高溫合金機器人柔性磨削表面完整性研究進展*

3

（1.上海交通大學材料科學與工程學院，上海 200240；2.新加坡國立大學機械工程系，新加坡 117575；3.斯威本科技大學理工學院，墨爾本 VIC 3122）

高溫合金是指以鐵、鎳、鈷為基礎，能在600℃以上的高溫及一定應力作用下長期工作的一類金屬材料，具有優異的綜合性能[1]，高溫合金常見類型如表1所示[1–2]。作為航空發動機的關鍵材料，高溫合金主要用于葉片、機匣、機盤、燃燒室等部件的制造及其高性能修復[3–6]。當前，這些部件的制造及其高性能修復是國家的重大需求之一[7–8]。

表1 高溫合金類型與典型型號Table 1 Superalloys types and typical grades

磨削作為機加工的最后一道工序，在航空發動機部件等高溫合金的制造與修復中發揮著重要作用。機器人柔性磨削靈活性強，擴展性高，對部件損傷小，因此廣泛應用于形狀復雜、難加工高溫合金部件的磨削中[9–11]。當前，機器人的定位精度與重復精度不斷提高，基于人工智能的算法層出不窮，進一步促進了機器人柔性智能磨削的應用與發展[12]。另一方面，大量的理論研究與工程實踐表明，由于磨削過程復雜而強烈的力–熱耦合作用，部件磨削區域的表面形貌[13]、組織結構[7]及應力狀態[14]等表面完整性會發生明顯的變化，而表面完整性與部件的力學性能和抗腐蝕性能等關系密切，從而影響部件在使用過程中的摩擦、振動、穩定性以及壽命等使役性能，直接關系到設備與系統的運行安全[15–18]。因此，磨削加工表面完整性的控制至關重要。

目前，常用的機器人柔性磨削的智能控制方法主要是基于數據驅動模型，即黑箱模型，基于直接采集的試驗數據訓練模型，得到模型參數，進而預測磨削去除量[19–21]、表面粗糙度[22–24]以及工具狀態[10,25–26]等指標。然而，制造條件和材料多樣性所導致的模型低效性、實際生產過程中難以獲得大量訓練數據、訓練所得模型可解釋性差以及在磨削復雜幾何形狀部件時的低精度，這些固有的局限性限制了純數據驅動的黑箱模型在柔性磨削中的廣泛應用[27–28]。

因此，磨削表面完整性智能控制算法需要從目前的“純數據驅動模型”向“知識驅動模型+數據驅動模型”的方向轉換。其中，“知識驅動模型”的本質即描述磨削力、熱、材料去除、微結構演變等過程參數的數理模型。闡明加工過程中工件磨削區表面完整性的演變機理，構建“柔性磨削參數力熱耦合場–表面完整性預測與調控”的數理模型，是實現柔性磨削質量控制的基礎性工作，是連接表面完整性控制和智能磨削算法的橋梁，將顯著提升磨削智能控制模型的泛化能力與效率。

本文概述了柔性磨削的特點與機器人柔性磨削系統的組成，重點介紹了磨削過程的智能控制模型算法；從表面形貌、應力狀態及組織結構3個方面總結了柔性磨削表面完整性近年來具有代表性的工作，介紹了一些砂輪磨削中部分經典的模型，這些模型的建模思路可被柔性磨削借鑒；最后梳理了磨削表面完整性對高溫合金部件力學性能與抗腐蝕性能的影響規律的相關研究，并對高溫合金機器人柔性精密磨削表面完整性未來的研究方向與挑戰進行了展望。

機器人柔性磨削特點與系統組成

1 特點

柔性磨拋是指依靠一個或多個系統元件以可控、可逆的方式與工件表面相適應的一類精細材料加工方法[29]，有別于傳統的剛性砂輪磨削和拋光。目前廣泛使用的柔性磨削工具為砂帶磨削、形狀自適應磨削（Shape adaptive grinding, SAG）、磨削盤與橡膠基閥蓋工具等，如圖1所示[7，30–31]。

圖1 柔性磨削工具Fig.1 Compliant grinding tools

相比于剛性砂輪磨削，柔性磨削工具在加工過程中會發生明顯的彈性變形，擁有良好的柔順性，與部件表面貼合性好；同時，在磨削過程中傳入部件的熱流比例較低，對部件損傷較小。而在剛性磨削中，偏置的剛性工具迫使大磨粒切入部件，使磨削力迅速上升、磨削區過熱，導致磨削表面及次表面產生損傷[32–34]。此外，由于彈性變形可以“吸收”工件不規則表面對加工過程的擾動，因此柔性磨削機構的剛度要求明顯低于砂輪磨削機構的要求[32]。

