CN115329479A - 一种初始残余应力的逆辨识预测方法 - Google Patents

一种初始残余应力的逆辨识预测方法 Download PDF

Info

Publication number
CN115329479A
CN115329479A CN202210867185.0A CN202210867185A CN115329479A CN 115329479 A CN115329479 A CN 115329479A CN 202210867185 A CN202210867185 A CN 202210867185A CN 115329479 A CN115329479 A CN 115329479A
Authority
CN
China
Prior art keywords
residual stress
initial residual
initial
stress
angle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210867185.0A
Other languages
English (en)
Inventor
彭芳瑜
张华�
赵晟强
孙豪
闫蓉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202210867185.0A priority Critical patent/CN115329479A/zh
Publication of CN115329479A publication Critical patent/CN115329479A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/20—Recycling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明属于薄壁件加工相关技术领域，并公开了一种初始残余应力的逆辨识预测方法。该预测方法包括：S1对于同一批零件，消除试验零件的初始残余应力，铣削加工，测量其表面残余应力；S2设定初始残余应力为零，调整仿真参数，使得仿真残余应力与步骤S1获得的表面残余应力的差值在可接受阈值范围内，保存当前仿真参数，加载不同的初始残余应力，仿真获得不同的表面残余应力，构建初始残余应力与表面残余应力一一对应的数据库；S3利用数据库构建预测模型，将待检测零件的表面残余应力输入预测模型中，以此获得待检测零件的初始残余应力，实现初始残余应力的逆辨识。通过本发明，解决现有技术中测量残余引力破坏性大以及测量繁琐的问题。

