论文部分内容阅读
钛合金具有耐腐蚀、强度高、耐热性好等一系列优良性能,广泛应用于医疗、航空航天等领域。但由于其特殊的化学、物理和力学性能,是一种典型的难加工材料,在加工过程中存在切削温度高、刀具磨损严重、加工质量差等一系列问题。超声振动切削是针对难加工材料的一种有效加工方法。特别是纵扭超声振动切削,刀具不再是单向振动的高频振动,有效地避免了刀具后刀面与已加工表面的一维超声振动之间的长期摩擦。从而降低切削力,提高加工质量。本研究中,将纵扭超声振动应用到钛合金(Ti-6Al-4V)铣削过程中。在立式加工中心VMC-850E进行钛合金(Ti-6Al-4V)端铣加工。基于正交试验设计,研究了各参数对表面粗糙度的影响。然后建立BP神经网络预测表面粗糙度,从而实现表面粗糙度的智能预测。通过粗糙度仪检测已加工表面进给方向和垂直进给方向的粗糙度值,进一步分析,得到切削工艺参数相对敏感性图谱。可知,在垂直进给方向,每齿进给量)对粗糙度Ra影响最大,贡献率达42.66%,铣削速度(MS)影响最小,贡献率为1.93%,振幅,切宽,切深三者对其影响相近,贡献率分别为23.48%,15.23%,16.69%。在进给方向,每齿进给量对表面粗糙度Ra影响最大,贡献率达36.72%,振幅,切宽,铣削速度,切深四者对其影响相近,贡献率分别为16.75%,16.45%,15.27%,14.8%。在BP神经网络模型中,输入向量的维度决定了输入层所具有的神经元个数,输出向量的维度决定了输出层的神经元个数。在本神经网络模型中,主要研究切削速度、每齿进给量、径向切深、轴向切深、超声振幅五个因素对钛合金表面残余应力的交互影响作用,故确定输入层神经元个数为5,输出层神经元个数为1(平行进给方向表面残余应力或垂直进给方向表面残余应力)。从BP神经网络的预测结果可以看出,与试验结果比较,在垂直进给方向的表面粗糙度的预测误差在2.33%-16.36%范围内,在进给方向的表面粗糙度的预测误差在9.8%-18.35%范围内,证明了BP神经网络能够反映处理参数和高精度表面粗糙度Ra之间的非线性关系,有助于在不同的工程需求中选择合适的工艺参数。