然而，彈性變形亦使磨削過程與表面質量的控制變得復雜。微觀上，每個磨粒與工具接觸時均會發生彈性變形，剛性磨削中基于工具偏置量與磨粒統計學參數對材料去除機理以及磨削力熱場的建模方法不再適用，在建模過程中必須將磨粒的壓力分布作為關鍵因素考慮。宏觀上，工具的變形相當于為磨削機構引入了一個額外的自由度，并且去除率不再僅由工具的偏置量決定。在給定的偏置量下，工具與工件的接觸區可分為切削、耕犁與滑擦區域，且切削區材料去除量從中心向邊緣逐漸減少，如圖2所示[32]。綜合微觀與宏觀特點，柔性磨削過程控制與磨削機理的建模，必須將工具的彈性變形作為一個關鍵參數。

圖2 SAG磨削過程原理與材料去除區域宏觀劃分Fig.2 Principle of SAG process and macroscopic division of material removal domains

工業機器人是目前廣泛應用的柔性制造單元，可以方便地集成多種傳感器與智能控制算法，實現基于多信息融合的智能加工實時控制。因此，柔性磨削工具與機器人融合使用，可以拓寬柔性智能磨削加工的應用領域，提高難加工、形狀復雜高溫合金部件的加工質量與效率。

2 系統組成

機器人柔性磨削系統由控制軟件與硬件組成，其中硬件可分為兩大系統，即由工業機器人、磨削工具與PLC 控制柜等組成的加工系統，以及多種傳感器、數據采集與轉換設備、數據分析與控制反饋等設備組成的監控系統。典型的機器人智能砂帶磨削硬件系統如圖3所示。

圖3 機器人智能砂帶磨削系統Fig.3 Robotic intelligent belt grinding system

對于硬件部分，在加工系統中，機器人控制柜控制工業機器人各個關節的運動，PLC 控制柜可以與機器人控制柜通信，從而控制砂帶機、拋光機、磨削頭機與自動上料臺等加工工具與機器人協同工作。在監控系統中，機器人末端與磨削區域附近布置力傳感器、紅外相機、熱電偶、麥克風、聲發射、高速相機與三維輪廓儀等多種傳感器，用于監控磨削力、磨削溫度、磨削聲音、砂帶磨損與材料去除量等過程參數，這些數據通過數據采集、調理、轉換等處理后傳入工控機。傳入工控機的數據由控制軟件負責分析處理。磨削部件表面完整性（如表面形貌、組織結構及應力狀態等）與尺寸精度是磨削的結果參數，分別由磨削力–熱耦合場與材料去除量決定。因此，過程參數是聯系結果參數與磨削參數的橋梁。工控機中對應的智能模型算法會基于預先建立的模型（知識驅動模型/數據驅動模型）對傳入的過程參數數據進行分析，對磨削過程狀態進行判斷、預測，基于分析預測結果通過控制軟件向加工系統控制單元（PLC控制柜與機器人控制柜）發出控制指令，從而控制接觸壓力、砂帶轉速、進給速度、部件姿態等磨削參數，并對磨削工具工作狀態做出評價與預測，如圖4所示。

模型算法是機器人柔性磨削智能控制的核心部分，決定了磨削的質量與效率。目前智能控制算法主要有經典反饋控制與PID 控制[35]、模糊控制[36]等傳統控制方法，以及人工智能相關算法，如卷積神經網絡[37]、XGBoost[19]、支持向量機[38]、支持向量回歸[39]、多元線性回歸[25]、隨機森林[40]、貝葉斯網絡[41]、最優剪枝極限學習機[26]等。然而上述算法模型的基本工作邏輯為圖5所示的純數據驅動，模型本身沒有磨削過程物理實質的支撐，因此，模型的可解釋性差，泛化性與控制效率都較低。而以知識驅動模型為核心的智能控制算法，憑借著磨削過程物理實質的支撐，可以很好地避免純數據驅動模型的弊端。其工作邏輯如圖6所示，基于知識+數據驅動的模型，既可由磨削參數預測磨削質量，亦可根據磨削需求確定磨削參數，結合多信息融合監控，實現磨削的高質量高效控制。

