文摘
符合美国钢铁协会的O1冷作钢是一种hard-to-machine材料的原因其耐温性好,表面硬度,和穿较小的响应。因此,材料去除等硬质材料成本和耗时。传统切削液不能减轻对辣度tool-work结。本研究工作探索独特的准备和环保的影响切削液AISI O1钢使用工具的切削性能的三种不同材料的插入。准备的切削液,二硫化钼纳米颗粒(监理)混合生物降解植物油(VO)是分布式的帮助下进入切削区润滑剂(MQL)技术的最小数量。田口方法的综合方法的平均归一化S / N ratio-based RSM法模型参数为更好的响应。最优条件的预测方法(插入- CBN的类型,Vc - 110.12米/分钟,f- 0.08 mm /牧师和医生观察- 0.20076毫米)产生显著改善刀具磨损和减少切削力除了良好的表面光洁度。这项研究将为模具行业提供所需的指导处理符合美国钢铁协会的O1钢铁和帮助研究人员致力于可持续的加工。
1。介绍
AISI O1群是一个寒冷的工作,低合金钢制造工具和模具行业的需求(高1]。它是一种油淬工具钢高铬、钨含量,从而改善耐磨性。它有一个56 - 62 HRC硬度升高是因为它的高碳含量和高耐磨性在中等温度下(允许et al . 2008年)。淬火钢的加工是通过采用磨轮由于他们的硬度增加(2]。过程中产生高温干燥加工减少刀具的强度,因为塑性变形(3]。干燥加工的临床实验的试验以PH不锈钢检测到更多的刀具磨损由于其在切削区温度较高(4]。重型机械和热负荷在干切削加工表面的结果显示了严重的缺陷,如槽创建微裂缝和污点5]。因此,必须有效地控制热演化加工地区通过一个适当的选择正确的加工参数与有效切削液(CFs) (6]。CFs不仅用于润滑过程,还提供良好的冷却和清算的芯片加工区域。慢性疲劳综合症的摩擦学的特性创建一个薄的保护膜层加工区域,减少摩擦磨损(7]。传统CFs进行严格的环境影响,影响员工的健康。分离芯片的生产成本增加慢性疲劳综合症(8]。MQL技术,也被称为周围加工,数量小的植物石油或可生物降解的合成酯类网站是随着压缩空气的加工范围的10 - 100毫升/小时(9]。发现的方法提供了显著的改进加工表面和刀具的寿命10]。MQL方法减少刀具磨损和充满希望地增强的材料去除率的镍铬合金(11]。MQL提高了刀具寿命和降低切削力(12]。响应面方法(RSM)探讨探讨参数影响加工钛合金MQL环境下。发达观察数学方程来预测的性能将特征接近临床实验的结果(13]。实验调查量化,MQL可以一起减少制造成本和生态危害冷却(因此一个有效的替代传统的洪水14]。可生物降解植物油用于MQL技术在加工过程中诱导的可持续性。虽然生物降解油有良好的润滑特性,热性能较低限制他们使用CFs的加工行业(15]。现代研究表明,不同的纳米粒子添加到CF激增的功效MQL系统加工方法(16]。聚合物聚醚醚酮与不同大小和浓度的固体润滑剂(二硫化钼和WS2)减少了摩擦上升到30%。纳米级固体润滑剂颗粒明显减少了刀具磨损通过提供一个有效的低摩擦tribofilm [17]。更大的纳米水平增加纳米流体的热导率。二硫化钼是不反应的(18]。纳米二硫化钼的加工特点MQL技术与各种基础液体如棕榈油、大豆油、菜籽油、石蜡油进行了研究。棕榈油有效地降低切削力和磨削能量,尽管大豆豆油浓度6% nMoS2粒子提供了更多的冷却和润滑比棕榈油由于其高粘度(19]。包含基础CF的纳米粒子提高导热系数,降低切削温度(20.]。符合美国钢铁协会的1040钢的加工与植物油nMoS2 MQL技术下摩擦系数降低了37%,减少21%的温度相比,干燥加工(21]。RSM被许多研究人员看作是一个有趣的工具为各种应用程序。表面粗糙度的预测模型是形成使用RSM确定加工过程中表面质量(22]。RSM模型是一种实用方法任何可持续制造工业过程。
