Полуэмпирическое моделирование температуры резания и шероховатости поверхности при точении конструкционных материалов твердосплавным инструментом с покрытием TiAlN

Обложка

Цитировать

Полный текст

Аннотация

Введение. В производстве получение заданной шероховатости поверхности обрабатываемых деталей имеет большое значение для выполнения функциональных требований. Однако на шероховатость поверхностей оказывает существенное влияние тепло, выделяемое в процессе обработки, что может привести к снижению размерной точности. Шероховатость поверхности существенно влияет на усталостные характеристики детали, а срок службы режущего инструмента определяется температурой резания. Цель работы. Целью данного исследования является создание полуэмпирических моделей для прогнозирования шероховатости поверхности и температуры различных рабочих материалов. Повышение производительности резания достигается за счет точного определения температуры резания в обрабатываемой зоне. Однако расчет температуры резания для каждого конкретного случая сопряжен с трудностями с точки зрения трудовых ресурсов и финансовых вложений. В этой статье представлена комплексная эмпирическая формула, предназначенная для прогнозирования как теоретической температуры, так и шероховатости поверхности. Методика. Показатели шероховатости поверхности и температуры оценивались для материалов EN 8, Al 380, SS 316 и SAE 8620 при их обработке твердосплавным инструментом с покрытием TiAlN. Покрытие TiAlN было получено методом физического осаждения из паровой фазы (PVD). Для подготовки прогнозирующих моделей использовалась методология поверхности отклика. Скорость резания (от 140 до 340 м/мин), подача (от 0,08 до 0,24 мм/об) и глубина резания (от 0,6 до 1 мм) использовались в качестве входных параметров для измерения характеристик всех материалов с точки зрения шероховатости поверхности и температуры резки. Температуру на границе раздела стружка-инструмент определяли с помощью термопары. Для установления связи между электродвижущей силой (ЭДС), возникающей во время обработки, и температурой резания была разработана новая калибровочная установка. Результаты и обсуждение. Было замечено, что энергия, необходимая для механической обработки, в значительной степени преобразовалась в тепло. Самая высокая температура резания была зафиксирована при обработке стали SS 316, а затем стали SAE 8620 и стали EN 8. Однако при обработке AL 380 наблюдалась низкая температура, которая в основном определялась теплопроводностью материала. Самая низкая шероховатость поверхности наблюдалась у материалов SAE 8620, EN 8, а затем SS 316 и AL 380. Полуэмпирический метод и уравнения регрессионной модели хорошо соответствовали друг другу. Статистический анализ нелинейной оценки показывает, что скорость резания, подача и плотность материала в большей степени влияют на шероховатость поверхности, тогда как глубина резания в большей степени влияет на изменение температуры. Исследование будет очень полезно для прогнозирования производительности в промышленности при обработке материалов EN 8, AL 380, SS 316 и SAE 8620 твердосплавным инструментом с покрытием TiAlN.

Об авторах

Н. Патил

Email: nileshgpatil@rediffmaiil.com
ORCID iD: 0000-0002-4884-4267
Технологический институт Маратвада, Аурангабад-431010, штат Махараштра, Индия, nileshgpatil@rediffmaiil.com

А. Сараф

Email: atul.saraf001@gmail.com
ORCID iD: 0000-0003-4776-6874
Национальный технологический институт Сардара Валлабхбая, Сурат, Гуджарат 395007, Индия, atul.saraf001@gmail.com

А. Кулкарни

Email: atul.kulkarni@viit.ac.in
ORCID iD: 0000-0002-6452-6349
Институт информационных технологий Вишвакармы, Кондва (Бадрек), Пуне - 411048, штат Махараштра, Индия, atul.kulkarni@viit.ac.in

