微小型車銑加工表面粗糙度分析及預測模型建立

鄭中鵬，金 鑫，江振衛，李啟明，陳 威，孔 鑫

（1.北京理工大學微小型制造技術研究所，北京100081；2.西北工業集團有限公司，西安710043）

0 引言

隨著尖端科學技術和國防工業的不斷快速發展，微小型復雜結構件越來越廣泛的應用于航空航天、兵器裝備、汽車工程、醫療器械等領域，同時對高精度復雜微小型結構件的精密制造技術要求越來越高［1］。表面粗糙度作為衡量零件加工質量的重要指標之一，其粗糙度的大小直接影響加工零件的使用性能和壽命。因此，提高微小型車銑復合加工工件的表面粗糙度具有重要的意義。和傳統車削加工、銑削加工不同，微小型車銑復合加工技術具有高轉速、低磨損量、高穩定性、高加工精度和良好散熱性等優點，更適合于微小型復雜結構件的精密超精密加工［2］。

目前，國內外學者針對正交車銑復合加工零件的表面粗糙度進行了一定的研究［1-4］。姜增輝等［5］從理論上研究了正交車銑零件的表面粗糙度模型，并通過實驗分析驗證了切削加工參數對加工零件表面粗糙度的影響。結果表明，正交車銑可以代替磨削功能，實現零件的精加工。潘靖宇等［6］采用單因素實驗法進行了正交車銑TC9鈦合金的實驗分析，得到了正交車銑的主要切削用量對零件加工表面的影響。結果表明，正交車銑零件表面粗糙度Ra能夠控制在1μm以內，能夠實現軸類零件的精確加工。馮佳彬等［7］通過正交實驗得到了切向車銑零件中各個切削參數下的表面粗糙度數值，探究出各個車銑加工參數對表面粗糙度影響的主次順序，進一步豐富了車銑理論知識。侯軍明等［8］通過對車銑加工零件表面粗糙度的機理分析，構建了端面車銑加工零件表面粗糙度預測數學模型，得到了工件徑向尺寸與表面粗糙度的影響規律。鄧勇軍等［9］對不同尺度下微小薄壁工件進行了車銑加工，并基于正交實驗掌握了切削加工參數對薄壁零件類的表面粗糙度影響規律，進一步證明了車銑加工跨尺度零件的優越性。Savas等［10］提出了利用一種遺傳算法來優化切削參數，該優化算法可以得到切削速度、工件速度和切削深度對100Cr6鋼加工過程中的最優切削參數。

目前，上述車銑加工分析很少在高效縱切車銑復合機床上分析軸類小零件車銑加工的表面質量問題。鑒于此，本文基于三水平五因素正交實驗分析法進行了微小型車銑軸類零件表面粗糙度的研究，分析了影響表面粗糙度的主次因素，基于多元線性回歸方法建立了硬質合金立銑刀正交車銑零件的表面粗糙度預測模型，可指導微小型車銑復合加工工藝優化。

1 車銑加工機理分析

正交車銑加工作為一種先進的切削加工技術，其運動既不是簡單的車削加工，也不是簡單的銑削加工。在實際正交車銑加工過程中，由工件自身的旋轉運動、立銑刀自身的旋轉運動和立銑刀沿著工件軸向（Z軸）、徑向（X軸）進行切削運動共同組成［11］。微小型正交車銑復合加工機理如圖1所示，刀具切削軌跡可以描述為沿著進給方向展開的空間螺旋次擺線運動軌跡。切削加工過程中，刀具沿著空間螺旋次擺線軌跡車銑零件表面，運動軌跡近似成包絡線，形成工件的理論表面粗糙度。采用Matlab仿真刀具的運動軌跡，如圖2所示。

圖1 微小型正交車銑復合加工機理圖Fig.1 Machining mechanism diagram of micro-orthogonal turning-milling