因此，亟需建立“柔性磨削參數–表面完整性預測與調控”的知識模型，這是機器人柔性磨削系統的核心組成部分，是實現磨削過程智能高效控制的關鍵。

磨削表面完整性影響因素與理論建模

1 表面完整性指標

表面完整性又稱表面層質量，用于衡量部件機加工后表面與次表面（幾十至幾百微米）質量。早在1964年，Field 等[42]將表面完整性定義為“經過機加工或其他表面加工技術處理后的表面，所固有的或者增強了的狀態”，該定義沒有限制表面處理的具體方法，因此涵蓋的范圍非常廣泛。

目前，在磨削與切削領域，部件表面完整性主要從表面形貌、應力狀態與組織結構（又稱化學與冶金狀態）等3 個方面定義[43]，如表2所示。其中，表面形貌主要包括部件表面粗糙度與劃痕、燒損、與微裂紋等指標；應力狀態主要包括殘余應力等指標；組織結構主要包括晶粒微結構（尺寸、分布與形狀）、晶體缺陷、相變以及顯微硬度等指標。3 者之間會互相影響，共同決定磨削部件的表面完整性。

圖4 機器人柔性磨削智能控制流程圖Fig.4 Robotic compliant grinding intelligent control flow chart

圖5 純數據驅動控制算法模型工作邏輯Fig.5 Control logic of data-driven algorithm model

圖6 知識驅動+數據驅動控制算法模型工作邏輯Fig.6 Control logic of knowledge-driven + data-driven algorithm model

表2 磨削工件表面完整性主要指標Table 2 Indexes of grinding workpiece surface integrity

2 表面形貌

部件的表面形貌很大程度上決定了部件的外形質量與使用壽命，其受到工具彈性變形、磨粒的大小與形狀、磨削工具的狀態、磨削速率、磨削壓力、磨削時間、散熱條件等參數的影響。

表面粗糙度演變規律及其理論建模是目前研究的熱點。Wang 等[44]基于赫茲彈性接觸理論，建立了去除率模型，如表3所示，進而構建了砂帶磨削的表面去除云圖；Beaucamp等[34]探究了SAG 磨粒大小與形狀在磨削過程中的變化規律，提出了柔性磨削中磨屑等效厚度概念，為部件表面粗糙度的控制提供了借鑒；之后該團隊從磨粒的微觀切深與材料響應的角度入手，建立模型預測SAG 磨削時工件材料韌–脆轉變條件，借此控制工件的表面粗糙度[45]。

表3 表面完整性理論模型Table 3 Some theoretical models of surface integrity

然而，上述模型對磨粒–部件微觀交互機理的探討較淺，且未考慮磨削過程中工具動態的彈性變形。Zhao 等[46]采用離散化方法，將砂帶磨削整個過程簡化為若干個承受不同接觸壓力的局部平面磨削過程，計算了不同時刻磨粒在局部砂帶上的磨削深度，并根據有效磨粒的磨削深度導出了刃口包絡線，實現了基于成形機理的表面粗糙度仿真；Zhu 等[32]首次對SAG 進行了較為系統的建模，基于“彈簧磨粒”模型與磨粒尺寸的分布模型，同時對磨削過程中滑擦、耕犁與切削作用對磨具彈性變形的影響進行補償修正，建立不同位置磨粒動態切深的預測方法，在此基礎上闡述磨削法向力–切深–磨粒磨損的關系，并實現磨粒切削深度與寬度的預測，如圖7所示[32]。在給定的偏置量下，隨著工具的磨損，磨粒變鈍，產生切削作用的磨粒的數量顯著減少，而產生滑擦與犁耕作用的磨粒數量大大增加（圖7（a）和（b）），導致磨損后工具的切深減小（圖7（c）），最小切寬增大（圖7（d）），進而導致表面劃痕明顯。因此，可以基于建立的模型對工具的磨損實時補償，控制磨削部件表面粗糙度與劃痕。

圖7 工具偏置0.3mm時磨粒狀態與切深/寬分布Fig.7 Distribution of abrasive grains and cutting depth/width with tool offset 0.3mm