Список литературы

  1. Empirical modelling and optimization of temperature and machine vibration in CNC hard turning / P.S. Ghosh, S. Chakraborty, A.R. Biswas, N.K. Mandal // Materials Today: Proceedings. – 2018. – Vol. 5 (5). – P. 12394–12402. – doi: 10.1016/j.matpr.2018.02.218.
  2. Groover M.P. Fundamentals of modern manufacturing: materials, processes, and systems. – 4th ed. – Hoboken, NJ: Wiley, 2010. – 1012 p. – ISBN 978-0470-467002.
  3. Cutting temperature measurement using an improved two-color infrared thermometer in turning Inconel 718 with whisker-reinforced ceramic tools / J. Zhao, Z. Liu, B. Wang, Y. Hua, Q. Wang // Ceramics International. – 2018. – Vol. 44 (15). – P. 19002–19007. – doi: 10.1016/j.ceramint.2018.07.142.
  4. Kakade H.B., Patil N.G. Comparative investigations into high speed machining of AB titanium alloy (Ti–6al–4v) under dry and compressed Co2 gas cooling environment // AIP Conference Proceedings. – 2018. – Vol. 2018 (1). – P. 20009-1–20009-9. – doi: 10.1063/1.5058246.
  5. Gunjal S.U., Sanap S.B., Patil N.G. Role of cutting fluids under minimum quantity lubrication: an experimental investigation of chip thickness // Materials Today: Proceedings. – 2020. – Vol. 28 (2). – P. 1101–1105. – doi: 10.1016/j.matpr.2020.01.090.
  6. Кулкарни А.П., Чинчаникар С., Саргаде В.Г. Теория размерностей и моделирование температуры на границе раздела стружка-инструмент при точении SS304 на основе искусственных нейронных сетей // Обработка металлов (технология, оборудование, инструменты). – 2021. – Т. 23, № 4. – С. 47–64. – doi: 10.17212/1994-6309-2021-23.4-47-64.
  7. Modelling of flank wear, surface roughness and cutting temperature in sustainable hard turning of AISI D2 steel / R. Kumar, A.K. Sahoo, R.K. Das, A. Panda, P.C. Mishra // Procedia Manufacturing. – 2018. – Vol. 20. – P. 406–413. – doi: 10.1016/j.promfg.2018.02.059.
  8. Gosai M., Bhavsar S.N. Experimental study on temperature measurement in turning operation of hardened steel (EN36) // Procedia Technology. – 2016. – Vol. 23. – P. 311–318. – doi: 10.1016/j.protcy.2016.03.032.
  9. Abhang L.B., Hameedullah M. Chip-tool interface temperature prediction model for turning process // International Journal of Engineering Science and Technology. – 2010. – Vol. 2 (4). – P. 382–393.
  10. Doniavi A., Eskanderzade M., Tahmsebian M. Empirical modeling of surface roughness in turning process of 1060 steel using factorial design methodology // Journal of Applied Sciences. – 2007. – Vol. 7 (17). – P. 2509–2513. – doi: 10.3923/jas.2007.2509.2513.
  11. Verma V., Kumar J., Singh A. Optimization of material removal rate and surface roughness in turning of 316 steel by using full factorial method // Materials Today: Proceedings. – 2020. – Vol. 25. – P. 793–798. – doi: 10.1016/j.matpr.2019.09.029.
  12. Investigation on surface roughness and chip reduction coefficient during turning aluminium matrix composite / D. Das, R.F. Ali, B.B. Nayak, B.C. Routara // Materials Today: Proceedings. – 2019. – Vol. 5 (11). – P. 23541–23548. – doi: 10.1016/j.matpr.2018.10.142.
  13. Bhople N., Patil N., Mastud S. The experimental investigations into dry turning of austempered ductile iron // Procedia Manufacturing. – 2018. – Vol. 20. – P. 227–232. – doi: 10.1016/j.promfg.2018.02.033.
  14. Analysis of surface roughness and cutting force components in hard turning with CBN tool: prediction model and cutting conditions optimization / H. Aouici, M.A. Yallese, K. Chaoui, T. Mabrouki, J.F. Rigal // Measurement. – 2012. – Vol. 45 (3). – P. 344–353. – doi: 10.1016/j.measurement.2011.11.011.
  15. Longbottom J.M., Lanham J.D. Cutting temperature measurement while machining – a review // Aircraft Engineering and Aerospace Technology. – 2005. – Vol. 77 (2). – P. 122–130. – doi: 10.1108/00022660510585956.
