基于响应表面法的钛合金零件磨抛加工工艺参数优化

《基于响应表面法的钛合金零件磨抛加工工艺参数优化》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、研究论文基于响应表面法的钛合金零件磨抛加工工艺参数优化杜华鹏1，陈杰1，郭东亮1，王德廷1，谢成雨2，李洋1(1．天津航天长征火箭制造有限公司，天津300462；2．北华航天工业学院机电工程学院，廊坊065000)[摘要】钛合金的化学活性高、热导率低、弹性模量小，是一种典型的难加工材料。随着工业技术的发展，现代工业对钛合金的表面质量提出了更高的要求，因此，对于钛合金磨抛y)口-r这种能够获取高表面质量的加工方法的研究显得非常重要。采用Box．Behnken试验设计方法，进行了工艺参数对表面粗糙度的

2、影响试验，然后基于响应表面法，建立了钛合金磨抛加工表面粗糙度二阶预测模型，并对工艺参数进行了优化。关键词：钛合金；磨抛加工；响应表面法；方差分析；参数优化ResearchonRSM-BasedProcessParameterOptimizationofTitaniumAlloySurfacePolishingDUHuapen91，CHENJiel，GUODonglian91，WANGDetin91，XIEChengyu2，LIYan91(1．TianjinLongMarchLaunchVehicl

3、eManufacturingCo．Ltd．，Tianjin300462，China；2．MechanicalEngineeringDepartment，NorthChinaInstituteofAerospaceEngineering，Langfang065000，China)【ABSTRACT】Titaniumalloyiswellknownasakindofdifficulttomachinematerialbecauseofitshighchemicalactiv-ity,lowtherma

4、lconductivity,andsmallelasticmodule．Withthedevelopmentoftheindustrialtechnology,thereisahigherdemandforthesurfaceintegrityoftitaniumalloysinmodemindustry,SOitisveryimportanttoinvestigatethegrindingandpolishingmethod，whichisamethodtogetabettersurfaceof

5、thetitaniumalloys．AnexperimentontheinfluenceofthemachiningparametersonsurfaceroughnessiscarriedoutusingtheBox—BehnkenDesign(BBD)，thenaquadraticpre-dictivemeodelofsurfaceroughnessbasedonresponsesurfacemethod(RSM)isbuilt．Theoptimumvaluesofmachiningparam

6、eterswimrespecttoR。arefoundthroughoptimization．Keywords：Titaniumalloy；Grindingandpolishing；RSM；Analysisofvafiance；ParameteroptimizationDoI：10．16080／j．issnl671-833x．2017．09．079钛合金的比强度高，密度小，耐高温、耐腐蚀性好，具有良好的机械、力学性能，被广泛应用于现代工业领域，是国防工业不可或缺的材料。例如，在航天领域，钛合金零件

7、是火箭结构中不可或缺的重要结构承力件，而这些零件的某些重要表面对几何精度和表面完整性要求很高，磨抛加工的效果对钛合金工件的使用性能有着直接的影响。然而，钛合金属于典型的难加工材料，磨抛加工性能很差⋯。近年来，国内外学者对钛合金零件的磨抛加工进行了大量研究，取得了一定成果，主要集中在砂轮抛光和砂带抛光的比较旺】、砂轮特性参数的选择【3】、砂轮的粘附及抑制措施H、磨具的磨损【51以及磨抛加工温度的研究陋1等方面。但是对于磨抛钛合金零件过程中加工参数优化的研究很少。响应表面法是在1950年由Box和Wi

8、lson提出的，它是一种能够解决多变量问题的稳健设计方法，利用合理的试验设计，采用回归方程拟合试验因素和响应表面之间的函数关系，通过对回归方程的分析获取最优的工艺参数组合口】。响应表面法在工程问题中已经得到越来越广泛的应用[8-9]o对切削参数的优化选择，许多专家学者做了大量工作。运用的方法主要有线性回归分析【l01、人工神经网络智能预测系统””等，前一种方法的建模精度还不能满足表面粗糙度预测的要求；而用神经网络建立模型时，存在着网络内部单元意义不明确、难以表达结构化知识、训练时间