基于MAWJ刀具鈍化表面質量的模型研究*

萬慶豐，雷玉勇，陳忠敏，潘崢正

(西華大學 機械工程與自動化學院，成都 610039)

?

基于MAWJ刀具鈍化表面質量的模型研究*

萬慶豐，雷玉勇，陳忠敏，潘崢正

(西華大學 機械工程與自動化學院，成都 610039)

為了獲得微磨料水射流加工參數(shù)與刀具鈍化質量之間的關系，采用正交試驗設計方法進行刀具鈍化試驗研究。利用MikroCAD三維光學測量儀，可以獲得刀具表面微觀結構和切削刃刃口鈍圓半徑?；诙嘣鸩交貧w分析法，建立刀具鈍化表面粗糙度的預測模型，選擇射流壓力、橫移速度、磨料流量、磨料粒度、靶距作為模型變量。利用方差分析和F檢驗驗證回歸模型的有效性以及確定影響表面粗糙度的鈍化參數(shù)，實現(xiàn)微磨料水射流鈍化參數(shù)的優(yōu)化。研究結果表明，磨料流量是鈍化表面粗糙度最主要的影響因素，預測模型的最大相對誤差僅為7.55%。

微磨料水射流；刀具鈍化；表面粗糙度；刃口圓角半徑；回歸分析

0 引言

刀具具有機床“牙齒”的美稱，刀具的刃口結構和鈍化質量是刀具能否多快好省進行切削加工的前提[1]。刀具材料、幾何參數(shù)、結構以及切削用量等因素，顯著地影響著刀具的切削性能和使用壽命。為提高刀具切削效率、使用壽命和降低制造成本，在刀具生產(chǎn)過程中增加鈍化工序是十分必要的。刀具鈍化可以減少切削刃的表面缺陷、提高刃口強度和切削穩(wěn)定性，并在切削刃上形成一個確定的倒圓[2-3]。

微磨料水射流(Micro Abrasive Water Jet，MAWJ)加工技術，具有切割質量好、幾何形狀精度高等獨特的加工性能。特別適合切割脆性材料和高反射性材料，并逐漸成為硬脆性材料精密微細加工的基礎技術[4]。利用實驗室現(xiàn)有的萬能數(shù)控水射流機床進行刀具鈍化試驗，射流中的磨料砂粒，經(jīng)高壓水射流高速噴射到刀具基體表面，通過磨料對刀具表面的機械沖刷作用，實現(xiàn)刀具表面粗化以及刃口鈍化。MAWJ能去除刀具表面的毛刺、銹蝕、污垢以及刃口上的豁牙、鋸齒和裂紋等缺陷，從而凈化和活化刀具基體表面，降低表面微觀缺陷和殘余應力，提高刀具表面疲勞強度。MAWJ還能增加涂層與基體的“錨勾效應”，減少涂層的收縮應力，增大涂層和基體的結合面積，進而提高涂層與基體的結合強度[5-6]。針對目前MAWJ鈍化刀具的相關研究較少，本文通過建立MAWJ刀具鈍化表面質量的回歸模型，分析MAWJ鈍化參數(shù)與刀片平面上的表面粗糙度之間的關系，實現(xiàn)刀片平面上表面粗糙度的預測和控制。

1 基于MAWJ的刀具鈍化試驗設計

圖1 刀片試樣

選用硬質合金螺紋梳刀作為試驗樣本，如圖1所示?；贛AWJ的刀具鈍化試驗在自主研發(fā)的四軸MAWJ機床上進行，并采用特別設計的精密磨料輸送裝置和特殊設計的準矩形擴散噴嘴。試驗采用240～400目碳化硅微粉磨料。