圖2 空間螺旋次擺線運動軌跡Fig.2 Trajectory of spatial spiral hypocycloid

2 表面粗糙度正交實驗方案

2.1 實驗條件

實驗在高效縱切車銑復合機床NN-2OUB8 L20上進行切削加工，該機床最大加工工件直徑為25mm，可主背軸同時加工，主軸最高轉速為6000r／min， 動力銑刀最高轉速為6000r／min。 實驗過程中，采用硬質合金φ2.5立銑刀進行正交車銑切削加工，加工方式為正交車銑、順銑，采用水乳化液進行冷卻，工件材料為黃銅H59-1。實驗加工樣件表面粗糙度采用OLYMPUS LEXT激光共聚焦掃描顯微鏡測量，實驗加工設備如圖3所示。

圖3 微小型正交車銑實驗設備Fig.3 Experiment equipment of micro-orthogonal turn-milling

2.2 正交實驗設計

微小型車銑復合加工作為一種先進加工技術，鑒于微小型車銑復合加工的特殊性，與常規的加工方法相比較可知，影響加工表面粗糙度的因素比較多，加工方式、工件材料、刀具材料和切削參數等均影響工件表面的粗糙度。從現有文獻研究可知，一般情況下，切削參數對正交車銑零件表面的粗糙度影響最大。因此，有必要選擇正確合理的切削參數，提高切削加工效率，保證生產中的工件加工質量和生產效率。

根據高效車銑復合加工的特點，采用正交實驗分析方法設計了一個三水平五因素實驗設計表，如表1所示。該實驗因素有五個，包括工件尺寸φ、車削主軸轉速nw、銑削主軸轉速nt、工件進給量fv和切削深度ap， 實驗結果如表2所示 （下頁）。

2.3 實驗結果分析

實驗加工樣件表面粗糙度采用OLYMPUS LEXT激光共聚焦掃描顯微鏡測量。微小型正交車銑軸類零件的表面相貌測量圖如圖4～圖12所示，圖中的實驗號與表2中的實驗號是對應的。

結合表2的正交實驗結果及其樣件的表面相貌分析可以發現，微小型正交車銑工件表面粗糙度絕大多數優于0.6μm。整體而言，樣件表面粗糙度隨著進給量和切削深度的增加而增加，這是由于切削深度和進給量顯著增加時會使切削力發生變化，工件產生切削變形或者切削振動導致加工質量降低。同時，工件的表面粗糙度隨著工件直徑增加而不斷減少，意味著工件直徑尺寸越大，其刀具加工時越平穩。

采用極差法分析上述實驗結果，從表3的表面粗糙度極差分析法可以確定各個切削加工參數對表面粗糙度的主次因素。實驗結果表明：相同刀具下，影響車銑工件表面粗糙度的主要因素依次為工件尺寸、車削主軸轉速、工件進給量、銑削主軸轉速和切削深度。

表1 實驗因素水平表Table 1 Level table of experiment factors

表2 正交設計實驗結果Table 2 Experiment results of orthogonal design

圖4 實驗1號樣件的表面相貌圖Fig.4 Surface topography of the sample No.1

圖5 實驗2號樣件的表面相貌圖Fig.5 Surface topography of the sample No.2

圖6 實驗3號樣件的表面相貌圖Fig.6 Surface topography of the sample No.3

圖7 實驗10號樣件的表面相貌圖Fig.7 Surface topography of the sample No.10

圖8 實驗11號樣件的表面相貌圖Fig.8 Surface topography of the sample No.11

圖9 實驗12號樣件的表面相貌圖Fig.9 Surface topography of the sample No.12

圖10 實驗16號樣件的表面相貌圖Fig.10 Surface topography of the sample No.16

圖11 實驗17號樣件的表面相貌圖Fig.11 Surface topography of the sample No.17

圖12 實驗18號樣件的表面相貌圖Fig.12 Surface topography of the sample No.18

表3 表面粗糙度極差分析Table 3 Range analysis of surface roughness

3 表面粗糙度預測模型

3.1 構建表面粗糙度預測模型

零件表面粗糙度是衡量切削加工過程的重要的一個指標，其表面粗糙度的大小受到多種因素的影響。因此，需要建立關鍵影響因素下的微小型正交車銑表面粗糙度預測模型。1976年，Tipnis等［12］首先提出了表面粗糙度的實驗模型，具體表達式如下

