钛合金TC4铣削力仿真研究与BP神经网络预测*

赵仲林，安立宝

(华北理工大学 机械工程学院，河北 唐山 063210)

0 引言

钛合金具有强度高、质量轻、耐腐蚀等优点，广泛应用于航空航天领域，但因其具有较高的化学活性与较低的导热率，表现出铣削温度高、刀具粘结严重等缺点[1]。使用有限元技术来研究TC4的铣削过程可节省大量的人力、物力资源。

李体仁等[2]采用正交试验研究了高速铣削钛合金 TC4 粗加工阶段时切削参数对切削力的影响规律，结合Pareto得出高速铣削钛合金的最优切削参数。孙鹏程等[3]通过铣削TC4实验，得出铣削力数据，采用多元线性回归分析法，建立了准确度高的各向铣削力模型。本文利用有限元软件模拟TC4铣削加工过程，建立了三维铣削模型，得到了切削速度、每齿进给量、轴向切深对铣削力的影响规律，并采用BP神经网络对TC4铣削力进行预测。该研究可为实际生产中加工参数的选择提供理论指导。

1 切削过程有限元建模

1.1 材料本构

因为铣削TC4过程会产生大的应力应变，选用Johnson-Cook本构模型来反映铣削加工过程中材料的应变硬化、应变率和热软化效应，其表达式如下：

(1)

表1 J-C本构参数

1.2 切屑分离准则

使用物理分离准则Johnson-Cook剪切失效准则，当失效参数D大于1时，实现单元的分离，形成切屑：

(2)

.

(3)

1.3 铣削有限元模型建立

通过有限元软件建立三维侧铣模型,如图1所示。利用SolidWorks建立YG8四刃立铣刀模型，刀具几何参数为：直径10 mm,螺旋角35°，后角13°，圆周刃前角10°。工件材料为TC4，长、宽、高分别为60 mm、20 mm、20 mm。铣削工艺参数如下：切削速度80 m/min，每齿进给量0.15 mm/z，轴向切深2 mm，径向切宽4 mm。干式顺铣。为缩短计算时间将TC4局部切削网格细化为0.1 mm。单元类型为C3D8RT，采用减缩积分。接触方式为YG8与TC4面面接触，约束工件6个自由度，因不考虑刀具磨损，将刀具设为刚体并耦合约束为一参考点，给予刀具转速和进给速度，模型的初始温度设置为20 ℃。

图1 铣削有限元模型

2 仿真方案与试验结果

2.1 试验方案的设计与分析

径向切宽为4 mm，刀具圆周刃前角为10°，后角为13°，采用三因素四水平正交试验，正交试验因素水平如表2所示。设计L16(34)正交试验表，进行TC4铣削仿真试验，提取铣削力数值，见表3。

表2 正交试验因素水平表

表3 TC4铣削试验结果

通过仿真试验得出铣削速度、每齿进给量、轴向切深对铣削力的影响规律，如图2所示。由图2可知：随着铣削速度的增加，TC4发生热软化效应，铣削力略微减小，当铣削速度达到120 m/min时，切削刃刀尖处会发生轻微崩刃，导致铣削力增大；随着每齿进给量、轴向切深的增加，工件的材料去除率增加，铣刀受力面积增大，均导致铣削力增大。

图2 切削用量对铣削力的影响规律

2.2 铣削应力场分析

图3为YG8铣削TC4过程中工件应力分布云图，图4为刀尖切入位置应力云图。通过图4可看出，Mises最大应力出现在第一变形区，因为在刀尖切入工件时，导致TC4发生较大塑性变形。

图3 铁削过程中工件的应力云图

图4 铁削过程中刀尖切入工件位置的应力云图

3 BP神经网络预测

Backpropagation(BP)神经网络，是一种基于误差反向传播算法的多层前馈网络[5]，本文输入21组学习样本，使用反向传播算法对网络的权值和误差进行反复调整训练，使误差沿梯度方向下降，最终确定网络收敛时的权值和阈值，完成训练。

首先将铣削力仿真试验获取的16组数据作为训练样本，再利用铣削力经验公式得到5组不同切削参数下的数据作为测试样本；之后利用MATLAB对数据进行归一化处理，设置迭代次数为1 000次，训练目标为10-3，学习率为0.01。本文选择铣削速度、每齿进给量、轴向切深为输入来预测铣削力，所以输入神经元为3，输出神经元为1，隐含层包含7个神经元，即网络结构为3-7-1，BP神经网络结构见图5，隐含层激活函数为trainlm。为了比较BP神经网络预测精度，绘制铣削力仿真值与预测值对比如图6所示，铣削力仿真值与预测值之间的最大相对误差为9.48%，因此BP神经网络预测铣削力模型具有较高精度。

图5 BP神经网络结构

图6 铣削力仿真值与预测值对比

4 结论

(1)铣削TC4过程中，铣削力随铣削速度的增加先减小后增加；随每齿进给量、轴向切深的增大而增加。采用较高切削速度、较低每齿进给量与轴向切深，可以提高TC4铣削加工效率。

(2)建立了BP神经网络预测铣削力模型，得到的铣削力数值与仿真试验值最大误差为9.48%，验证了神经网络预测模型的准确性。