大的非线性映射能力和泛化功能，采用三层BP神经网络可以实现任-连续函数或映射。基本的BP神经网络算法对大多数实际应用来说学习速度太慢 ，为显著提高学习速度，本文采用了基于牛顿法的Levenberg-Marquardt快速算法，其迭代过程为 。。：1 -[.， ( )J(x )肛 ，]- .， ( ) ( )(1)式中： 为 BP神经网络所有权值和偏置值的组合向972013年第9期 现代制造工程(Modem Manufacturing Engineering)量； 为迭代次数；.，为雅可比矩阵，由误差对权值和偏置值的-阶导数构成； 为适应系数；，为单位矩阵；为 BP神经网络训练误差矢量。

该算法用于最携那些作为其他非线性函数平方和的函数，非常适合性能指数是均方误差的BP神经网络训练。算法开始时 取小值，如果某-步均方值不减少，则将 乘以-个大于 1的因子后再重复这- 步；如果某-步均方值减少， 在下-步将被乘以- 个小于l的因子，以提高收敛速度。当所有样本的总均方误差低于设定值时，BP神经网络的训练完成。

3.3 样本数据本试验选取 5个工艺参数因素，即横移速度 、射流压力 ：、磨料流量 ，、磨料粒度X 和靶距 ，各工艺参数因素水平如表 1所示。采用全因子试验设计法，需设计243组试验，为了节约时间和经费，本文进行了108组试验。通过分析数据，选冗有代表性的102组试验数据，用于 BP神经网络训练。为了对 BP神经网络进行验证 ，额外设置了6组试验，刀具钝化圆角半径的试验结果如表 2所示。

表 1 工艺参数因素水平表 2 刀具钝化圆角半径试验结果序号 豢/ x2/ X3/ x4/鼢s/器 速度 压力 流量 粒度 ～ 角半径/(m .min- ) MPa (g.min- ) 目 mm120loo1401201oo1404 BP神经网络的训练在 MATLAB环境下，应用 MATLAB软件的神经网络工具箱，对建立的BP神经网络进行训练。应用程序可以自动实现样本数据的归-化处理。

BP神经网络训练采用 trainlm函数，隐含层和输入层采用的传输函数分别为 tansig和 purelin函数。

BP神经网络经过7次迭代后，达到了预设总均方误差为0.000 001的要求，具体参数设置如下：net.trainParam.epochs1000net.trainParam.1r0.2net.trainParam.goal0.000001net.trainParam.show 10net.trainParam.mu0.00lnet.trainParam.ITIU-dec0.05net.trainParam.muiRe：1.55 BP神经网络的验证随机选取 6组样本数据，对建立的 MAWJ刀具钝化模型进行测试，刀具钝化圆角半径的预测值与实际值的比较如表 3所示。由表 3所示可知，刀具钝化圆角半径的 BP神经网络预测值与试验测量值的相对误差为0.63% ～4.60%，预测精度达到95%以上，说明该模型能够有效地描述 MAWJ钝化工艺参数与刀具钝化圆角半径之间的映射关系。

6 结语针对MAWJ钝化工艺参数对刀具钝化圆角半径的影响，进行了试验研究，基于大量试验数据，建立了BP神经网络模型。该模型映射了钝化工艺参数与刀具钝化圆角半径的非线性关系，利用训练好的 BP神经网络对给定的钝化工艺参数进行预测，钝化圆角半径的预测值与试验测量值具有较高的-致性，最大相对 误 差 仅 为 4.60%。利 用 MikroCAD 三 维光学刀具测量仪，对刀具钝化后切削刃的微观形貌 、表 3 刀具钝化圆角半径的预测值与实际值的比较98m m m 8 8栅伽栅舶㈣∞ 蚰万庆丰，等：基于微磨料水射流的刀具钝化模型研究 2013年第9期圆角半径、实际形态以及平整度进行了检测，由于磨料供给不均匀以及射流压力波动等原因，切削刃的平整度还有待提高。

需要指出的是，本文中的 BP神经网络模型是在考虑 MAWJ部分工艺参数的基础上建立的，因此该模型具有-定 的适用范 围，后续研究 可以考虑更多MAWJ工艺参数的影响，以提高模型的预测精度。