Description

一种初始残余应力的逆辨识预测方法
技术领域
本发明属于薄壁件加工相关技术领域，更具体地，涉及一种初始残余应力的逆辨识预测方法。
背景技术
航空发动机包含机匣、叶轮、航轴等关键薄壁类零部件，发动机的服役性能主要取决于各个零部件的表面性能以及各部件之间的装配情况。本专利主要关注零部件的加工性能。这些零件在设计和制造过程中对变形的控制是薄壁件形性协同制造关键的一步。这些零件具有壁厚薄的特点，其加工产生的变形不仅受到机加工力热产生的影响，还受到其零件内部初始残余应力的影响，而初始残余应力检测一直是加工制造过程的难点，对初始残余应力检测方法的研究，有利于揭示零件内部在初始残余应力影响下的变形机理。
传统的测量大深度方向的初始残余应力主要有中子射线法、剥层钻孔法、剥层X射线衍射法、裂纹柔度法等。其中中子射线法所采用的仪器稀少昂贵，其余方法都需要对零件进行破坏剥层，从而破坏了原有材料内部的应力平衡，所测得的残余应力并非是原本材料内部的初始残余应力。这些方法存在零件的破坏性大、测量方法繁琐、测量结果受剥层方法影响严重等缺点。因此，现需提供一种不具备破坏性且方便快捷获得材料初始残余应力的方法。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种初始残余应力的逆辨识预测方法，解决现有技术中测量残余引力对零件破坏性大以及测量繁琐的问题。
为实现上述目的，按照本发明，提供了一种初始残余应力的逆辨识预测方法，该预测方法包括下列步骤：
S1对于同一批零件，将该批零件分为两部分，一部分作为待检测零件，一部分作为试验零件，将所述试验零件进行去应力处理，以此消除其初始残余应力，对该消除初始残余应力的试验零件进行铣削加工，然后测量该试验零件的表面残余应力；
S2采用有限元仿真的方式进行零件初始残余应力-表面残余应力的仿真，设定初始残余应力为零，仿真获得仿真表面残余应力，将该仿真残余应力与步骤S1获得的试验零件的表面残余应力进行比较，调整仿真参数，直至仿真残余应力与所述试验零件的表面残余应力的差值在可接受阈值范围内，保存当前仿真参数，加载不同的初始残余应力，仿真获得不同的表面残余应力，构建初始残余应力与表面残余应力一一对应的数据库；
S3利用所述数据库构建预测模型，测试所述待检测零件的表面残余应力，将测试获得的表面残余应力输入所述预测模型中，以此获得待检测零件的初始残余应力，实现初始残余应力的逆辨识。
进一步优选地，在步骤S1中，所述去应力处理采用退火处理，以消除初始残余应力。
进一步优选地，在步骤S1中，测量表面残余应力采用X射线测量。
进一步优选地，在步骤S2中，所述仿真参数为前刀面和基面的夹角，后角为后刀面和切削平面的夹角，即前角和后角。
进一步优选地，所述前角采用有效平均前角代替前角进行仿真。
进一步优选地，所述有效平均前角按照下列表达式计算获得：
Figure BDA0003759073470000031
其中，ha为切削厚度，re为刀具刃口圆弧半径，α0为刀具名义前角，
Figure BDA0003759073470000032
为经验常数，一般取值为2，θf为刀具与切屑的分离角，一般取值为37.6°。
进一步优选地，在步骤S2中，所述加载不同的残余应力是从零件深度方向加载不同的残余应力。
进一步优选地，在步骤S3中，所述预测模型采用神经网络预测模型。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具备下列有益效果：
1.本发明利用机器学习逆辨识方法，辨识初始残余应力和加工表面残余应力的内在联系，通过对毛坯简单的铣削操作与加工后表面残余应力的测量，得到毛坯材料内部经受锻压、热处理、时效处理后内部残余应力，称为初始残余应力。与加工后表面残余应力不同，加工后表面残余应力大多分布于近表层1mm以内，初始残余应力分布于整个材料内部，经过加工材料去除后释放，对航空薄壁类零件变形产生关键影响；
2.本发明提供的初始残余应力预测方法，来表征材料内部的残余应力，与现有测量方法相比，其为逆向辨识，通过加工参数和加工条件来正向辨识加工结果，从而对加工参数和条件进行优化，基于机器学习神经网络，以初始残余应力、加工条件等加工数据库作为输入，通过学习初始残余应力与加工表面残余应力之间的关系，对初始残余应力进行逆向辨识，为零件加工变形控制提供测量基础；
3.本发明中对试验零件的初始残余应力进行标零，对于待测试零件而言，其初始残余应力位于内部是未知的，经过铣削加工后的表面残余应力会受到初始残余应力的影响而改变，这个关系是未知的，当试验零件经过去应力处理后，其初始残余应力近似为0，在经过铣削加工后对其表面残余应力值进行测量，可知其初始残余应力为0时，铣削加工过后表面残余应力值的大小，此时，加载0初始残余应力可以得到仿真的表面残余应力，当仿真的表面残余应力值与已知的0初始残余应力工件的表面加工值在可接受阈值范围内时，认为加工与仿真造成的影响机理相同，标零的目的在于证明仿真得到的值可近似代表实际值；
4.本发明通过对零应力块的标定，利用退火过程后初始残余应力近似为零作为基准，采用有限元对初始残余应力进行加载，仿真加工后的残余应力，并与实际加工后的表面进行数据库构建与机器学习逆辨识拟合，得到零件原本内部的残余应力分布，为航空航天薄壁件的生产提供变形控制指导。
附图说明
图1是按照本发明优选的优选实施例构建的初始残余应力的逆辨识预测方法流程图；
图2是按照本发明优选实施例所构建的基于Ti6Al4V材料进行的热处理过程示意图；
图3是按照本发明优选实施例所构建的x方向0Mpa初始残余应力加载的有限元仿真结果图；
图4是按照本发明优选的x方向100Mpa初始残余应力加载的有限元仿真结果图；
图5是按照本发明优选的机器学习神经网络进行初始残余应力逆辨识的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，一种初始残余应力的逆辨识预测方法，该方法包括下列步骤：
步骤一：对同一批零件(默认经过相同的工艺，所得到的初始残余应力相同)取一个工件进行热处理工艺(热处理后为B类工件)，热处理的目的是为了使该工件的初始残余应力值分布近似为零，这里经测量后退火后的应力试块应该为±20Mpa，此时作为标定块近似为零应力块。
如图2所示，上述所表明的热处理过程利用真空退火炉进行，具体的退火工艺与保温时常在图2中。首先以100℃/h升温到600℃，然后保温3h，此过程在真空退火炉中进行，避免退火过程中金属工件的氧化，之后取出放置在空气中进行空冷，去应力退火完成。认为此时零件的退火应力为零，此过程以Ti6Al4V材料为例，不同的材料需要进行退火过程的更正。