燒損是磨削部件表面過熱發生的損傷，鎳基高溫合金對于燒損尤為敏感[47]，如圖8所示。輕度燒損會導致工件表面燒傷，產生氧化物薄膜；而嚴重的燒損會使工件表層發生組織結構的轉變，產生變質層[48]，甚至導致白層的產生，如圖9所示[49–51]。燒損會影響部件的應力狀態并導致裂紋的產生[51]，惡化工件表面完整性。磨削時間過長、壓力過大、散熱條件差等不合適的磨削參數均會引起燒損[7]。

圖8 航空發動機葉片磨削燒損Fig.8 Grinding burn of blade of aero-engine

圖9 燒損導致的變質層（DD5合金）與白層（IC10合金）Fig.9 Burn-induced metamorphic layer (DD5 superalloy) and white layer (IC10 superalloy)

避免燒損的關鍵是將部件局部最高溫度控制在燒損發生的臨界溫度以下。目前，磨削溫度主要通過熱電偶與熱紅外相機測量，前者使用限制小但會破壞部件，主要用于部件內部溫度測量；后者不會破壞部件，主要用于發射率已知的部件表面溫度測量，但其準確度相對較低。然而，由于部件表層在磨削過程中會發生劇烈塑性變形，損傷發生的臨界溫度不僅與部件材料有關，還與具體的磨削工藝有關[43]。磨削力–熱耦合場模型可給出磨削熱量的分配規律與力熱場作用下材料微結構演變規律，故能很好地用于燒損的在線預測。Li 等[33]建立了柔性百葉盤磨削過程的熱場模型，基于該模型可根據給定的磨削溫度設計百葉盤的結構，但模型未考慮材料的力熱參數的變化，僅針對特定磨削場景有效。當前關于柔性磨削力–熱耦合場的建模較少，對燒損的實時預測也僅應用在特定的小范圍場景中，目前主流做法是檢測燒損是否發生，如表4所示[55–65]。

表4 磨削燒損檢測常用方法Table 4 Methods of grinding burn detection

磨削劇烈力熱導致工件微結構改變，進而產生內應力，誘發微裂紋[66]。微裂紋是磨削部件表面的嚴重缺陷，探究其產生機理與抑制措施是柔性磨削控性的重要方面。Wang 等[67]以DD6 鎳基單晶為研究對象，通過對表面粗糙度–應力的理論建模與有限元分析發現，工件表面粗糙度越大，應力集中越明顯，微裂紋濃度越高，并通過試驗進行了驗證，如圖10所示。Zhu 等[68]利用砂帶的彈性變形修正磨屑厚度（Undeformed chip thickness，UCT）計算模型，基于此建立了單磨粒磨削的數值模擬模型，并探究了機器人砂帶磨削是裂紋的萌生、擴展與抑制機理，提出使用UCT定量描述裂紋萌生狀態的方法。目前對高溫合金柔性磨削微裂紋的萌生擴展與抑制尚缺乏系統的建模研究。

圖10 工件表面粗糙度與應力的關系Fig.10 Relationship between surface roughness and stress of workpiece

綜上所述，表面形貌的控制是磨削質量控制的核心，其控制模型直接關系磨削質量與效率。然而目前關于柔性磨削工件表面形貌系統的理論模型依然比較缺乏，未來的建模工作應聚焦于工具彈性變形的補償、控制，并融合更多的材料參數，構建系統化的模型。

3 應力狀態

磨削劇烈的力、熱會改變工件一定厚度表層的殘余應力[7,69]，殘余壓應力會提升部件的疲勞強度與抗腐蝕性能，反之則會降低部件的使役性能[70–71]。殘余應力主要由工件局部熱膨脹/收縮、磨粒導致的塑性變形與局部相變等原因引起[72]，3 者對殘余應力的影響如表5所示[14]。磨削工件最終的殘余應力狀態取決于3方面平衡的結果，如圖11所示[73]。當工件在磨粒作用下的變形強烈時，工件整體表現為殘余壓應力；當熱膨脹/收縮作用強烈時，工件整體表現為殘余拉應力；當磨削能量過高導致工件發生相變時，表面殘余應力也會發生改變。

通過控制磨削的力、熱載荷使磨削后工件表面產生殘余壓應力，是磨削在表面改性方面的重要應用[69]。Ding 等[14]從殘余應力的產生機理、影響因素、建模與仿真以及測量與監控等方面對金屬材料磨削殘余應力進行了綜述，并指出工件初始殘余應力的分布、復雜形狀工件的殘余應力預測、更加可靠的理論模型、殘余拉應力的釋放以及智能在線監控是未來需要重點關注的問題。

