淺談表面粗糙度的影響因素及預測的國內外研究現狀

姜鑫旭 趙辛藝

【摘 要】表面粗糙度對零件的使用和壽命有很大影響，正確、合理地選用表面粗糙度數值，可以減少零件的加工費用，提高零件的使用壽命。做好表面粗糙度的影響因素個預測研究，對提高工件的生產效率，豐富切削理論，具有重大的意義。

【關鍵詞】表面粗糙度;影響因素;表面粗糙度預測

表面粗糙度是指表面的微觀幾何形狀的立體性和間距性。表面粗糙度對零件的使用和壽命有很大影響，正確、合理地選用表面粗糙度數值，可以減少零件的加工費用，提高零件的使用壽命。例如淬硬鋼塑料模具的高速銑削加工就是通過銑削加工的相關參數設置控制好加工件的表面粗糙度、進而獲得較好的加工表面質量直接進行使用，避免了對部件進行表面處理加工，這樣提高了工件的加工效率、減少污染、節省能源，對加工件表面粗糙度的預測和控制已成為我國模具制造業重點研究和發展的關鍵技術之一。因此做好表面粗糙度的預測和控制研究，對提高工件的生產效率，豐富切削理論，具有重大的經濟價值和深遠的社會意義。如何建立精確的表面粗糙度預測模型，提高加工效率，縮減加工成本，是國內、外研究人員的努力方向，并且已經為之奮斗，本文簡要介紹了目前國內外在這一領域的研究成果和發展方向。

1表面粗糙度的產生機制及其影響因素

1.1表面粗糙度的產生機制

在進行切削加工時，刀具和工件之間一定有相對運動，而且它們的形狀多樣，這就造成了被加工件表面不能被完整的切除，遺留下來的這部分稱之為殘留面積，其幾何形狀直接影響已加工表面的粗糙度。

1.2 影響表面粗糙度的因素

通過查閱資料，切削參數對表面粗糙度的影響很大，但是不同的實驗表明，切削參數對表面粗糙度的影響程度不同，無法確定主要因素。一般遵循以下規律：表面粗糙度首先隨著主軸轉速的提高而不斷增大，然后隨著主軸轉速的增大而減小;表面粗糙度都隨著每齒進給量的不斷增加呈上升趨勢;隨著切削深度的增大，加工表面的粗糙度先減小后增大。

張宏基等在給定高速銑削工藝參數范圍內通過對 AM50A 鎂合金已加工表面粗糙度測量，研究了銑削參數對表面粗糙度的影響規律。研究表明，在銑削深度和進給速度一定的情況下隨著主軸轉速的增大 AM50A 鎂合金表面質量變好，隨著進給速度增大，AM50A 鎂合金銑削表面質量變差。當主軸轉速大于 12 000 r / min、銑削深度小于 0.2 mm、進給速度小于 400 mm/min 的情況下，得到的表面質量較好。蔡明等研究了單晶鋁微尺度銑削的表面質量，研究表明，對其表面質量的影響從大到小為：主軸轉速>進給速度>銑削深度;得到的最優工藝參數組合為：主軸轉速為 36000r/min，銑削深度為 10μm，進給速度為 80μm/s，此時單晶鋁的表面質量最好。分別得到主軸轉速、銑削深度和進給速度對表面質量的影響規律。孫士雷等進行了高溫合金 GH4169高速銑削表面粗糙度的研究，結果表明，影響表面粗糙度的主要因素依次為銑削深度、每齒進給量、銑削速度;隨著銑削速度的增加，加工表面粗糙度逐漸減小，而隨著銑削深度和每齒進給量的增加，加工表面粗糙度逐漸變大。張燦果等進行了高速銑削淬硬鋼表面粗糙度的研究，結果表明被加工零件表面粗糙度受進給量影響最大，其次是切削速度，影響最小的是切削深度。

