木塑復合材料銑削加工表面粗糙度及其預測模型的研究

張 豐，伍占文，肖 璐，朱兆龍，郭曉磊*

(1.南京林業(yè)大學 材料科學與工程學院，江蘇 南京 210037；2.南京林業(yè)大學 家居與工業(yè)設計學院，江蘇 南京 210037)

木塑復合材料(wood-plastic composite,WPC)是一種主要由木質(zhì)纖維和熱塑性塑料組成的新型材料[1]。由于結(jié)合了木質(zhì)纖維和塑料的特點，WPC具有優(yōu)良的綜合性能，如高強度、高抗沖擊性，良好的尺寸穩(wěn)定性和良好的耐磨性，因此被廣泛應用于鑲板材料、家具材料、室內(nèi)裝飾材料、汽車內(nèi)飾等領域[2-4]。不同的應用場合對WPC的尺寸、形狀和粗糙度提出了不同的要求，因此WPC的二次加工(鋸切、銑削、鉆孔、磨削等[5-7])對WPC產(chǎn)品的加工質(zhì)量至關重要[8-10]。

銑削加工是WPC二次加工中非常重要的一種加工方法。在實際銑削加工中，加工質(zhì)量差、生產(chǎn)效率低是銑削加工中常見的問題，主要原因是切削參數(shù)的改變會引起切削力和切削溫度的改變，進而影響刀具的使用壽命和加工表面粗糙度[11-13]。因此，研究WPC銑削過程中的切削力、切削溫度和加工表面質(zhì)量對提高刀具壽命、提高加工效率和產(chǎn)品表面質(zhì)量具有重要意義[14-15]。之前關于WPC銑削加工的研究都是采用試驗法，這種方法雖然能準確獲得切削加工表面質(zhì)量，但是試驗研究費時費力。若能建立一個預測模型，通過該模型可以根據(jù)輸入的切削參數(shù)大致預測出切削加工表面的粗糙度，不僅節(jié)省了大量的試驗時間，又節(jié)省了大量的人力、物力[16-18]。

鑒于此，本研究采用硬質(zhì)合金單齒柄銑刀對WPC進行銑削加工試驗，研究了切削參數(shù)(主軸轉(zhuǎn)速、進給速度、切削深度)對WPC切削力、切削溫度和切削加工表面粗糙度的影響，并利用BP神經(jīng)網(wǎng)絡建立WPC銑削加工表面粗糙度的預測模型。以期為WPC銑削加工提供理論和實踐指導。

1 材料與方法

1.1 試驗材料

試驗采用的木塑復合材料工件尺寸為140 mm×80 mm×20 mm，由國風木塑科技有限公司(中國安徽)提供，由70%的木質(zhì)纖維和20%的聚乙烯以及一些添加劑制得，其密度是1.62 g·cm-3，木粉粒徑為100目，彈性模量為4.27×103MPa，抗彎強度為4.69 MPa。試驗采用的刀具是藍幟(南京)工具有限公司制造的硬質(zhì)合金單齒柄銑刀，刀具前角為2°，楔角為45°，硬度為59HRA。

1.2 試驗方法

由圖1可知，木塑復合材料的銑削試驗是在數(shù)控加工中心(MGK01，南興機械有限公司，中國廣州)上進行的，其最大進給速度為50 m·min-1，最大速度為24 000 r·min-1，功率在干燥條件下為8.1 kW。試驗的切削力采用Kistler 9257B壓電晶體測力儀，Kistler 5017B電荷放大器，以及相應的數(shù)據(jù)采集與處理系統(tǒng)進行測量，再用Kistler測力儀的配套軟件Dynoware對測得的力信號進行分析和處理。試驗的切削溫度采用紅外熱成像儀(Thermo Vision A20-M,FLIR Systems Inc.,USA)測量，使用軟件Therma CAM Researcher Professional 2.10來分析拍攝的圖片信息。采用東京精密生產(chǎn)的探針式SURFCOM NEX 001 SD-12表面粗糙度儀對WPC已加工表面的粗糙度進行測量。試驗設計見表1。