磨削殘余應力預測與控制的理論建模既可從磨削力熱場建模入手，亦可直接建立磨削參數與殘余應力的關系模型。Ren 等[74]基于理論模型、仿真模型與熱紅外相機監測建立了一種機器人砂帶磨削Inconel 718動態熱輸入預測方法，用于預測工件的熱場；Bouktib 等[53]利用解析模型計算了給定壓力與磨粒數量下，磨粒穿透深度及其變化規律，研究了初始表面粗糙度、載荷條件、磨削次數和摩擦系數對殘余應力場的影響，結果可用于描述砂帶磨削工件殘余應力的演變規律（表5）；Wang 等[75]基于建立的理論模型與二維有限元模型探究了砂帶磨削中殘余應力的變化規律，結果表明，增大磨削力與磨粒數量可以使殘余應力的幅值與深度增加，但同時也會增加材料去除量，從而使殘余應力幅值與深度減小，如何對兩者進行平衡是控制的關鍵。此外，近年來有學者通過建立鈦合金砂帶磨削表面殘余應力的分子動力學模型，根據鈦合金分子勢函數，建立了線性回歸方程，進而得到了砂帶磨削鈦合金表面殘余應力在分子水平上的表達式，模型誤差在20%以內[76]。總體而言，目前關于機器人柔性磨削工件表面殘余應力的理論建模較少，且模型完整性有待完善。

表5 磨削過程對工件殘余應力的影響Table 5 Effects of grinding process on workpiece residual stress

圖11 磨削表面殘余應力與磨削比能關系Fig.11 Relationship between grinding surface residual stress and grinding specific energy

隨著對磨削工件應力狀態研究的不斷深入，磨削已逐漸從傳統的減材加工工藝向減材加工+表面改性，即控形+控性的綜合加工工藝轉變。當前應力狀態研究面臨的主要挑戰主要是理論建模與狀態監控。準確的力–熱耦合場模型與應力狀態在力熱場作用下的演變規律研究目前比較缺乏，如何實現殘余應力快速準確測量，實現測量過程與加工過程的實時融合，同樣任重道遠。

4 組織結構

在強烈的磨削力、熱作用下，工件表層的顯微硬度會發生顯著改變，本質上是晶粒尺寸、形態，位錯等晶體缺陷以及材料的物相等組織結構變化的宏觀表現，如圖12所示。工件表層的組織結構與工件的性能密切相關[14，43，77]。因此，闡明磨削工件微觀組織結構的演變規律是實現磨削控性的重要基礎。

目前磨削硬化已作為一種特定的表面強化工藝廣泛使用[16，70]，研究磨削工件顯微硬度的產生機理、演變規律與控制方法具有重要的現實意義。Wang 等[77]對Inconel 718 工件機器人砂帶磨削后的顯微硬度進行深入研究，在特定磨削參數下，工件表層硬度相對于基體增加15%，厚度約150μm（圖12（a）），研究表明殘余壓應力（圖12（b））、表層晶粒細化（圖12（c））與形變導致的位錯增加（圖12（d））是顯微硬度增大的主要原因。Nguyen 等[78]利用一個基于三角形移動熱源的有限元傳熱模型描述磨削硬化層的溫度場，從而闡明磨削硬化層厚度的演變規律；Ortega 等[79]基于三角形磨削熱場同時建立了磨削硬化與高溫軟化的解析模型，且在建模中考慮了磨屑帶走的熱量，基于兩個模型的綜合作用預測磨削硬化層深度，誤差在6%以內；Alonso 等[80]提出了一種通過控制“基于面積的磨削比能E（Area–based specific energy）”來預測磨削硬化層深度的方法，該參數同時考慮了磨削能量與工具–工件的接觸時間，基于多種材料的研究表明，E與加工過程中材料的軟化存在一定的關系，并且該關系在一定條件下與磨削參數無關，因此E可作為控制磨削工件硬化的重要參數。