步骤二：对同一批试件进行初始残余应力的零值标定，其标定方法为对热处理过后的零应力试块进行铣削加工，本专利中采用Ti6Al4V作为加工的样件，采用刀具参数为φ17R0.4，是山高产品特制的刀具，刀具型号为CT-JHP780170R040.0Z4。选择合适加工参数，本发明中选择的刀具参数为切宽0.3mm、切深20mm、转速1200r/min、切削速度64m/min、每齿进给量0.1mm。对于此加工参数在不同的刀具与材料下得到的参数不同，需要进行测试选择。加工参数的选择主要基于以下两点：在铣削加工中径向切深小，以避免对工件本身初始残余应力分布产生过多影响；加工参数应该使得目标检测表面粗糙度高(约20μm)，以达到X射线残余应力仪的检测标准。
采用有限元法对零件加工表面的残余应力进行仿真，对于零应力试块，在有限元中不加载初始残余应力，在有限元仿真过程中，应当尽量设置刀具与加工条件与现实相符合，例如切削液条件、刀具涂层信息等。调整有限元仿真，使得加载零初始残余应力的仿真结果与实际加工结果的测量值误差在10％以内。此时认为仿真所模拟的环境近似实际的环境，即仿真造成的影响与加工造成的影响近似相同。
在有限元仿真过程中，采用正交车削代替铣削仿真的过程，根据铣削和车削的转换，需要对仿真的参数进行一些优化与设置，采用有效平均前角代替前角进行仿真，其中有效前角计算过程如下所示：
Figure BDA0003759073470000061
式中ha为切削厚度，re为刀具刃口圆弧半径，α0为刀具名义前角。
Figure BDA0003759073470000062
为经验常数，一般取值为2。θf为刀具与切屑的分离角，一般取值为37.6°。
步骤三：标定其他初始残余应力，受初始残余应力的影响下在相同加工条件下得到的表面残余应力值会有差别。在有限元中加载不同初始残余应力，在这里采用每隔10Mpa的初始残余应力进行加载，因为初始残余应力在层分布中的范围在-100到100Mpa，所以初始残余应力的加载从-100Mpa开始到100Mpa为止，共有20组有限元仿真实验。
如图3所示，为未加载初始残余应力的零值标定曲线，取10μm范围内的残余应力值作为其表面的残余应力值(X射线残余应力仪测量范围为10μm左右的值)，在图3中初始残余应力值约为130Mpa拉应力值，其勺型曲线波谷值为-270Mpa压应力。
可以从深度方向加载不同的初始残余应力进行分析，残余应力主要有3个值σxx、σyy、σxy(2D仿真中)。
如图4所示，为加载100Mpa初始残余应力值的仿真曲线，取10μm范围内的残余应力值作为其表面的残余应力值，在图4中初始残余应力值约为230Mpa拉应力值，其勺型曲线波谷值为-120Mpa压应力，这里以表面应力值为仿真相关标准，这里的仿真为演示案例，不同工件材料与加工参数所产生的值可能不同。
步骤四：加载初始残余应力后进行仿真，得到仿真加工表面残余应力值，在图4中对应为230Mpa，由于经过零值10％误差标定，此时认为加载初始残余应力的有限元仿真与实际加工中受初始残余应力影响的未退火工件的加工工况相同，在图3中对应位100Mpa。按照每10Mpa为一个间距，以有限元仿真值形成初始残余应力与表面仿真残余应力对应数据库。采用和上述零应力试块相同的加工参数对未热处理的工件(A类工件)进行相同的加工，利用X射线残余应力仪测量得到其表面的加工应力，将测量到的初始残余应力影响下的表面加工应力与加载初始残余应力的有限元仿真得到的表面残余应力值进行逆辨识。
如图5所示，采用机器学习神经网络，将初始残余应力加载值和加工条件等作为输入，通过机器学习得到初始残余应力加载值与仿真加工后表面残余应力的逆辨识映射关系，再由实际加工后表面的残余应力值逆向映射，得到工件沿厚度方向的初始残余应力，以此来预测同一批次零件的初始残余应力。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种初始残余应力的逆辨识预测方法，其特征在于，该预测方法包括下列步骤：
S1对于同一批零件，将该批零件分为两部分，一部分作为待检测零件，一部分作为试验零件，将所述试验零件进行去应力处理，以此消除其初始残余应力，对该消除初始残余应力的试验零件进行铣削加工，然后测量该试验零件的表面残余应力；
S2采用有限元仿真的方式进行零件初始残余应力-表面残余应力的仿真，设定初始残余应力为零，仿真获得仿真表面残余应力，将该仿真残余应力与步骤S1获得的试验零件的表面残余应力进行比较，调整仿真参数，直至仿真残余应力与所述试验零件的表面残余应力的差值在可接受阈值范围内，保存当前仿真参数，加载不同的初始残余应力，仿真获得不同的表面残余应力，构建初始残余应力与表面残余应力一一对应的数据库；
S3利用所述数据库构建预测模型，测试所述待检测零件的表面残余应力，将测试获得的表面残余应力输入所述预测模型中，以此获得待检测零件的初始残余应力，实现初始残余应力的逆辨识。
2.如权利要求1所述的一种初始残余应力的逆辨识预测方法，其特征在于，在步骤S1中，所述去应力处理采用退火处理，以消除初始残余应力。
3.如权利要求1或2所述的一种初始残余应力的逆辨识预测方法，其特征在于，在步骤S1中，测量表面残余应力采用X射线测量。
4.如权利要求1或2所述的一种初始残余应力的逆辨识预测方法，其特征在于，在步骤S2中，所述仿真参数为前刀面和基面的夹角，后角为后刀面和切削平面的夹角，即前角和后角。
5.如权利要求4所述的一种初始残余应力的逆辨识预测方法，其特征在于，所述前角采用有效平均前角代替前角进行仿真。
6.如权利要求5所述的一种初始残余应力的逆辨识预测方法，其特征在于，所述有效平均前角按照下列表达式计算获得：
Figure FDA0003759073460000021
其中，ha为切削厚度，re为刀具刃口圆弧半径，α0为刀具名义前角，
Figure FDA0003759073460000022
为经验常数，一般取值为2，θf为刀具与切屑的分离角，一般取值为37.6°。
7.如权利要求1或2所述的一种初始残余应力的逆辨识预测方法，其特征在于，在步骤S2中，所述加载不同的残余应力是从零件深度方向加载不同的残余应力。
8.如权利要求1所述的一种初始残余应力的逆辨识预测方法，其特征在于，在步骤S3中，所述预测模型采用神经网络预测模型。
CN202210867185.0A 2022-07-22 2022-07-22 一种初始残余应力的逆辨识预测方法 Pending CN115329479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210867185.0A CN115329479A (zh) 2022-07-22 2022-07-22 一种初始残余应力的逆辨识预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210867185.0A CN115329479A (zh) 2022-07-22 2022-07-22 一种初始残余应力的逆辨识预测方法

