ОБРАБОТКА МЕТАЛЛОВ

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.

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.