磨料水射流切割表面粗糙度的試驗(yàn)研究及工藝參數(shù)優(yōu)化*

王 軍 耿鵬飛

(①燕山大學(xué)，河北秦皇島 066004;②長城汽車股份有限公司，河北保定 071000)

磨料水射流(Abrasive Water Jet簡稱AWJ)是高速水射流與磨料混合形成液固兩相介質(zhì)的高能射流，利用高壓水和磨料動(dòng)能對(duì)材料產(chǎn)生強(qiáng)力沖蝕、剪切和磨削作用而實(shí)現(xiàn)切割，切割作用主要由磨料完成。水射流切割的特點(diǎn)是工件材料范圍廣、硬脆材料不易破碎、復(fù)合材料不產(chǎn)生分層、冷態(tài)加工無熱聚集、不改變材料力學(xué)及理化性能等。作為一種高效、節(jié)能、環(huán)保的加工手段在汽車、航空、兵器、電子等制造領(lǐng)域應(yīng)用越來越廣泛，例如:在航天航空領(lǐng)域，利用水射流切割復(fù)合材料及鈦合金提高了質(zhì)量并降低了成本［1］。

近些年，水射流加工技術(shù)在加工設(shè)備、加工機(jī)理與工藝方面都有了較大的發(fā)展。美國在水射流加工設(shè)備及加工技術(shù)上均處于國際領(lǐng)先地位;英國、德國等也進(jìn)行了較為深入的研究［2］。國內(nèi)的大連理工大學(xué)、山東大學(xué)、中國石油大學(xué)、中國礦業(yè)大學(xué)、燕山大學(xué)等高校和機(jī)械部通用機(jī)械研究所、航空工藝研究所等研究機(jī)構(gòu)也開展了水射流切割技術(shù)的研究。但國內(nèi)對(duì)高壓及超高壓泵、增壓器、密封、噴嘴等硬件研究很少，相關(guān)技術(shù)與國外尚有較大差距。

水射流切割技術(shù)研究內(nèi)容主要包括:(1)水射流加工機(jī)理研究。對(duì)此研究者提出了不同的理論，尚未形成一致觀點(diǎn)。比較公認(rèn)的觀點(diǎn)是美國學(xué)者M(jìn).Hash-ish提出的針對(duì)韌性材料的剪切沖蝕和變形磨損理論。(2)水射流切割工藝、切割效率及切割表面質(zhì)量的研究。M.Hashish試驗(yàn)研究了磨料水射流切割斷面形貌特征;F.L.Chen和楊林等對(duì)切割斷面條紋形成機(jī)理進(jìn)行了分析;D.S.Srinivasu等建立了基于人工神經(jīng)網(wǎng)絡(luò)的磨料水射流切割深度預(yù)測模型;張鳳蓮提出一種模糊邏輯理論與遺傳算法相結(jié)合的混合方法，在切割厚度較小條件下可以對(duì)磨料水射流切割工藝參數(shù)進(jìn)行優(yōu)選。(3)切割新方法的研究。L.Chen、E.Siores、J.Wang研究了傾角切割;E.Lemma研究了噴咀擺動(dòng)切割技術(shù);M.Hashish、J.Wang提出了多次切割技術(shù)。新的切割方法使切割效率或表面質(zhì)量有不同程度的提高［3－7］。

本文在已有研究的基礎(chǔ)上，綜合分析了切割斷面特征及形成機(jī)理;試驗(yàn)研究了磨料水射流切割主要工藝參數(shù)對(duì)表面粗糙度的影響規(guī)律;在試驗(yàn)數(shù)據(jù)基礎(chǔ)上利用神經(jīng)網(wǎng)絡(luò)與遺傳算法相混合的方法對(duì)磨料水射流切割工藝參數(shù)進(jìn)行優(yōu)化，為水射流切割參數(shù)選擇提供依據(jù)和方法。

1 磨料水射流切割斷面特征及形成機(jī)理

水射流切割存在著一共有現(xiàn)象，即當(dāng)切割厚度較大時(shí)，切割斷面上部區(qū)域較光滑而下部區(qū)域則有條紋生成，如圖1試樣所示。各國學(xué)者對(duì)切割斷面條紋形成機(jī)理進(jìn)行了研究，但尚未形成統(tǒng)一理論和觀點(diǎn)，其中影響較大的是Hashish提出的切割條紋是磨料水射流切割固有屬性的觀點(diǎn)。

