英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
一种预测制造过程的能耗经验模型：以某车削过程为例
W Li and S Kara
新南威尔士大学生命周期工程与管理研究小组，澳大利亚悉尼
摘 要：
由高昂的能源成本和高能耗水平造成的环境影响所驱动，优化加工过程的能量利用率已经成为制造业的当务之急。机床执行车削过程所消耗的能量不仅包括切削过程能耗，还包括辅助功能的能耗。传统上，切削过程所需的能量是根据切割力预测方程估算的。但是，此估计仅限于刀头的能耗。因此，本文的目的是开发一种可靠的方法来预测执行车削操作的所选机床的总能耗。为了比较不同切削条件下的能耗，将单位能耗定义为一个功能单位：消耗1的物料所消耗的能耗。本文获得了基于在各种切削条件下的功率测量经验模型，并且能够为给定的工艺参数提供可靠的能耗预测。为了理解和解释能耗模型中的每个系数，本文还进行了其他调查。
关键词：经验模型、能耗、切削过程
- 介绍
近年来，通过优化过程效率来最大程度地减少能耗已成为制造工程和生命周期工程领域的首要任务[1]。为了减少制造商承受不断上升的能源成本的影响，制造业已经朝着更为节能的制造过程迈进了一步[2]。此外，对铣削和车削过程的初步研究表明，这些过程对环境的影响超过99％归因于其能耗水平[3]。因此，人们对优化这些过程以最小化成本和环境影响颇有兴趣[4]。为了实现这一目标，需要人们能够对制造过程的能耗进行适当的评估和记录。这样可以将我们担忧的能耗问题单独隔离开，并执行有效的纠正和修改措施。
机床的能量需求不仅包括为切削材料提供给刀尖的能量，还包括许多其他辅助功能[5]。迄今为止，还没有一种有效的方法来评估基于考虑所有消耗能量的过程的机床能耗。本文解决了这一缺陷，提出了数控车床的能耗模型：科尔切斯特龙卷风A50。为了比较不同切削条件下的能耗，将特定能耗（SEC）定义为功能单位：消耗1的物料所消耗的能耗。考虑到机床的复杂性，本文拟采用经验方法建立SEC和过程参数之间的关系。通过改变切削条件进行综合测量，开发出本文提出的能耗模型。另外，为了理解和解释能耗模型的每个系数，本文还进行了进一步的研究。
- 研究背景
传统上，理论上的最小切削力是基于切削力预测模型来估算的。力与力之间的基本物理关系由下列等式给出：
切削力预测有两种主要方法。 第一个使用正交切削加工理论，例如Oxley模型[6]。而第二种方法是应用经验建模，例如 Armarego等人的切削力预测方法[7]。因此，存在不同的力和压力方程式来表征切削力。此外，通常很难找到每种情况的系数，或者很难理解不同方程之间的关系。更重要的是，基于切削力预测的最小切削力的估计值主要用于比较机械扭矩输出，以评估机床的能力。因此，这种方法只能得出机床总能耗的一部分：仅用于切削刀具的能耗。
诸如Seco Tools之类的切削刀具制造商还提供了有关切削性能评估的特定信息，包括额定功率需求。在Seco Tools刀具目录中，切削功率要求与切削参数，刀具几何形状，工件材料和效率有关。 等式中对此进行了说明[8]：
效率表示刀头能耗与机床总能耗之间的关系，是一个关键参数。但是，各个文献都没有关于它的进一步信息，因此功率估算是不切实际的。Draganescuetal[9]，试图在立式铣床的切削参数和效率之间建立一种关系。即使这项工作仅限于主轴驱动电机，结果仍显示出估算效率值的复杂性。没有证据可以验证其他过程的统计模型。最近，Gutowski等人[2，10]，对加工过程进行了一系列环境分析。 他们还为这些制造工艺引入了理论功耗方程。 如等式所示，基于热力学平衡方法建立了一种关系，该方法被称为火用框架：
对于车削过程来说，是由于辅助部件而产生的空载功率，而是指特定的切削能量参数。作者指出，使用本能概念简化制造过程非常重要，并且主要因素是材料去除过程的工艺速度或材料去除率（MRR）。但是，在这项工作中没有明确定义因素和。 在不知道每个因素的价值和理论的情况下，能量预测仍然不可行。
虽然车削过程仅包含一个切削点，但机床是一个复杂的系统，其中包括几个不同的电机，控制系统和其他辅助组件，如图1所示。主要的功率消耗部分（例如主轴电机和伺服电机）取决于负载组件。此外，那些组件消耗的能量不仅转换成材料去除率，还转变成热能等其他形式的能量。由于现状还没有可以应用的理论来解释这种复杂系统的行为，因此通常采用经验方法来研究这些系统[11-14]。在本文中也是如此，采用了经验方法来开发可用于预测能耗的模型。