Publications (1)

Publication Number Publication Date
CN115329479A true CN115329479A (zh) 2022-11-11

Family

ID=83919797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210867185.0A Pending CN115329479A (zh) 2022-07-22 2022-07-22 一种初始残余应力的逆辨识预测方法

Country Status (1)

Country Link
CN (1) CN115329479A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116992778A (zh) * 2023-08-30 2023-11-03 西北工业大学 铣削加工残余应力变形预测方法、存储介质和电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116992778A (zh) * 2023-08-30 2023-11-03 西北工业大学 铣削加工残余应力变形预测方法、存储介质和电子设备
CN116992778B (zh) * 2023-08-30 2024-04-26 西北工业大学 铣削加工残余应力变形预测方法、存储介质和电子设备

Similar Documents

Publication Publication Date Title
Gao et al. An analytical model for predicting the machining deformation of a plate blank considers biaxial initial residual stresses
Borojević et al. Optimization of process parameters for machining of Al 7075 thin-walled structures
CN115329479A (zh) 一种初始残余应力的逆辨识预测方法
Tang et al. Empirical models for cutting forces in finish dry hard turning of hardened tool steel at different hardness levels
CN114492113A (zh) 一种基于激光映射实体网格的冲击损伤数值模拟优化方法
CN116698642A (zh) 一种汽修工具生产用的工作站控制方法及***
Sridhar et al. Effect of a milling cutter diameter on distortion due to the machining of thin wall thin floor components.
Zhu et al. A tool wear condition monitoring approach for end milling based on numerical simulation
Suraidah et al. End milling finite element method for cutting force prediction and material removal analysis
Tahir et al. Flank wear and I-kaz 3D correlation in ball end milling process of Inconel 718
Sreenivasulu et al. Optimum combination of machining parameters during drilling of Aluminium 7075 alloys using Grey based Taguchi approach
Anukhin et al. Thermal imaging in selecting the cutting conditions for high-temperature intermetallic alloys
Majagi et al. Optimization of incremental sheet metal forming parameters by design of experiments
CN113836774A (zh) 一种机理与数据融合的金属切削仿真过程不确定校准方法
CN108723454B (zh) 一种提高螺旋铣削加工精度的铣刀及设计方法
CN113843326A (zh) 一种考虑切边质量的金属板料冲压成形边部开裂预测方法
Mohammadi et al. Numerical and experimental analysis and optimization of process parameters of AA1050 incremental sheet forming
Sridhar et al. Volume of material removal on distortion in machining thin wall thin floor components
Huang et al. A quality control-based in-process artificial neural network surface roughness prediction system
Zawada-Michałowska et al. Effect of the Technological Parameters of Milling on Residual Stress in the Surface Layer of Thin-Walled Plates
Pooladi et al. Residual strains around cold worked holes from statistical view
Martín-Béjar et al. Cutting parameters influence on total run-out of dry machined UNS A97075 alloy parts
Patel et al. Optimisation of machining parameters on cutting force during end milling of AISI D2 tool steel using Genetic Algorithm
CN111055086B (zh) 一种喷丸强化后微量去除的表面修形和残余应力调控方法
CN117520767A (zh) 一种基于贝叶斯优化的加工颤振预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination