基于切削物理数据的高温合金叶片高效加工工艺优化方法

Blade of superalloy (BoS) is a key part of gas turbine, and its low machining efficiency is one of main problems needed to solve. When traditional method used in optimization of machining process, its process is complex, and its effect is not remarkable. The main reasons are that it is not accuracy to research the cutting process in the area of cutting edge and that the existing cutting data are not utilized effectively. Towards the urgent demand, the big data technology may be an efficient way for this issue, and therefore this proposal presents that cutting physical data based optimization approach of high-efficiency machining process in milling of BoS.. Towards “tool recession” in milling of blade, the applicant will research the cutting and contact of tool-workpiece, and establish the condition of the maximum volume of cutting layer, and then cutting edge can be optimized. Based on the research, optimization approach of tool path in milling of BoS will be proposed, by which the tool cutting edge and tool path can be optimized. Then, targeting the matching problem of cutting tool and its cutting parameters, the factors related to cutting process of BoS are studied, and the cutting physical data are researched. This proposal will establish cutting physical data based optimization approach, based on which the cutting tool and its parameters can be optimized. All the research will provide theory guide and technical support to high-efficiency machining of BoS.

高温合金叶片作为燃气轮机的关键零件其加工效率低是生产中亟需解决的主要问题之一。采用一般的方法进行工艺优化，过程复杂且效果不显著，其主要原因是对刀刃切削过程的研究不够精准，而且对已有切削基础数据提供的信息没有有效利用。针对以上问题，大数据技术的成功应用为工艺优化提供另一条途径，因此本项目拟展开基于切削物理数据的叶片高效加工工艺优化方法的研究。. 针对叶片加工过程的“让刀”问题，以刀具-工件切触状态为研究对象，建立最大切削层可切入临界条件，优化刀具刃形，提出叶片高效加工轨迹优化方法，实现叶片刀具刃形和加工轨迹两者的集成优化；针对叶片加工用刀具及其加工参数的匹配性问题，以影响叶片切削过程因素为研究对象，分析其切削物理数据，利用智能算法，构建基于切削物理数据的优化算法，实现刀具及其加工参数两者的集成优化。以上研究将为实现高温合金叶片的高效加工提供理论指导和技术支撑。

切削加工是一个非常复杂的过程，尤其是复杂难加工材料，涉及到很多制造资源，例如，工件材料、工件几何、机床、刀具、夹具和加工参数等。传统理论方法和试验方法几乎无法考虑到加工过程中的所有因素。基于物理理论的方法重点研究切削过程某一现象，例如，切削力，因而孤立一些因素；而试验方法主要固定环境下固定工况下指定工件指定加工方法，因而多数研究结果不具备一般性。.本项目以高温合金叶片加工为例，提出了基于大数据的切削加工优化方法，通过切削大数据进行对机器学习模型进行训练，将多个模型作为适用度函数针对具体目标进行优化。为了实现此目标，本项目展开了以下几个方面的研究：.在方法层面，本项目针对切削加工资源组织特点，创建了基于大数据的切削加工过程优化方面架构，以及调度错误预测架构；.在加工资源数据化方面的研究，首先从切削层入手，对其进行分类，进而加工轨迹进行了数据化，然后对其他加工资源进行特别的数据化，包括工件、刀具、机床和加工工艺等；.在机器学习算法方面的研究，通过基于实际切削过程特点，生成不同的层数和不同维度的数据，然后对不同机器学习算法进行了对比，根据不同数据类型，得到了不同数据特点下的最佳算法。.通过本项目研究，发现大数据技术可解决传统模型在多维度优化的低精度问题，并可应用于解决切削过程的优化问题和加工资源调度中错误预测问题。并且在大数据的环境下，切削加工问题可被转化为数据问题或统计学问题。本项目为解决切削加工问题提供了另一个角度。