整体叶盘叶片磨抛工艺参数优化

赵 晖，董艳彬，史耀耀，赵 涛

（1. 西北工业大学现代设计与集成制造教育部重点实验室，西安 710072;2. 中航工业西安航空发动机有限公司，西安 710021）

整体叶盘由于其重量轻、气动性能好，已成为新一代航空发动机的核心部件，它在提高发动机性能、降低发动机质量、提高发动机可靠性、减小故障率中起到关键作用[1]。因此，其加工质量的优劣很大程度影响发动机的工作效率和寿命。为保证发动机具有良好的使用性能及寿命，要求整体叶盘具有较高的表面质量，而表面粗糙度作为表征加工表面质量的主要参数，其预测及控制在整体叶盘加工领域的应用已成为近年研究的重点。

Yonga等[2]运用响应面法建立表面粗糙度预测模型，并通过预测模型获取最小的表面粗糙度；Ho 等[3]提出了基于自适应模糊系统的田口遗传算法建立端铣工件的表面粗糙度预测模型的方法；Hanafi等[4]利用人工神经网络研究切削速度、切削深度及进给率与表面粗糙度之间的复杂关系；MOOLA MOHAN等[5]采用响应面法预测端铣陶瓷表面粗糙度；WANG等[6]对回归分析方法预测单晶金刚石刀具超精密加工表面粗糙度进行了研究；池龙珠[7]通过信噪比试验设计法对磨削表面粗糙度进行预测。上述研究普遍用于车削、铣削加工，而磨抛作为加工的最后一道工序，对表面质量的要求更高，在这方面却研究甚少。

目前，国内外用于优化及控制表面粗糙度的方法主要有神经网络算法、遗传算法及信噪比设计法。神经网络算法是通过大量处理单元相互连接形成的复杂并行网络结构，整个网络构成高度复杂的非线性系统，因此，神经网络存在学习缓慢、容易陷入局部极小以及振荡而导致难以收敛等缺陷。遗传算法是通过模拟自然进化过程搜索最优解的方法，其搜索速度较慢，稳定性差。信噪比分析方法是通过使用正交试验设计表，以信噪比作为产品稳健性的评价指标，运用统计方法进行分析，确定最佳水平组合。与神经网络算法、遗传算法相比信噪比试验设计法具有较高的精度及拟合效率[8-9]。

本文拟在上述研究基础上，以整体叶盘为研究对象，进行数控磨抛试验，对磨抛工艺参数：砂带粒度、砂带线速度及进给速度进行优化。为预测与控制表面粗糙度，优化磨抛工艺参数提供了有效、可靠的方法。

1 试验方案

试验选用自主研发七轴五联动整体叶盘数控柔性磨抛机，如图1所示。该机床进行整体叶盘叶片磨抛时，工作轴主要包括3个直线轴X、Y、Z，摆动轴A，叶片旋转轴C。

在磨抛过程中，影响表面粗糙度的工艺参数很多，本试验选取对表面粗糙度影响较大的砂带粒度、砂带线速度、进给速度为研究的工艺参数，以表面粗糙度为试验研究的结果，选取每个参数3水平，建立磨抛因素水平分布表，如表1所示，并按标准正交表L27（313）进行整体叶盘数控磨抛试验。由于砂带粒度、砂带线速度、进给速度3个因素之间相互影响，因此，在L27（313） 正交表中 9、10、12、13 列是空列，为试验误差估计项[11]。试验所采用的工件材料为钛合金TC11；接触轮硬度为35A；接触轮表面形貌为45°斜槽；磨抛次数为4次。选德国Mahr公司生产的粗糙度测量仪MarSurf M300C对整体叶盘加工后表面粗糙度进行测量，测量时每次选取叶片3个不同测试点，测量后取平均值，正交试验及测量结果如表2中所示。

图1 整体叶盘数控柔性磨抛机Fig.1 Blisk CNC flexible grinding and polishing machine

表1 磨抛因素水平分布表

表2 正交表设计试验及结果

2 磨抛工艺参数优化

2.1 信噪比优化磨抛工艺参数

信噪比是参数设计过程中衡量指标波动大小的指标。信噪比分析法是通过进行正交试验，将不可控制因素对试验结果的影响程度变换成特性值，并寻求其最小影响的设计法。其基本思想就是选择系统中参数，建立正交试验表，通过分析试验数据确定系统中所有参数的最佳组合。

根据使用条件的不同，信噪比分为望大特性、望小特性、望目特性[10]。望大特性：产品性能指标不为负值，可取0～∞任何值，期望产品性能指标越大、波动越小越好；望小特性：产品性能指标不取负值，可取0～∞任何值，期望产品性能指标越小越好，其期望值为0；望目特性：产品性能指标Y不为0，且存在某个固定的目标值，期望产品性能指标围绕目标值波动，且波动越小性能越好。