在这个视图中,决定意识到潜在的二硫化钼纳米粒子与生物降解植物油混合在转弯。Nanofluid是在实验室条件下准备的。传统干车削、洪水冷却,nanofluid驱逐使用MQL系统被使用,和结果进行了比较。加工参数,如切削速度(Vc)、饲料率(f),和深度削减(DOC)被认为是独立的变量,以及这些参数对表面粗糙度的影响,刀具磨损,芯片形态已被调查。在这项研究中,一个集成的方法主要基于组件的RSM用于设计、分析和优化的努力将符合美国钢铁协会的O1冷作工具钢。
2。实验的程序
2.1。材料和工具
数控车床,超级经纪人500已经被用于执行操作符合美国钢铁协会的O1冷作工具钢。50毫米长工件是30 mm的圆钢筋直径。三种不同类型的ISO-designated切插入(PVD-TiAlN、陶瓷和立方氮化硼)。插入机械夹紧在工具持有人(Teknik PCLNR 2525 m12)。实验设置如图1。工件的化学成分如下:Fe - 95.4%, Mn - 1.35%, C - 0.90%, Si - 0.37%, Cr - 0.56%, W - 0.47%, Ni - 0.29%, V - 0.30%,铜- 0.22%,P - 0.03%, - 0.03%。表1显示了实验工作的工艺参数。
2.2。加工环境
wt nMQL是由溶解0.2%。100毫升的nMoS2蓖麻油与机械搅拌器。蓖麻油的粘度0.535 Pa。空气压力的8条,MQL系统(KENCO品牌)编程生产50毫升/小时(流量)。喷嘴和tool-work界面之间的距离是15毫米的喷嘴针对喷射角为30°。实验的固定在可控工艺参数范围。
2.3。实验
田口实验设计后创建的研究概念。初步实验结果进行识别是最影响参数和水平的范围。的f、切割深度和Vc是最重要的因素,他们在三个层次可以修改。L27正交阵列(OA)被选为适应参数。根据实验设计OA随机实验,以避免无法控制的外来影响参数,和两个复制在每个条件进行。表面粗糙度(Ra),侧面磨损(Vb)、温度(T),切削力(Fc)是影响加工性能结果。显示在表的输出响应2。
2.4。测量
测功器是用来评估切削力。泰勒霍布森Surtronic 3 +是用来量化加工表面的粗糙度。视频测量系统被用来评估刀具磨损(vm - 1020 f)。一个HTC-IR无触点温度计的精度水平±1是用来量化温度在转弯。工具损坏,表面形貌和芯片形成检查使用日立扫描电子显微镜(SEM)。
3所示。平均归一化S / N Ratio-Based RSM (ASN-RSM)
RSM和一个模块是一个统计工具变量的建模和优化的多个结果使用愿望的方法。RSM可以说明的效果将参数通过响应面图(22]。当倍数反应涉及到一个问题,RSM技术为每个响应生成单个多项式模型。同时优化的多个反应转化为一个质量指标,纳入必要的算法预测的最优条件。单一质量指标是送入RSM技术预测车削参数的最优条件。ASN-RSM的算法如下:步骤1:估计信噪比的值(ηij)为每个响应使用一个合适的公式基于其质量特征。S / N比浓缩某些试验的观察与复制考虑复制的平均值和标准偏差。观察到的反应,如侧面磨损(Vb)、温度(T),切削力(Fc)是“smaller-the-better”质量特征。的目标点smaller-the-better质量特征是实现价值0(零)。信噪比(ηij)这样的一个特点是评估通过以下方程: 在哪里r是重复的数量;我= 1、2、3、…n;j= 1、2、3、…米;米反应的数量,n是实验的数量试验。步骤2:计算归一化信噪比(Zij使用方程()2)变化的影响降到最低的S / N比率反应。归一化信噪比不同的值在0和1之间。 第三步:分析平均归一化信噪比(ASN)值的试验使用以下方程: 第四步:开发一个多项式回归模型,构造一个ASN和车削参数之间的关系描述的行为参数在实验领域。第五步:执行方差分析(方差分析)和ASN值的贡献和统计学意义不同参数对响应。第六步:使三维响应面图揭示ASN参数水平的影响,找出算法的参数使用愿望的方法。第七步:进行确认实验为验证最优参数设置使用RSM预测。
4所示。结果与讨论
4.1。实现ASN-RSM