表1 試驗設計因素水平表

本試驗選取MAWJ的射流壓力、橫移速度、磨料流量、磨料粒度和靶距為試驗因素，各因素的水平值如表1所示。采用全因子試驗設計法，需設計35(243)組試驗。為了節(jié)省試驗開支和時間，本試驗采用正交設計法，只需設計27組試驗。刀片刃口鈍圓半徑的平均值、切削刃平整度、刃口結構和切削刃表面質量都是衡量刀片切削性能的關鍵參數(shù)，本試驗只針對MAWJ鈍化后刀片平面上的表面粗糙度進行研究。刀片刃口平整度由MikroCAD光學刀具測量儀(如圖2所示)測量，鈍化后刀片平面上的表面粗糙度值由TR200型粗糙度儀(如圖3所示)測量。

圖2 光學刀具測量儀 圖3 TR200粗糙度儀

2 刀片鈍化試驗結果分析

2.1 試驗結果

基于MAWJ的刀具鈍化效果如圖4所示。本試驗采用刀片平面上的表面粗糙度值Ra作為研究對象，正交試驗結果如表2所示。

表2 正交試驗設計與試驗結果

(a) 鈍化前 (b) 鈍化后

由圖4可知，刀片經(jīng)過MAWJ鈍化后，刀片刃口上的豁牙、鋸齒、微裂紋和線性波紋度等缺陷，得到明顯改善，說明采用MAWJ進行刀具鈍化是經(jīng)濟可行的，刀片刃口由鋸齒形變?yōu)榫哂幸欢ㄢg圓半徑的圓弧面，切削刃強度增加，鈍化后刀片平面上的表面粗糙度值有所增加。這是由于刀片鈍化試驗所采用的磨料粒子較粗造成的，選擇粒度更小的微磨料(通常需800目以上)可以明顯降低刀片的表面粗糙度值，進而提高刀片的切削性能，由于試驗裝置和研究經(jīng)費的限制，需進行后續(xù)研究。

通過MikroCAD三維光學刀具測量儀，可以獲得某一試樣刀片刃口的鈍圓半徑以及切削刃鈍化平整度的分析報告，如圖5所示，取圖中兩條藍線之間的切削刃投影為研究對象，并在該區(qū)域內(nèi)取100個等份點，通過軟件測得各點對應的刃口鈍圓半徑，自動生成刃口平整度分析報告。分析表明，該刀片經(jīng)過MAWJ鈍化后，刃口鈍圓半徑變?yōu)?5.9μm，刃口鈍圓半徑明顯增大，刀片基體鈍圓半徑的增加有助于涂層的吸附，刀片基體與涂層材料之間的粘接強度得到增強，降低了涂層技術的要求；該刀片切削刃上各點對應的鈍圓半徑值主要集中在25～28μm之間，切削刃的平整度比較理想。

圖5 切削刃鈍化平整度分析

2.2 試驗結果方差分析

通過對正交試驗獲得的試驗結果進行方差分析和F檢驗，研究MAWJ鈍化參數(shù)之間的相互作用對刀片平面表面粗糙度的影響。較大的F值表明該參數(shù)的改變將引起刀片平面表面粗糙度的大幅改變，分析結果如表3所示。分析表明，磨料流量、橫移速度以及靶距是影響鈍化表面粗糙度的主要因素，射流壓力的影響不太顯著，而磨料粒度對鈍化表面粗糙度的影響甚微，這是因為本試驗選擇的磨料粒度差別不太大造成的。Fowler等人的研究表明，磨料粒度對加工表面粗糙度具有顯著影響，但當磨料粒度小到一定程度后，其對加工表面粗糙度的影響逐步減弱[7]，這與本試驗的結果基本吻合。

表3 表面粗糙度的方差分析結果

3 刀片平面表面粗糙度模型的建立

3.1 回歸模型的設計

多元回歸分析是一種簡單的數(shù)學分析方法，能夠較好的解釋變量之間的相互作用，用于分析因變量與自變量之間的相互依存關系，利用數(shù)學統(tǒng)計方法解讀這種關系的實質、特點和變化規(guī)律，并借助函數(shù)賦予形式化，具有廣泛的應用前景[8-9]。