磨削工件表層晶粒微觀結構的研究目前尚缺乏較為完善的理論模型，現有的研究多集中在相關的表征與影響因素探索上。杜隨更等[81]研究發現，GH4169 合金磨削后表層金屬發生了劇烈的塑性變形，通過高分辨透射電鏡（HRTEM）對變形層表征發現，該層可進一步分為表面非晶層、微觀剪切帶與納米晶層，如圖13（a）所示[77]。Fergani 等[82]基于有限元和粘塑性自洽的方法嘗試預測工件磨削表層的織構演變規律，預測結果與試驗結果吻合的較好；Kovach等[51]利用電鏡表征鎳基單晶高溫合金磨削后的變質層，結果表明磨削后材料表層產生大量位錯，位錯與γ’相交互作用，阻礙表層金屬的塑性變形；Wang 等[77]利用EBSD 分別表征了Inconel 718 機器人砂帶后表層100μm 組織與基體組織的晶界，結果表明表層材料晶粒內孿晶明顯減少，并出現了碎化現象，如圖13（b）所示；且工件表層的晶粒尺寸顯著減小，產生了細晶強化效果（圖12（c））。未來的研究應基于已有表征分析結果，聚焦于建立預測與控制的理論模型。

圖12 Inconel 718工件機器人砂帶磨削后顯微硬度、殘余應力與組織結構Fig.12 Microhardness, residual stress and microstructure of Inconel 718 workpiece after robotic belt grinding

圖13 磨削導致的GH4169微結構改變Fig.13 GH4169 microstructure changes induced by grinding

高溫合金柔性磨削的溫度能夠達到950℃以上[81]，雖然磨削持續時間較短（分鐘量級），但由于磨削過程中工件表層發生劇烈的塑性變形，因此力–熱耦合作用會將導致相變的發生。Duscha 等[83]將工件的材料性能映射為溫度的函數，建立了溫度、微觀結構與應力狀態等多場耦合的有限元仿真模型，用于相變動力學分析。2020年Wu 等[84]研究了磨削熱對鐵鎳基高溫合金相變的影響，結果表明相變程度與熱輸入正相關，且相變發生時馬氏體和奧氏體數量顯著增加而鐵素體數量顯著減少，導致工件表層硬度大幅提高。Ding 等[85]基于磨削參數，建立了在不同應變速率和接觸區溫度下，材料相–受控擴散動力學與材料相–無擴散轉變動力學之間的定量關系，進而給出了連續分段等溫過程中相體積分數與磨削工藝參數之間的關系式，并通過試驗驗證了模型的可行性；之后該團隊對模型進行了優化，建立了非等溫條件下連續磨削相變體積分數的物理模型和預測方法[54]，如圖14[54]和表3所示。該模型將工件材料特性、磨削工具形貌、磨粒形狀與過程參數作為模型的輸入參數，在建立多磨粒交互模型的基礎上，闡明磨削熱的分布與加熱速率，結合Johnson–mehl–avrami（JMA）模型和Koistinen–marburger（KM）模型建立相變體積分數的預測模型，但該模型假設較多，因此使用范圍受限。這些研究為高溫合金柔性磨削相關的理論建模提供了很好的借鑒。

圖14 相變預測模型建模流程圖Fig.14 Modeling flow chart of phase transition prediction

材料表層微結構是聯系磨削參數與磨削工件性能的橋梁，如從本質上理解磨削控性，組織結構演變規律的研究是至關重要的。

表面完整性對服役性能的影響

除形狀與外觀外，磨削表面完整性對材料疲勞強度等力學性能與抗腐蝕性能的影響已被廣泛地證明[14,17,86]，磨削控性問題也越來越得到學術界與工業界的重視。

近年來，不少學者基于試驗數據研究磨削高溫合金工件表面完整性對疲勞壽命的影響。Zhang 等[49]探究了表面粗糙度與硬化對IC10 高溫合金工件高周疲勞壽命的影響，結果如圖15所示[49]，表面較大的粗糙度導致應力集中，對工件疲勞壽命有不利影響，而表面顯微硬化可以阻止裂紋萌生與擴展，提高工件疲勞壽命，顯微硬化深度與速率越大，工件疲勞強度提升越明顯。基于研究結果，該團隊提出了蠕變進給的磨削工藝；Quan 等[87]指出，彈性工具拋光GH4169 高溫合金時劃傷、紊亂的劃痕等是高周疲勞壽命不穩定的主要原因，而工具擠壓作用使工件產生了較大殘余壓應力，可以提高疲勞壽命。