作为该算法的初始步骤,观察到的数据转换的信噪比质量的特征反应转化为larger-the-better无论质量反应的特征。反应转化为信噪比的smaller-the-better值条件,和信噪比之间的变化的反应是减少正常化的过程。计算信噪比和归一化信噪比(NSNR)如表所示3。个人组归一化信噪比的值对于每个响应过程,获得和归一化信噪比的值通过计算它们的平均值。保证同等重要的反应,平均归一化信噪比价值被认为是进一步分析(23]。计算单质量指数”平均归一化信噪比”(ASN)每个试验提出了表3。
ASN实验值26出现高数量的ASN值,这表明相应的转变条件是毗邻的最佳条件。ASN值的分散对各种试验绘制,如图2。ASN到邻近的变化试验表明,很少有外来因素对反应的影响。
4.2。使用RSM多项式模型的发展
一个二阶多项式方程生成使用软件设计专家V7.0,构造一个转变过程的参数之间的关系和ASN。模型降低了逆向消除无关紧要的模型的方法,消除术语源于最高秩序。使用编码的数学模型来预测ASN价值因素和模型为每个级别的分类因素“插入式”给出了方程(4)- (7),分别。重要模型方面,成立了联合方差分析和模型系数如表所示4。验证模型健身和模型方面的自信水平的99%和95%,分别。开发模型的计算f值为25.06,和 - - - - - -值小于0.0001,显示模型健康和充足的条件。模型条件A, B, C, D,公元前,BD, CD被确定为重要的模型。
4.2.1。准备最后方程编码方面的因素
4.2.2。最后方程的实际因素
插入——TiAlN 插入-陶瓷 插入- CBN
的价值确定系数(R2)被计算为0.8919,接近1和保证值的能力模型在预测精确ASN。有一个调整之间的亲密关系R平方值(0.8244)和预测R平方值(0.6712)州的贡献微不足道的条款在到达健身的模型是最低(表5)。足够的精度13.858,大于4,证据充足模型歧视。此外,的值预测ASN值使用多项式模型和实际ASN值相应的加工条件比较,和ASN下降的预测价值非常接近实际值(图3(一个))。图3 (b)显示了正态概率图。发现沿着直线的残差分布密切,表明正态分布存在,没有其他的模式。
(一)
(b)
4.3。的影响参数对ASN
ASN值是单一的代表所有的反应(表面粗糙度(Ra),侧面磨损(Vb)、温度(T),切削力(Fc)),是最大化为了找到最佳的切削条件。类型的插入导致ASN显著值。ASN插入的水平的变化是由不同的Vc(图绘制的4(一))。ASN值最低,而使用TiAlN插入(0.2445),而似乎CBN的最大同时使用插入(0.6884)。从图4(一)之间,有一个交互陶瓷CBN而不同Vc (B)的影响。不同的工具插入ASN绘制了不同f(C),发现没有之间的交互的工具插入和CBN的性能水平插入至少(0.7416)得到了改进f(图4 (b))。因此,从图的信息4证实,插入- CBN产生更好的响应值在不同切削条件下的参数。
(一)
(b)
ASN在Vc的预测值与TiAlN插入140 m / min绘制三维响应面图(图5(一个))通过改变f(C)和DOC (D)。ASN值(0.5718)是更好的在一个较低的水平f以恒定的Vc和更高的医生。从图5(一个),发现有一个显著的改善在ASN,当f从0.08 mm /转速降低到0.02毫米/转速更高的切割深度。ASN即使没有实质性的改进f医生的下级降低(图5(一个))。提高了加工过程的性能降低的DOC (D)在一个常数f。ASN值增强0.6047的低水平f(C)和一个更高级别的医生(D)与陶瓷插入(图5 (b))。显著影响ASN标识的变化f(C)从一个更高的水平在最大文档以及低水平的改变医生(D)更高f(C)在使用陶瓷插入(图5 (b))。ASN值达到一个更高的价值(靠近0.8271)DOC值从0.7毫米到0.2毫米,在一个常数f0.08毫米/牧师使用CBN插入(图5 (c))。ASN的增长率是更广泛的比低级的上级f(C)当医生减少。
(一)
(b)
(c)
ASN出现高的价值低一级的医生和高级f,而Vc是维持在一个恒定的水平(Vc = 140 m / min)。是确定有大幅改变ASN价值,而不同的上级医生f(图5 (c))。ASN价值描述了增长的改善所有的反应,这是较低的医生(图最大化5 (c))。