由于本文主要研究磨抛工艺参数对表面粗糙度的影响，希望粗糙度值越小越好，因此，仅对望小特性进行分析。对于望小特性而言，总期望其产品性能指标越小越好，因此，希望其期望EY和方差都越小越好，即（EY）2+ σ2=EY2越小越好，故为了得到最小指标，令（EY2）-1为信噪比，将EY2用其无偏估计 替代，再对其取对数并乘以-10，即可得到信噪比的计算公式（1）：

因素 A 在各水平下的影响力（ηA1、ηA2、ηA3）及影响力之差（Δη）可按下述公式计算：

因素B、因素C在水平下的影响力与影响力之差，与因素A计算方法相同，将各因素的影响力及影响力之差列于表3。

表3 各因素不同水平对表面粗糙度的影响力

表3表明，选取的3个磨抛工艺参数对表面粗糙度的影响从大到小依次是砂带粒度、砂带线速度、进给速度。从表3中选择影响力最大的因素水平数，即表面粗糙度最小的最优工艺参数：砂带粒度150#，砂带线速度11m/s，进给速度 0.1m/min。

2.2 试验验证

采用上述得到的最优工艺参数（砂带粒度150#、砂带线速度11m/s、进给速度0.1m/min）进行磨抛试验，试验前整体叶盘叶片表面粗糙度为1.0～1.5μm，试验结果用德国Mahr公司生产的粗糙度测量仪MarSurf M300C进行检测，如图2所示，检验其表面粗糙度为0.23μm。

试验结果表明，信噪比试验设计法得出的工艺参数对优化整体叶盘表面质量有显著的效果。图3（a）、（b）为工艺参数优化前后叶片表面对比，优化后效果显著。

图2 表面粗糙度检测Fig.2 Detection of surface roughness

图3 工艺参数优化前后叶片表面Fig.3 Blade surface before and after optimizing process parameter

3 结论

（1）通过信噪比试验设计法优化工艺参数，确定最优工艺参数为砂带粒度为150#、砂带线速度为11m/s及进给速度0.1m/min。通过试验验证，采用优化的加工参数进行磨抛试验，整体叶盘表面质量得到显著的提高；

（2）通过对比试验前后整体叶盘表面质量，揭示了信噪比试验设计法具有较高的精度。

[1] 段继豪, 史耀耀, 李小彪, 等. 整体叶盘柔性磨头自适应抛光实现方法[J]. 航空学报, 2011, 32(5)： 934-940.DUAN Jihao, SHI Yaoyao, LI Xiaobiao, et al. Adaptive polishing for blisk by flexible grinding head[J]. Acta Aeronoutica et Astronautica Sinica,2011, 32(5)： 934-940.

[2] YONGA Y, KULKARNI S S, RYS M, et al. Development of a surface roughness model in end milling of nHAP using PCD insert[J].Ceramics International, 2012, 38(8)： 6865-6871.

[3] HO W H, TSAI J T, LIN B T, et al. Adaptive network-based fuzzy inference system for prediction of surface roughness in end milling process using hybrid Taguchi-genetic learning algorithm[J]. Expert Systems with Applications, 2009, 36(2)：3216-3222.

[4] HANAFI I, KHAMLICHI A, CABRERA F M, et al. Prediction of surface roughness in turning of PEEK cf30 by using an artificial neural network[J].Journal of the Chinese Institute of Industrial Engineers, 2012,29(5)：337-347.

[5] ABOU-EL-HOSSEIN K A, MOOLA MOHAN R , GORIN A.Surface roughness prediction in the end milling parameters of aluminum nitride ceramic by response surface methodology[J]. Advanced Materials Research, 2012, 154： 626-633.

[6] WANG H, LI D. Surface roughness prediction model for ultraprecision turning aluminium alloy with a single crystal diamond tool[J].Chinese Journal of Mechanical Engineering, 2002, 15(2)：153-156.

[7] 池龙珠.磨削条件的优化及表面粗糙度的预测与控制[J].中国机械工程, 2011, 22(2)：158-161.CHI Longzhu. Optimization of grinding conditions and prediction and control of surface roughness[J]. Chinese Journal of Mechanical Engineering,2011,22(2)：158-161.

[8] 窦毅芳, 刘飞, 张为华.响应面建模方法的比较分析[J].工程设计学报, 2007, 14(5)：359-363.DOU Yifang, LIU Fei, ZHANG Weihua. Research on comparative analysis of response surface methods[J].Journal of Engineering Design,2007, 14(5)：359-363.

[9] MYERS R H, MONTGOMERY D C, Anderson-Cook C M.Response surface methodology： process and product optimization using designed experiments[M]. John Wiley & Sons, 2016.

[10] 郑少华, 姜奉华. 试验设计与数据处理[M]. 北京：中国建材工业出版社, 2004.ZHENG Shaohua, JIANG Fenghua. Experimrntal design and data processing[M]. Beijing： China Building Materials Industry Press, 2004.