圖15 表面完整性對疲勞壽命的影響Fig.15 Effects of surface integrity on fatigue life

基于材料科學理論與有限元分析的理論模型更好地推動了磨削控性研究。Wang 等[67]基于晶體塑性理論和疲勞損傷模型，利用有限元方法分析了DD6 單晶高溫合金表面形貌對疲勞強度的影響規律，并建立了用于預測疲勞壽命的幾何等效簡化模型，結果表明，表面粗糙度越大，應力集中越大，裂紋源越多，每個疲勞循環累積的塑性應變和疲勞損傷越大，疲勞壽命越低；之后該團隊對模型進行了優化，首先利用正弦曲線簡化工件表面粗糙度的輪廓，然后通過對一系列等效模型的有限元模擬結果擬合，得到了應力集中系數Kt與表面粗糙度參數SR 之間的半經驗公式，將SR 所表示的Kt引入基于晶體塑性理論的疲勞損傷模型中，建立了考慮SR 的鎳基單晶合金疲勞壽命預測方法，如圖16所示[88]，預測結果準確性得到提升。

圖16 考慮表面粗糙度的疲勞壽命預測流程圖Fig.16 Flow chart of fatigue life prediction considering surface roughness

磨削表面完整性對高溫合金工件抗腐蝕性能的影響機理與規律近年來也逐漸受到學界關注。Montero等[89]研究了TMS–138 單晶高溫合金的兩類熱腐蝕行為與晶粒取向及表面處理的關系，結果表明Ⅰ型熱腐蝕比Ⅱ型熱腐蝕具有更強的取向性和表面預處理依賴性，但這兩種腐蝕都促進了表面氧化和裂紋的形成；Wang 等[90]探究了機器人砂帶磨削后的Inconel 718 合金工件表面粗糙度與殘余應力對工件抗腐蝕性能的影響，對磨削后的工件進行了系統的電化學分析，并提出了一個有效的模型解釋工件的腐蝕機理：工件腐蝕過程主要包括氧化膜破壞，形成富Nb 區域，富 Nb 區域邊界溶解，腐蝕產物脫落以及腐蝕坑形成等階段，如圖17所示[90]；工件表面較小的粗糙度會抑制氧化膜缺陷形成，同時減小腐蝕面積，而殘余壓應力會減緩腐蝕產物脫落。

圖17 Inconel 718合金機器人砂帶磨削表面電化學腐蝕過程Fig.17 Electrochemical corrosion process of Inconel 718 alloy robot belt grinding surface

現有試驗研究與理論模型多直接以表面完整性指標為輸入變量，材料性能參數為輸出變量。然而，表面完整性是磨削的結果參數，其必須通過磨削參數調控。因此，未來的研究應向“磨削參數–表面完整性–材料性能”3 者系統的聯系靠攏。

結論與展望

高溫合金機器人柔性磨削表面完整性演變機理及其控制模型的研究是航空器相關部件制造控形、控性的核心工作，是實現“柔性磨削參數–工件表面完整性–工件性能調控”智能制造的基礎，當前的研究已取得了一些針對性的結果：

（1）柔性磨削較好地解決了高溫合金難加工材料高效加工的問題。

（2）表面粗糙度、顯微硬度與殘余應力等表面完整性對疲勞壽命與抗腐蝕性能影響顯著，通過降低材料的表面粗糙度，增大顯微硬度與殘余壓應力，可以強化工件的性能。

（3）知識驅動模型+數據驅動模型能很好地打破現有控制模型的局限性，是機器人柔性磨削控制算法的發展方向。

然而，當前已有的研究忽略力–熱耦合場的影響，建模過程對工具的彈性變形處理較為簡單，導致預測精度不高。基于當前的研究現狀，未來的研究需要重點關注以下4 個方面：

（1）從多尺度角度解析工具的彈性變形對磨削過程的影響，進一步闡明高溫合金柔性磨削磨粒–工件的交互機理，融入材料的力、熱參數，構建系統化的力–熱耦合場模型。

（2）基于力–熱耦合場探究磨削工件表面完整性的演變規律，建立柔性磨削工件表面完整性控制的知識模型；設計試驗探究高溫合金工件表面完整性與性能的關系，在此基礎上完善相關的理論模型與控制模型。

（3）探究不同柔性工具磨削工件時工具彈性變形的規律，建立魯棒性更強的工具進給補償算法；在此基礎上提出更為智能的機器人柔性磨削路徑自主規劃算法，提高磨削的質量與效率。

（4）優化表面完整性各指標的監控方法，實現準確高效的實時監控與快速檢測。