表1 試驗條件

2 結(jié)果與分析

2.1 主軸轉(zhuǎn)速對WPC切削力、切削溫度和加工表面粗糙度的影響

圖2為主軸轉(zhuǎn)速與WPC切削力、切削溫度和加工表面粗糙度關系圖，從圖2可以看出，在進給速度和切削深度固定時，切削力隨著主軸轉(zhuǎn)速的增大而呈現(xiàn)出遞減的趨勢。這是因為在進給速度和切削深度固定時，隨著主軸轉(zhuǎn)速的增大，每次切削的切削厚度減小，切屑對前刀面摩擦以及工件對后刀面的摩擦次數(shù)增加。因此刀具要克服的WPC內(nèi)部彈塑性變形產(chǎn)生的阻力減小，要克服的摩擦力增大。但是因為WPC內(nèi)部彈塑性變形產(chǎn)生的阻力是WPC銑削力的主要來源，所以主軸轉(zhuǎn)速增大使得減小的阻力大于增加的摩擦力，最終表現(xiàn)為切削力的減小。因此，在進給速度和切削深度固定時，切削力隨著主軸轉(zhuǎn)速的增大而減小。

在進給速度和切削深度固定時，切削溫度隨著主軸轉(zhuǎn)速的增大而呈現(xiàn)出遞增的趨勢。這是因為在進給速度和切削深度固定時，隨著主軸轉(zhuǎn)速的提高，前刀面與切屑之間的摩擦頻率以及后刀面與工件之間的摩擦頻率都增加。雖然有些熱量會被切屑和刀具帶走，但增加的摩擦熱要比剪切熱源減少的熱量大很多。因此切削溫度隨著主軸轉(zhuǎn)速的增大而增大。

在進給速度和切削深度固定時，隨著主軸轉(zhuǎn)速的增大，每齒進給量Uz減小，所以運動不平度降低。主軸轉(zhuǎn)速增大還會降低切削力和切削溫度，這使得振動性不平度減小。因此，在進給速度和切削深度固定時，加工表面粗糙度隨著主軸轉(zhuǎn)速的增大而減小。

2.2 進給速度對WPC切削力、切削溫度和加工表面粗糙度的影響

圖3為進給速度與WPC切削力、切削溫度和加工表面粗糙度關系，在主軸轉(zhuǎn)速和切削深度固定不變時，切削力隨著進給速度的增大而呈現(xiàn)出遞增的趨勢。這是因為在主軸轉(zhuǎn)速和切削深度固定不變時，隨著進給速度的增大，每次切削的切削厚度增大，這不僅增加了WPC內(nèi)部的彈塑性變形，刀具受到切屑的壓力也會增大。因此刀具要克服的WPC內(nèi)部彈塑性變形產(chǎn)生的阻力增大，且刀具要克服的摩擦力增大，因此在主軸轉(zhuǎn)速和切削深度固定不變時，切削力隨著進給速度的增大而增大。

從圖3中可以看出，在主軸轉(zhuǎn)速和切削深度固定不變時，切削溫度隨著進給速度的增大而呈現(xiàn)出遞減的趨勢。這是因為在主軸轉(zhuǎn)速和切削深度固定不變時，進給速度增大后，完成一個完整的切割過程的時間就會減少。而刀具的導熱性比工件的導熱性高，切削熱傳遞到刀具內(nèi)部的速度更快。因此，在主軸轉(zhuǎn)速和切削深度固定不變時，切削溫度隨著進給率的增加而減小。

在主軸轉(zhuǎn)速和切削深度固定不變時，加工表面粗糙度隨著進給速度的增大而呈現(xiàn)出遞增的趨勢。這是因為進給速度增大，每齒進給量Uz增大，所以運動不平度增大。進給速度的增大還會引起切削力的增大和切削溫度的減小，這使得振動性不平度增大。因此，在主軸轉(zhuǎn)速和切削深度固定不變時，加工表面粗糙度隨著進給速度的增大而增大。

2.3 切削深度對WPC切削力、切削溫度和加工表面粗糙度的影響

圖4為切削深度與WPC切削力、切削溫度和加工表面粗糙度關系圖，可以看出，在主軸轉(zhuǎn)速和進給速度固定不變時，切削力隨著切削深度的增大而呈現(xiàn)出遞增的趨勢。這是因為在主軸轉(zhuǎn)速和進給速度固定時，隨著切削深度的增大，每次切削的切屑平均厚度增大，WPC內(nèi)部彈塑性變形增加，切屑對刀具的摩擦力增加。因此刀具所要克服WPC內(nèi)部彈塑性變形產(chǎn)生的阻力增加，且刀具要克服的摩擦力增大。因此在主軸轉(zhuǎn)速和進給速度固定不變時，切削力隨著進給速度的增大而增大。