通過試驗(yàn)證明條紋的形成是磨料水射流切割過程中的固有特征，材料的去除過程是一個(gè)循環(huán)侵入的過程。包括兩個(gè)切割區(qū)，分別為切割磨削區(qū)和變形磨削區(qū)，兩個(gè)切割區(qū)的劃分如圖2所示。條紋的產(chǎn)生是材料破壞方式的改變而引起的，在上部“切割磨削區(qū)”，材料的去除是由于磨粒小角度(射流與工件表面的法向夾角)撞擊切割表面;在下部“變形磨削區(qū)”，材料去除是由于射流的不穩(wěn)定和不連續(xù)，導(dǎo)致磨粒大角度撞擊切割表面產(chǎn)生條紋或波紋。

由此可見，利用水射流切割應(yīng)根據(jù)機(jī)床的切割能力控制工件厚度盡量小于斷面光滑區(qū)深度。若條紋已產(chǎn)生，可考慮二次加工去除或減小條紋，改善切割表面質(zhì)量。

2 磨料水射流切割表面粗糙度試驗(yàn)

2.1 試驗(yàn)條件

試驗(yàn)采用國內(nèi)某廠生產(chǎn)的1530BA型龍門式磨料水射流切割機(jī)床，如圖3所示。該機(jī)床磨料的加入方式為后混合式。最大水壓力為400 MPa，水噴嘴直徑 0.3 mm，磨料噴嘴(砂管)直徑0.8 mm，切割角度0°(噴嘴垂直工件表面)，磨料選用80目石榴石。工件材料為304不銹鋼。

磨料水射流切割工藝參數(shù)分為射流系統(tǒng)參數(shù)和機(jī)械系統(tǒng)參數(shù)。本研究對(duì)主要工藝參數(shù)與表面粗糙度的影響關(guān)系進(jìn)行單因素試驗(yàn)，包括水壓力、磨料流量、切割速度和靶距。單因素試驗(yàn)中其他參數(shù)為定值，數(shù)值如表1所示。切割試樣如圖1所示。利用Taylor Hobson輪廓儀對(duì)切割表面光滑區(qū)的粗糙度進(jìn)行測量。

表1 單因素試驗(yàn)的固定參數(shù)值

2.2 水壓力對(duì)表面粗糙度的影響

試驗(yàn)中定值參數(shù)按表1取值，變化水壓力進(jìn)行切割。利用Taylor Hobson輪廓儀測量的粗糙度曲線示例如圖4所示，不同水壓力下的粗糙度如圖5所示。

圖5中3條線分別為切割斷面不同切割深度(1 mm、5 mm、8 mm)處的斷面粗糙度。斷面光滑區(qū)的粗糙度值隨著切割深度的增加而逐漸變大。粗糙度值均隨著水壓力的增大而減小。其原因是水壓力增大，射流速度提高，磨粒動(dòng)能增加，射流的切割能力增強(qiáng)，切割深度增大，光滑區(qū)深度也相應(yīng)增大。但切割深度越小，這種影響越小，如切割深度為1 mm處的粗糙度受水壓力的影響不明顯，幾乎不發(fā)生趨勢(shì)性變化。

2.3 磨料流量對(duì)表面粗糙度的影響

變化磨料流量進(jìn)行切割試驗(yàn)，磨料流量對(duì)表面粗糙度的影響關(guān)系如圖6所示。

由圖6可見，表面粗糙度值隨著磨料流量的增大而減小，但隨著磨料流量的進(jìn)一步增大，粗糙度減小趨勢(shì)變緩。磨料流量的增大，增加了單位時(shí)間內(nèi)去除工件的磨粒數(shù)量，增強(qiáng)了射流的切割能力。磨料流量的進(jìn)一步增大，磨粒在砂管中碰撞破碎的幾率增大;磨粒數(shù)量增多，單個(gè)磨粒動(dòng)能減小，磨料總的切割動(dòng)能增加量減小甚至不再增加，故粗糙度變化不大。

2.4 切割速度對(duì)表面粗糙度的影響

變化切割速度進(jìn)行切割試驗(yàn)，切割速度與表面粗糙度的關(guān)系如圖7所示。

圖7中，表面粗糙度值隨著切割速度的增大而增大。切割速度是水射流切割參數(shù)中唯一與時(shí)間有關(guān)的參數(shù)，切割速度增加，射流與工件的作用時(shí)間減少，使參與切割的磨粒數(shù)量減少。切割速度較低時(shí)，較多的磨粒參與切割與拋磨，故低速切割有助于減小表面粗糙度值。