利用表2中的正交試驗數(shù)據(jù)，將表中的射流壓力(P)、橫移速度(V)、磨料流量(m)、磨料粒度(M)和靶距(h)作為自變量，鈍化表面粗糙度(Ra)作為因變量，建立數(shù)學回歸模型。由于自變量與因變量之間的函數(shù)關系不明確，本研究選擇冪指數(shù)函數(shù)來建立多元非線性回歸模型，建立的模型如下[10]：

Ra=a0Pa1Va2ma3Ma4ha5

(1)

式中，a0、a1、a2、a3、a4、a5為待定系數(shù)。

為了便于求解，可以將上述建立的冪指函數(shù)模型線性化，再結合MATLAB統(tǒng)計工具箱中的regress命令進行求解。本文沒有采用這種方法，而是直接利用工具箱中的nlinfit命令求解方程，解得的模型方程為：

Ra=0.0106P0.2319V0.4319m-0.8371M0.0039h0.5809

(2)

3.2 回歸模型的優(yōu)化與檢驗

借助逐步回歸法可以對建立的模型進行優(yōu)化，以提高模型的預測精度和實際應用能力。逐步回歸法不是一次性將所有的自變量都引入回歸方程，而是按自變量對因變量影響的顯著程度，按每步選擇一個自變量逐步挑選，實現(xiàn)殘差平方和的最大化減少，并通過指定置信度的顯著性檢驗。利用MATLAB中的逐步回歸命令stepwise對模型(2)進行優(yōu)化，優(yōu)化結果如圖6所示。分析表明，磨料粒度對鈍化表面粗糙度的影響甚微，可以忽略，去除磨料粒度建立新的回歸模型，如下所示：

Ra=0.0109P0.2313V0.4323m-0.8370h0.5807

(3)

圖6 逐步回歸結果

由圖中R2=0.6635可知相關系數(shù)的絕對值R=0.8146，介于0.8～1.0的范圍內(nèi)；查表知，F(xiàn)=10.848>F1-0.05(5,21)=2.68；p=0.0350<α=0.05。以上檢驗結果具有一致性，驗證了鈍化表面粗糙度與射流壓力、橫移速度、磨料流量和靶距之間存在顯著的非線性關系，模型(3)具有一定的研究和應用價值。

4 回歸模型的驗證

如表4所示，隨機選擇6組MAWJ鈍化參數(shù)進行試驗，并將試驗結果用于回歸模型的驗證。由圖7的分析結果可知，回歸模型的預測值與試驗結果具有較高的一致性，最大相對誤差僅為7.55%，說明該模型可以用于鈍化后刀片平面表面粗糙度的預測以及為MAWJ鈍化工藝參數(shù)的優(yōu)化選擇提供依據(jù)。

表4 回歸模型的預測值與試驗值的比較

5 結束語

為確定MAWJ鈍化加工過程中鈍化參數(shù)與表面粗糙度的關系，基于正交試驗獲得的數(shù)據(jù)，建立一種多元非線性回歸模型，并采用逐步回歸分析法對模型進行優(yōu)化。通過試驗驗證優(yōu)化后的模型具有較好的預測精度，最大相對誤差僅為7.55%?；诜讲罘治龊虵檢驗，發(fā)現(xiàn)磨料流量是表面粗糙度最主要的影響因素，而磨料粒度的影響甚微，主要是因為試驗選擇的磨料

圖7 模型預測結果與試驗結果的比較

粒度差別不太大。利用MikroCAD三維光學測量儀，可以獲得鈍化刀片的表面微觀結構、刃口鈍圓半徑值以及刃口平整度的分析報告。刀片經(jīng)過MAWJ鈍化后，表面微觀缺陷得到顯著改善，由于采用的磨料粒子較粗，造成了刀片平面表面粗糙度值的增加；刀片刃口鈍圓半徑值增加，有助于刀片涂層材料的吸附，刃口平整度較為理想。

需要指出的是，本文建立的多元非線性回歸模型相關系數(shù)R值還不夠理想，模型的預測性能還有待進一步提高，后續(xù)研究可以考慮更多的MAWJ鈍化參數(shù)以及進行全因子試驗。

[1] 杜育鵬. 刀具刃口鈍化技術的探討[J]. 數(shù)控機床市場，2005(12)：96-100.