從圖4中可以看出，在主軸轉(zhuǎn)速和進給速度固定不變時，切削溫度隨著切削深度的增大而呈現(xiàn)出遞增的趨勢。這是因為主軸轉(zhuǎn)速和進給速度固定不變時，切削深度增加使得切削工件材料變形產(chǎn)生的熱量增加，同時刀具和工件材料的摩擦時間變長，產(chǎn)生的熱量也更多。因此，主軸轉(zhuǎn)速和進給速度固定不變時，切削溫度隨著切削深度的增大而增大。

在主軸轉(zhuǎn)速和進給速度固定不變時，加工表面粗糙度隨著切削深度的增大而呈現(xiàn)出遞增的趨勢。這是因為切削深度增大后，切削力和切削溫度都增大，振動性不平度增大。此外，切削溫度升高以后，切削區(qū)域的WPC會軟化，有少部分軟化的WPC會被剝離，這也導致加工表面粗糙度增大。因此在主軸轉(zhuǎn)速和進給速度固定不變時，加工表面粗糙度隨著切削深度的增大而增大。

3 加工表面粗糙度預測模型的研究

木塑復合材料的銑削過程可以被看作是一個非常復雜的非線性系統(tǒng)。由于這個系統(tǒng)的狀態(tài)方程非常復雜，因此很難用數(shù)學方法準確建立模型。BP神經(jīng)網(wǎng)絡通過選擇適當?shù)臋嘀睾徒Y(jié)構，可以接近任意的非線性連續(xù)函數(shù)，因此可以建立一個BP神經(jīng)網(wǎng)絡來表達WPC切削的非線性系統(tǒng)[19-20]。

3.1 BP神經(jīng)網(wǎng)絡的結(jié)構

本研究使用的BP神經(jīng)網(wǎng)絡的結(jié)構見圖5，可以得知BP神經(jīng)網(wǎng)絡主要由3層組成：輸入層、1個隱藏層和輸出層。輸入層包含3個神經(jīng)單元(主軸轉(zhuǎn)速n、進給速度U、切削深度h)，而輸出層只有1個神經(jīng)單元(表面粗糙度Ra)。隱藏層單元的數(shù)量根據(jù)式(1)確定。

(1)

式中：m是隱藏層單元的數(shù)量，n是輸入層單元的數(shù)量，l是輸出層單元的數(shù)量，α是一個介于1和10之間的參數(shù)。在本研究中，α的取值為4，因此，隱藏層包含6個神經(jīng)單元。

激活函數(shù)在輸入層和輸出層之間提供了一個曲線匹配，Log-Sigmoid傳遞函數(shù)通常被用作BP神經(jīng)網(wǎng)絡的激活函數(shù)，因為它是一個可分的、連續(xù)的和非線性的函數(shù)[21]。這個函數(shù)對于從輸入層進入的每一個值都會產(chǎn)生一個在0和1之間的值。本研究中BP神經(jīng)網(wǎng)絡采用的Log-Sigmoid傳遞函數(shù)的方程式如下

(2)

式中:x為BP神經(jīng)網(wǎng)絡隱含層和輸出層的輸入數(shù)據(jù)。

3.2 學習算法

在確定了BP神經(jīng)網(wǎng)絡的層數(shù)和每層的神經(jīng)元數(shù)量之后，還需要確定各層之間的權重。在這個研究中，在訓練過程中首先使用隨機值作為權重，然后輸入學習樣本，得到網(wǎng)絡的輸出。之后，計算輸出值與目標值之間的誤差，并據(jù)此逐層修改權重以減少誤差。經(jīng)過幾次調(diào)整，當誤差達到要求時，網(wǎng)絡訓練就完成了[19,22]。

3.3 訓練和測試數(shù)據(jù)

訓練和測試數(shù)據(jù)的選擇對BP神經(jīng)網(wǎng)絡預測模型的準確性有重要影響。在本研究中，通過試驗獲得的64組數(shù)據(jù)被用來作為BP神經(jīng)網(wǎng)絡的訓練和測試數(shù)據(jù)。從這些數(shù)據(jù)中，隨機選擇54組作為訓練數(shù)據(jù)，其余的作為測試數(shù)據(jù)，可以避免BP神經(jīng)網(wǎng)絡陷入局部最優(yōu)狀態(tài)。