4.4。加工参数对响应的影响
改进的响应值观察而使用CBN插入将使用纳米冷却剂(图6(一))。表面粗糙度显著改善被确认,并从价值降低为Ra = 0.48µm Ra = 0.76µm获得TiAlN插入。所需的切削力减少是因为高硬CBN插入、性质和产生热量也是最小的比其他插入。Vc对表面粗糙度的影响,侧面磨损,温度和切削力如图6 (b)。甚至更高的风险增加的速度生产,产生的热量和切削力是观察到的高由于工具和工件之间的摩擦应力。插入不同的温度从91.3°C到108.67°C Vc时从110米/分钟增加到170米/分钟。侧面磨损是增强的热软化由于高温生成的刀具加工界面。侧面磨损增加在高Vc由于大尺寸组合优势(输送量大),和不稳定而保护侧脸免受磨损。的增加f增加了表面粗糙度(图6 (c))。在更高的f,剥离层之间的差距最大,离开耕作标志和毛边的材料加工表面。因此,表面粗糙度测量高,所需的切削力也更由于插入的深度沿工件在更高的旋转轴f。医生如图的效果6 (d)。医生会产生额外的切削力越高,这就增加了热量的一代。在更高的温度,反应包括可怜的表面光洁度和侧面磨损。因此,高医生减少刀具的生产力。
(一)
(b)
(c)
(d)
4.5。愿望
参数设置具有更高的期望指数是选为最佳设置。坡道的功能图如图的最佳条件7。每个斜坡上的红点表示参数的最佳设置在最理想的条件。ASN的预测似乎高于实验值。表6显示的最佳条件和预测价值ASN。预测最优条件包括以下:插入- CBN类型,Vc - 110.12米/分钟,f- 0.079 mm /牧师和医生- 0.20076毫米。预测ASN值0.8328是观察到的最优条件。期望值下降95%置信区间的范围。
4.6。实验的验证
确认试验进行参数设置获得使用ASN-RSM算法来验证预测的效率在提高反应最佳条件。把变量的组合ASN最高(0.8301)值,试验数26用于比较(表7)。而把理想条件合并ASN-RSM预测的方法,答案有实质性的改进。
SEM图像观察下ASN设置(实验没有最高。26)和确认试验显示在图中8。表面粗糙度,加工表面的SEM照片,破损的插入和芯片没有观察到实验。26日(图8(一个))进行了分析并与实验(图确认8 (b))。加工概要显示获得更好的表面光洁度在确认试验中使用的相同的设置审判26。表面波度是受限制的,它是在p档案图可视化。加工表面的SEM照片显示最小和近似统一加工痕迹在表面获得使用相同的设置。前面解释的那样,冷却和润滑的本质nMoS2限制加工脸上的痕迹。减少侧面磨损的确认试验相同的设置和改进是约0.0011。收到设置在优化可持续生产有积极影响。类似于粗糙度和侧面磨损,温度和切削力的结果与相同的实验没有设置好。26岁。在ASN设置和确认试验,形成的锯齿状的牙齿。
(一)
(b)
5。结论
MQL观察技术可有效提高符合美国钢铁协会的O1钢的加工特点。ASN-RSM用于模型的综合方法的参数更好的响应和desirability-based方法到达最优参数设置是通过确认试验进行验证。得出了以下的结论。(我)nMoS2混合的可生物降解蓖麻油用于润滑确保一个相当大的减少温度tool-work接口,因此可能是一个可行的替代传统的切削液。(2)MQL环境下最优参数设置标识如下:插入- CBN类型,Vc - 110.12米/分钟,f- 0.079 mm /牧师和医生- 0.20076毫米。(3)统计霸权的田口方法的信噪比概念和RSM到达最优设置的参数。两种技术的集成可以实现多个变量转换为一个质量指数(ASN),它充当代表的各种反应。多项式预测模型,也观察到精确。(iv)表面光洁度和刀具磨损观察到最佳加工条件明显低于使用获得的初始设置参数。工作提供了必要的方向处理符合美国钢铁协会的O1 MQL环境下钢工具和模具行业。
数据可用性
使用的数据来支持本研究的结果都包含在这篇文章。要进一步的数据或信息,这些都可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。