[2]Dirk Biermann，Ina Terwey. Cutting edge preparation to improve drilling tools for HPC processes[J]. Manufacturing Science and Technology，2008(1)：76-80.

[3] Yung C Y. Afinite element analysis of orthogonal machining using different tool edge geometries[J]. Materials Processing Technology，2004(146)：72-81.

[4] 李連榮，唐焱. 磨料水射流切割技術綜述[J]. 煤礦機械，2008，29(9)：5-8.

[5] 黃樹濤，姚英學，袁哲俊. 基體表面粗糙度對金剛石薄膜涂層刀具附著強度的影響[J]. 制造技術與機床，2000(2)：44-45.

[6] 楊暉，潘少明. 基體表面粗糙度對涂層結合強度的影響[J]. 金屬鑄鍛焊技術，2008，37(15)：118-121.

[7] G. Fowler，P.H. Shipway，et all. Abrasive waterjet controlled depth milling of Ti6Al4V alloy[J]. Materials Processing Technology，2005(161)：407-414.

[8] 張曉洪，陳鵬，夏重. 65Mn深小孔加工時間回歸模型建立與參數(shù)優(yōu)化[J].組合機床與自動化加工技術，2011(2): 42-45.

[9] 胡澤文，武夷山. 科技產(chǎn)出影響因素分析與預測研究[J]. 科學學研究，2012，30(7)：993-1003.

[10] 馬博，梁楚華，周建平. 基于MATLAB的短電弧加工工藝模型回歸分析與研究[J]. 機械工程與自動化，2012(2)：45-47

(編輯 李秀敏)

Research on Regression Model of Tool Preparation Surface Quality Based on Micro Abrasive Water Jet

WAN Qing-feng，LEI Yu-yong，CHEN Zhong-min，PAN Zheng-Zheng

(School of Mechanical Engineering & Automation,Xihua University, Chengdu 610039, China)

In order to obtain the relationship between the preparation parameters using micro abrasive waterjet and the preparation quality of tool edge, orthogonal design was applied to study the test results of the tool preparation process. The microstructure and the radius of cutting edge roundness were obtained using MikroCAD optical 3D measurement system. Multiple factors and stepwise regression equation were established to predict surface roughness of tool preparation based on micro abrasive water jet machining process. The parameters such as water jet pressure, traverse speed, abrasive flow rate, abrasive grit size and standoff distance were considered as model variables. The effectiveness of the regression model was verified and the influence of preparation parameters on surface roughness was confirmed using analysis of variance and F-test. The optimization of preparation parameters were realized. The result indicates that abrasive flow rate was an utmost parameter on preparation surface roughness. The maximum relative error of predictive model is 7.55%.

micro abrasive water jet；tool edge preparation；surface roughness；tool edge radius； regression analysis

1001-2265(2014)01-0031-04

10.13462/j.cnki.mmtamt.2014.01.009

2013-04-07；

2013-05-14

四川省科技廳項目資助(2011JYZ017)和西華大學研究生創(chuàng)新基金資助(ycjj201340).

萬慶豐(1988—)，男，江蘇鹽城人，西華大學機械工程與自動化學院碩士研究生，主要研究方向為特種精密加工技術，(E-mail)wan_qingfeng@163.com；通訊作者：雷玉勇(1962—)，男，四川鹽亭人，教授，工學博士，西華大學機械電子工程與自動化研究所所長，主要從事水射流技術及特種精密加工研究，(E-mail)yuyong_lei@163.com

TH122;TP69

A