BP神經(jīng)網(wǎng)絡的數(shù)據(jù)具有不同的物理意義和大小。為了避免由于數(shù)據(jù)數(shù)量級的巨大差異導致網(wǎng)絡預測誤差過大，輸入值和輸出值都被歸一化處理轉(zhuǎn)化為在0和1之間的數(shù)，數(shù)據(jù)歸一化的函數(shù)如下。

xk=(xk-xmin)/(xmax-xmin)

(3)

式中:xk是預處理數(shù)據(jù)；xmax和xmin是預處理數(shù)據(jù)的最大值和最小值，在預處理數(shù)據(jù)中xmax≠xmin。

3.4 模型的評價

為了對所開發(fā)的預測模型進行評價，計算了輸出值的R2(方差的絕對分數(shù))。R2的范圍是[0,1]，R2越接近于1，預測就越準確[23-24]。

(4)

式中：Tm,M為表面粗糙度的測量值；Tp,M為表面粗糙度的預測值。

3.5 表面粗糙度的BP神經(jīng)網(wǎng)絡預測模型

在MATLAB上開發(fā)了一個用于預測加工表面粗糙度的計算機程序。輸入層的3個神經(jīng)元分別是主軸轉(zhuǎn)速、進給速度和切削深度，輸出層的神經(jīng)元是加工表面粗糙度。在BP神經(jīng)網(wǎng)絡的程序中，網(wǎng)絡net.trainparam.goal的目標誤差被設定為0.001。學習速度net.trainparam.lr被設置為0.000 1。迭代次數(shù)net.trainpara.epochs被設置為1 000。根據(jù)上述設置對BP神經(jīng)網(wǎng)絡進行訓練，直到達到預定的目標。

圖6為WPC加工表面粗糙度實際值和預測值的比較，圖7顯示了預測的誤差比。從圖6可以得知，預測數(shù)據(jù)與測試數(shù)據(jù)非常接近，R2為0.973 54。從圖7可以看出，最大預測誤差小于4.5%。用BP神經(jīng)網(wǎng)絡通過LM學習算法對WPC的切割溫度進行槽形建模，對測試數(shù)據(jù)的R2計算為0.973 54。根據(jù)這些結(jié)論，建立的BP神經(jīng)網(wǎng)絡預測模型具有較高的準確性，因此可以用來預測WPC的切削表面粗糙度。

4 結(jié)論

使用硬質(zhì)合金刀具對木塑復合材料(WPC)進行銑削試驗，研究分析了不同切削參數(shù)(主軸轉(zhuǎn)速、進給率、切削深度)對WPC切削力、切削溫度和加工表面粗糙度的影響，并采用BP神經(jīng)網(wǎng)絡建立WPC加工表面粗糙度的預測模型。主要結(jié)論如下。

WPC的切削力隨著主軸轉(zhuǎn)速的增大而呈現(xiàn)出遞減的趨勢，隨進給速度的增大而呈現(xiàn)出遞增的趨勢，隨切削深度的增大而呈現(xiàn)出遞增的趨勢。WPC的切削溫度隨著主軸轉(zhuǎn)速的增大而呈現(xiàn)出遞增的趨勢，隨進給速度的增大而呈現(xiàn)出遞減的趨勢，隨切削深度的增大而呈現(xiàn)出遞增的趨勢?？梢酝ㄟ^提高主軸轉(zhuǎn)速，降低切削深度的方法來降低切削力和切削溫度，進而提高刀具的使用壽命。

WPC的加工表面粗糙度隨著主軸轉(zhuǎn)速的增大而呈現(xiàn)出遞減的趨勢，隨進給速度的增大而呈現(xiàn)出遞增的趨勢，隨切削深度的增大而呈現(xiàn)出遞增的趨勢。可以通過提高主軸轉(zhuǎn)速，降低進給速度和切削深度的方法來降低加工表面粗糙度，提高加工質(zhì)量。

對BP神經(jīng)網(wǎng)絡的預測性能進行了評估，發(fā)現(xiàn)預測值與試驗數(shù)據(jù)接近。經(jīng)計算，測試數(shù)據(jù)的R2為0.978 1。當6 000≤n≤12 000、3≤U≤6、04≤h≤1.6時，BP神經(jīng)網(wǎng)絡預測模型具有較高的預測精度。因此，推薦使用BP神經(jīng)網(wǎng)絡來預測WPC的加工表面粗糙度。