2.5 靶距對(duì)表面粗糙度的影響

變化靶距進(jìn)行切割試驗(yàn)，靶距與表面粗糙度的關(guān)系如圖8所示。

存在著一個(gè)最佳靶距使表面粗糙度值最小。靶距影響射流速度和射流的作用面積。切割能量的大小主要取決于射流速度。研究表明射流從磨料噴嘴噴出時(shí)，射流中磨粒的速度未達(dá)到最大，尚需要一段加速距離，磨粒存在先加速后減速的過程［2］;另外，射流呈發(fā)散狀，靶距增大會(huì)使射流與靶距材料作用面積增大，降低射流作業(yè)區(qū)能量密度。兩方面綜合影響使靶距存在最佳值，其中射流速度起主要作用。

3 工藝參數(shù)的優(yōu)化

3.1 工藝參數(shù)優(yōu)化方法

切割工藝參數(shù)與切割性能指標(biāo)之間往往不存在連續(xù)的函數(shù)關(guān)系，大部分優(yōu)化模型建立在近似函數(shù)基礎(chǔ)上，故不能準(zhǔn)確反映二者之間的關(guān)系。人工神經(jīng)網(wǎng)絡(luò)因其具有較強(qiáng)的非線性映射能力，通過采集試驗(yàn)數(shù)據(jù)，可以建立完整的具有良好性能的模型。前饋型反向傳播算法(BP)神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)嚴(yán)謹(jǐn)、工作狀態(tài)穩(wěn)定、可操作性強(qiáng)等特點(diǎn)，隱含層節(jié)點(diǎn)的引入能夠使任意一個(gè)三層及多層網(wǎng)絡(luò)以任意精度逼近任何連續(xù)函數(shù)。故本文采用BP神經(jīng)網(wǎng)絡(luò)建立相關(guān)模型。單純使用神經(jīng)網(wǎng)絡(luò)只能建立關(guān)系模型，尚不能構(gòu)成優(yōu)化系統(tǒng)。

遺傳算法(GA)能夠完成目標(biāo)優(yōu)化，且操作性好，通用性強(qiáng)。但利用遺傳算法進(jìn)行目標(biāo)優(yōu)化存在的問題是難以獲得適應(yīng)度函數(shù)對(duì)優(yōu)化結(jié)果進(jìn)行評(píng)估。將BP神經(jīng)網(wǎng)絡(luò)與遺傳算法混合應(yīng)用可解決這一問題。首先利用BP神經(jīng)網(wǎng)絡(luò)建立輸入變量與目標(biāo)變量之間的映射關(guān)系，利用此模型作為遺傳算法中的適應(yīng)度函數(shù)進(jìn)行優(yōu)化處理;其次，利用遺傳算法的目標(biāo)優(yōu)化功能獲得目標(biāo)最優(yōu)解。其流程如圖9所示。

3.2 優(yōu)化實(shí)例

切割304不銹鋼，以切割斷面光滑區(qū)的表面粗糙度作為優(yōu)化目標(biāo)，優(yōu)化變量包括水壓力、磨料流量、切割速度和靶距。進(jìn)行磨料水射流切割工藝參數(shù)試驗(yàn)，共獲得78組試驗(yàn)樣本數(shù)據(jù)，其中70組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，其余8組數(shù)據(jù)作為檢測樣本用于檢測網(wǎng)絡(luò)精度。

為保證網(wǎng)絡(luò)計(jì)算收斂，對(duì)學(xué)習(xí)樣本數(shù)據(jù)進(jìn)行歸一化處理，使所得數(shù)據(jù)在［0，1］之間。因滿足tansig函數(shù)的輸出需求，網(wǎng)絡(luò)隱含層神經(jīng)元的傳遞函數(shù)為雙曲正切函數(shù)，輸出層神經(jīng)元的傳遞函數(shù)為線性傳遞函數(shù)purelin。標(biāo)準(zhǔn)的BP算法易陷入局部最小且訓(xùn)練時(shí)間較長，為了提高網(wǎng)絡(luò)學(xué)習(xí)速度和可靠性，采用基于數(shù)值優(yōu)化的Levenberg－Marquardt快速算法。