  16. Korkut I., Ac?r A., Boy M. Application of regression and artificial neural network analysis in modelling of tool–chip interface temperature in machining // Expert Systems with Applications. – 2011. – Vol. 38 (9). – P. 11651–11656. – doi: 10.1016/j.eswa.2011.03.044.
  17. Dhar N.R., Kamruzzaman M. Cutting temperature, tool wear, surface roughness and dimensional deviation in turning AISI-4037 steel under cryogenic condition // International Journal of Machine Tools and Manufacture. – 2007. – Vol. 47 (5). – P. 754–759. – doi: 10.1016/j.ijmachtools.2006.09.018.
  18. Patil N.G., Brahmankar P.K. Semi-empirical modeling of surface roughness in wire electro-discharge machining of ceramic particulate reinforced Al matrix composites // Procedia CIRP. – 2016. – Vol. 42. – P. 280–285. – doi: 10.1016/j.procir.2016.02.286.
  19. Patel D.R., Kiran M.B. A non-contact approach for surface roughness prediction in CNC turning using a linear regression model // Materials Today: Proceedings. – 2020. – Vol. 26. – P. 350–355. – doi: 10.1016/j.matpr.2019.12.029.
  20. Patel V.D., Gandhi A.H. Analysis and modeling of surface roughness based on cutting parameters and tool nose radius in turning of AISI D2 steel using CBN tool // Measurement. – 2019. – Vol. 138. – P. 34–38. – doi: 10.1016/j.measurement.2019.01.077.
  21. Rodríguez J., Munoz-Escalona P., Cassier Z. Influence of cutting parameters and material properties on cutting temperature when turning stainless steel // Revista de la Facultad de Ingeniería Universidad Central de Venezuela. – 2011. – Vol. 26 (1). – P. 71–80.
  22. Rajput R.K. A textbook of fluid mechanics and hydraulic machines. – New Delhi: S. Chand, 2004. – ISBN 9789385401374.
  23. Optimization of CNC turning parameters on aluminum alloy 6063 using Taguchi Robust Design / A. Saravanakumar, S.C. Karthikeyan, B. Dhamotharan, V. Gokul kumar // Materials Today: Proceedings. – 2018. – Vol. 5 (2). – P. 8290–8298. – doi: 10.1016/j.matpr.2017.11.520.
  24. Smith W.F. Structure and properties of engineering alloys. – New York: McGraw-Hill, 1981. – 512 p. – ISBN 0070585601. – ISBN 978-0070585607.
  25. Zou B., Chen M., Li S. Study on finish-turning of NiCr20TiAl nickel-based alloy using Al2O3/TiN-coated carbide tools // The International Journal of Advanced Manufacturing Technology. – 2011. – Vol. 53 (1). – P. 81–92. – doi: 10.1007/s00170-010-2823-z.
  26. Dessoly V., Melkote S.N., Lescalier C. Modeling and verification of cutting tool temperatures in rotary tool turning of hardened steel // International Journal of Machine Tools and Manufacture. – 2004. – Vol. 44 (14). – P. 1463–1470. – doi: 10.1016/j.ijmachtools.2004.05.007.
  27. Rezende B.A., Magalhaes F.C., Rubio J.C.C. Study of the measurement and mathematical modelling of temperature in turning by means equivalent thermal conductivity // Measurement. – 2020. – Vol. 152. – P. 107275. – doi: 10.1016/j.measurement.2019.107275.
  28. Kitagawa T., Kubo A., Maekawa K. Temperature and wear of cutting tools in high-speed machining of Inconel 718 and Ti–6Al–6V–2Sn // Wear. – 1997. – Vol. 202 (2). – P. 142–148. – doi: 10.1016/S0043-1648(96)07255-9.
  29. Pawade R.S., Joshi S.S. Analysis of acoustic emission signals and surface integrity in the high-speed turning of Inconel 718 // Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture. – 2012. – Vol. 226 (1). – P. 3–27. – doi: 10.1177/0954405411407656.
  30. Prediction of surface roughness and cutting zone temperature in dry turning processes of AISI304 stainless steel using ANFIS with PSO learning / M. Ayd?n, C. Karakuzu, M. Uçar, A. Cengiz, M.A. Çavuslu // The International Journal of Advanced Manufacturing Technology. – 2013. – Vol. 67 (1). – P. 957–967. – doi: 10.1007/s00170-012-4540-2.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».