K.S.Bansode等通過RSM法研究了MQL工藝下OHNS鋼高速銑削表面粗糙度，結果表明，隨著切削速度的增加，表面光潔度提高。Bheem Singh Rajpoot等研究了工藝參數對端部銑削加工產生的表面粗糙度指標的影響，結果表明，切削速度對表面粗糙度參數影響不大。Kamal Othman等研究了超共晶鋁硅A390在高速銑削中的表面粗糙度，結果表明，對表面粗糙度有重要影響的因素有切削速度和進給速度。Amit Moray等研究了銑削加工過程中切削參數對表面粗糙度的影響，結果表明，表面粗糙度隨進給深度和切削深度的增加而增大，但隨切削速度的增加而減小。

2.表面粗糙度預測的研究進展

切削過程具有復雜性和不確定性，建立的模型對實際工況進行了較大的簡化處理，但是在加工前能對形成的結果能有一個大致的了解，再結合實際情況，對模型進行優化，提高模型的預測精度。

2.1表面粗糙度的預測

王素玉等基于概率統計和回歸分析原理，以軸向切深、主軸轉速、進給速度、徑向切深4個參數建立了表面粗糙度預測模型，并對回歸方程和回歸系數分別進行了顯著性檢驗，結果表明，所建兩個預測模型的精準度很高，基本符合實際。石文天等基于二階響應曲面法建立了表面粗糙度預測模型，采用最小二乘估計得出回歸系數，對回歸方程進行了顯著性檢驗，結果表明，二次響應曲面法預測模型回歸顯著，置信度高，可以用于進行加工前的切削參數選擇，以達到對表面粗糙度進行預測和控制的目的。陳濤等運用反應曲面法（RSM）建立了硬態切削表面粗糙度預測模型，并進行了檢驗，結果表明，二次模型和一次模型都能精準預測表面粗糙度，但是二次模型預測預測精度更高。李國發等建立了外圓縱向磨削表面粗糙度的進化神經網絡預測模型，結果表明，基于進化計算的BP神經網絡可以克服單純使用BP神經網絡易陷入局部極小值等問題，預測精度較高，對提高外圓縱向磨削加工的自動化程度具有重要的意義。吳德會將一種基于最小二乘支持向量機的預測模型引入銑削加工領域，結果表明，基于最小二乘支持向量機方法建模速度快、預測精度高、適合加工表面粗糙度預測。

NSK Reddy等利用響應面法建立了表面粗糙度預測的數學模型，并采用遺傳算法對表面粗糙度模型進行了優化。這種方法有助于獲得最佳的刀具幾何形狀和干燥銑削的切削條件。NSK Reddy等在實驗結果的基礎上，采用響應面法（RSM）建立了基于加工參數的一階和二階數學模型，用于表面粗糙度的預測。通過卡方檢驗，驗證了所選優化模型的有效性。通過方差分析，確定了這些參數對表面粗糙度的影響。利用遺傳算法對表面粗糙度預測模型進行了優化。該程序給出了表面粗糙度的最小值及其各自的最佳條件。MRG Krishna等利用神經解包建立了多感知器神經網絡模型。采用遺傳算法的思想對網絡的權重因子進行優化。實驗結果與網絡模型結果比較表明，所建立的模型在適當誤差范圍內。Manabe等通過考慮表面粗糙度的有限元模擬，模擬了兩階段微深拉深過程中刀具表面粗糙度對拉深杯表面質量的影響。P Mu?oz-Escalona等建立了方形鑲齒銑削加工表面粗糙度預測的幾何模型。該模型是基于對加工表面留下的刀具痕跡的幾何分析。結果表明，與實驗數據相比，所建立的模型在預測表面粗糙度方面具有良好的性能，準確率接近98%。

3.結語

表面粗糙度的相關研究方方面面，表征方式和方法各式各樣，預測方法層出不窮，但是研究的核心基本沒有改變，預測的結果還是與實際有所差異，今后的努力方向是，突破現有瓶頸，建立一種高精準的模型，更加貼合實際，從而指導設置更加精準的加工參數，以獲取高質量的加工表面，提高加工生產效率，豐富切削相關理論。

參考文獻：

[1] 張宏基，葛媛媛，唐虹，史耀耀，李增生.高速銑削工藝參數對AM50A鎂合金銑削力和表面形貌的影響[J].西北工業大學學報，2018，36（01）：124-131.

（作者單位：佳木斯大學）