采用單隱層結(jié)構(gòu)來逼近一個(gè)函數(shù)，根據(jù)隱含層設(shè)計(jì)經(jīng)驗(yàn)公式，隱含層神經(jīng)元個(gè)數(shù)在6～18之間。設(shè)計(jì)一個(gè)隱含層神經(jīng)元數(shù)目可變的神經(jīng)網(wǎng)絡(luò)，通過誤差對(duì)比，確定最佳隱含層神經(jīng)元個(gè)數(shù)。應(yīng)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱編寫網(wǎng)絡(luò)設(shè)計(jì)和訓(xùn)練代碼。由運(yùn)行結(jié)果得知，當(dāng)隱含層神經(jīng)元數(shù)為11個(gè)時(shí)，BP網(wǎng)絡(luò)訓(xùn)練誤差最小，且收斂速度較快。因此，該神經(jīng)網(wǎng)絡(luò)的最終結(jié)構(gòu)如表2所示。其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖10所示。

表2 網(wǎng)絡(luò)最終結(jié)構(gòu)

用遺傳算法對(duì)建立的網(wǎng)絡(luò)模型尋優(yōu)，以BP神經(jīng)網(wǎng)絡(luò)模型的實(shí)際仿真結(jié)果相反數(shù)作為適應(yīng)度函數(shù)，初始種群大小為40，交叉概率為0.8，變異概率為0.1，迭代次數(shù)為500，采用MATLAB進(jìn)行編程，對(duì)切割工藝參數(shù)進(jìn)行優(yōu)化。

切割參數(shù)取值范圍:水壓力為240～380 MPa;磨料流量為50～250 g/min;切割速度為10～200 mm/min;靶距為2～6 mm。運(yùn)行結(jié)果顯示，經(jīng)過60次迭代解的平均值進(jìn)步不再變化，趨于一條直線，獲得優(yōu)化解:水壓力為375 MPa，磨料流量為224 g/min，切割速度14.4 mm/min，靶距為3.8 mm。以優(yōu)化參數(shù)作為輸入值，用本文建立的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測表面粗糙度是 1.71 μm。

采用優(yōu)化參數(shù)進(jìn)行切割試驗(yàn)，試驗(yàn)測得的表面粗糙度是1.86 μm。用本文提出的混合優(yōu)化方法和神經(jīng)網(wǎng)絡(luò)模型預(yù)測的結(jié)果，與實(shí)際切割加工結(jié)果誤差是0.15 μm。該誤差主要是建立BP神經(jīng)網(wǎng)絡(luò)時(shí)產(chǎn)生的，可以通過進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)模型精度減小誤差。

4 結(jié)語

通過對(duì)磨料水射流切割表面粗糙度的試驗(yàn)研究及工藝參數(shù)優(yōu)化得到如下結(jié)論:

(1)增大水壓力和降低切割速度都能夠有效減小表面粗糙度值，增大水壓力可提高磨粒動(dòng)能;降低切割速度則是增加了磨料與工件的作用時(shí)間，對(duì)已切割表面進(jìn)行拋光。存在最佳磨料流量與靶距使表面粗糙度值最小。

(2)利用神經(jīng)網(wǎng)絡(luò)和遺傳算法混合的優(yōu)化方法對(duì)磨料水射流切割工藝參數(shù)進(jìn)行優(yōu)化，充分利用了BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力和遺傳算法的隨機(jī)、并行和自適應(yīng)搜索等特點(diǎn)，優(yōu)化實(shí)例證明該方法可行、有效。為磨料水射流切割工藝參數(shù)的選擇提供一種新的優(yōu)化方法。

［1］Janet Folkes.Waterjet－ An innovative tool for manufacturing［J］.Journal of Materials Processing Technology，2011，209:6181－6189.

［2］Mustafa Kemal Kulekci.Processes and apparatus developments in industrial waterjet applications［J］.International Journal of Machine Tools ＆Manufacture，2008，42(2):1297 －1306.

［3］Hashish M.Characteristics of surface machined with abrasive－waterjets［J］.ASME Journal of Manufacturing Science and Engineering，1991，113:354－362.

［4］Chen F L，Wang J，Lemma E，et al.Striation formation mechanisms on the jet cutting surface［J］.Journal of Materials Processing Technology ，2003，141:213 －218.

［5］楊林，張鳳蓮，唐川林.超高壓磨料水射流切割質(zhì)量的實(shí)驗(yàn)研究［J］.制造技術(shù)與機(jī)床，2004(5):72－75.

［6］Srinivasu D S，Axinte D A，Shipway P H.Influence of kinematic operating parameters on kerf geometry in abrasive waterjet machining of silicon carbide ceramics［J］.International Journal of Machine Tools ＆Manufacture ，2009，49:1077 －1088.

［7］馮衍霞，黃傳真，Wang Jun，等.磨料水射流切割陶瓷材料的加工表面質(zhì)量研究［J］.制造技術(shù)與機(jī)床，2007(1):80－82.