式（1）中，Ra為表面粗糙度，C、k、m、l為表面粗糙度實驗模型系數，v為切削速度，ap為切削深度，f為進給速度。

1995年， Alauddin等［13］利用這個模型進行了多因素實驗研究分析，發現該實驗模型與切削實驗數據之間存在著一定的相互關系，能夠建立可靠的表面粗糙度預測模型。因此，Tipnis等人提出的表面粗糙度的實驗模型被更多學者廣泛的應用［14-15］。本文參考切削參數對微小型零件表面粗糙度的影響和生產車間的實際加工情況，選取工件尺寸φ、車削主軸轉速nw、銑削主軸轉速nt、工件進給量fv和切削深度ap五個參數建立微小型正交車銑表面粗糙度預測模型

由于式（2）為非線性函數，因此需要對式（2）兩邊分別取對數，轉換為線性函數得

對式（3）進行線性化處理后，可以得到相應的線性化方程

基于三水平五因素實驗數據，構建多元線性回歸方程組

將該多元線性回歸方程組用矩陣表示為

式（6）中，Y由18組數據中表面粗糙度的對數數值構成，X由水平實驗因素的對數構成，即

將實驗數據帶入到多元線性回歸方程組中，采用Matlab進行回歸分析，并得到b的估計值

因此，采用硬質合金立銑刀正交車銑零件的表面粗糙度數值預測模型為

3.2 表面粗糙度預測模型顯著性分析

為了進一步驗證表面粗糙度預測模型的正確性，需要對表面粗糙度的預測模型進行顯著性分析。表4為方差分析表，圖13為表面粗糙度預測模型的殘差杠桿圖。

表4 方差分析表Table 4 Analysis of variance

圖13 預測模型殘差杠桿圖Fig.13 Residual lever diagram of prediction model

從表4的方差分析可知，R2＝0.7508，說明擬合的方程較好；F＝7.2309＞0.0025，符合方差要求；P＝0.0005＜0.05，說明實驗過程中的五個參數變量均對表面粗糙度有一定的影響。

由圖13可知，零件加工表面粗糙度的殘差在0附近波動，波動區間為［-0.08，0.08］，預測誤差較為準確。

3.3 表面粗糙度預測模型實驗驗證

同時，實驗選在高效縱切車銑復合機床NN-2OUB8 L20上進行切削加工，采用硬質合金φ2.5立銑刀進行切削加工。加工方式為正交車銑、順銑，采用水乳化液進行冷卻，加工五組零件后測量表面粗糙度，并與預測模型預測的數值進行對比分析，如表5所示。由表5可知，表面粗糙度預測數值與實際測量數值的誤差在11%以內。綜上所述，采用硬質合金立銑刀正交車銑工件的表面粗糙度預測模型較為準確。

表5 表面粗糙度預測模型實驗驗證Table 5 Experiment verification of surface roughness prediction model

4 結論

通過對高效車銑復合加工機床正交車銑軸類零件的表面粗糙度研究分析，得到了切削加工參數對零件表面粗糙度的影響程度及其變化規律，建立了高效縱切車銑加工的表面粗糙度預測模型，并得到如下結論：

1）基于三水平五因素正交實驗分析法研究了車銑加工參數和工件表面粗糙度數值關系，結果表明：采用相同刀具下的正交車銑加工軸類零件，其工件尺寸、車削主軸轉速、工件進給量、銑削主軸轉速和切削深度依次從大到小影響零件表面粗糙度質量。

2）基于多元線性回歸方法構建了 “工件尺寸-車削主軸轉速-銑削主軸轉速-工件進給量-切削深度”的表面粗糙度數值預測模型，實現了切削加工工藝參數對表面粗糙度的影響規律預測，該數值預測模型理論精度優于11%。

3）切削工藝優化結果和預測模型指導了高效車銑復合加工機床的加工工藝參數優化，提高了生產效率和加工質量。