图1 机床组成示意图
- 研究方法
由于这些变量的力学模型未知，本文的经验模型将基于这些变量的观测数值构建。如前文所述，就能耗而言，加工变量与机床行为之间的关系非常复杂，仍然是会被持续研究的主题。因此，经验方法可能是建立这种关系的有效方法[15]。 本文所采用的方法包括三个阶段：实验设计，实验测量以及分析和建模。
响应面方法（RSM）方法用于计划本研究中进行的实验。它需要至少三个水平的方差才能实现可靠的能耗模型。 Minitab 15版软件和以基准面为中心的复合设计选项用于制定RSM的实验计划。为了获取准确有效的数据，开发了电源监控平台。该平台包括一个LabVIEW编程接口和一个紧凑的NI Cdaq-9172数据采集机箱，一个NI 9225电压测量模块，一个NI 9229电流测量模块以及将电流信号转换成电压信号的Fluke电流钳。系统可以以0.1 s的采样间隔连续记录机床的功耗。由于本研究的目的是预测机床的总能耗，因此测量点位于电源总线上。实验设置如图2所示。使用SPSS统计分析软件包对观察到的数据进行处理，以获得经验模型及其系数。进行曲线估计是为了在观察到的数据和变量之间得出最真实的模型，其中R平方值表示模型的准确性。
图2 实验设备图
- 经验模型
- 实验设计
有许多因素会影响车削过程中的切削选择。 它们通常可以分为四类之一：刀具状况：即材料，刀片几何形状，刀具磨损等；工件材料：一般指硬度和切削性；切削参数：即速度，进给和切削深度；切削液：是否使用冷却液。
但是，如果想涉及到所有因素，那么所需的实验次数将变得不切实际。 因此，减少变量的数量是必不可少的任务，这可以通过隔离那些对功率需求没有显着影响的因素来实现。
切削力模型表明，切削力主要取决于剪切区内的剪切应力，该剪切应力取决于工件材料，进给量和切削深度[6]。最初的实验是通过改变前角和机头半径来进行的。结果表明，就总功率需求而言，刀具状况对机床性能的影响不大。
当施加切削液时，冷却液泵以恒定水平汲取电流。 尽管采用切削液可以改善表面光洁度和刀具寿命，但它有助于在电耗方面满足固定的功率需求。为了保持实验的一致性，本文在干切条件下进行了实验。
工件材料和切削参数对车削性能有重要影响。工件的硬度和可加工性限制了刀片的选择以及切削参数的范围[8]。例如，铝可以高速切削，而高强度钢的切削则相对较慢。
由于工件材料和工艺参数之间具有很强的相关性，因此本文使用三种不同的材料进行了实验：铝2011，光亮低碳钢1020和高强度钢4140。每种切削参数的方差水平根据机器的加工能力确定，如下表1列出了实验顺序。本文使用Minitab 15版生成了实验序列并将其随机化。此外，在所有测量中均使用通用插件WNMG 06T208-PP（IC9025级）以保持实验的一致性。
表1 所选材料每个过程变量的参数值
|
材料 |
因素 |
等级1 |
等级2 |
等级3 |
|
铝（2011） |
200 |
300 |
400 |
|
|
0.1 |
0.2 |
0.3 |
||
|
1.0 |
1.5 |
2.0 |
||
|
光亮低碳钢1020 |
100 |
150 |
200 |
|
|
0.1 |
0.2 |
0.3 |
||
|
0.5 |
1.0 |
1.5 |
||
|
高强度钢4140 |
90 |
120 |
150 |
|
|
0.1 |
0.15 |
0.2 |
||
|
0.5 |
1.0 |
1.5 |
- 实验和策略方案
每个实验中有三个切削阶段。首先，将粗金属棒校正为直径49毫米的通用尺寸，即剥皮，然后进行两次重复的端面切削以检查主轴加速度，其中表面速度恒定。然后使用计划的工艺参数进行50毫米长的水平切割，并将其重复两次。如图3所示，绘制了以0.1s的时间间隔的完整运行的测量功率与时间的关系。功率曲线精确地反映了这些加工操作。但是，由于沿一个切口的MRR不一致，因此对与切口相关的数据进行分析会出现问题。当工件直径减小时，主轴需要成指数地加速，以创建恒定的MRR。因此，一旦主轴达到其最大值，在这种情况下为4000，并且不再能够补偿工件直径的减小，则MRR减小。而且，表面操作实际上只占全部清除工作的一小部分。因此，分析主要集中在水平加工动作上。另外，实验记录了没有工件时的功率，即空载功率（气割）。在气割期间，机床需要动力来执行基本操作，例如旋转主轴并沿编程的切削路径移动切削工具。正常切割和空气切割的值之间的差异表示去除材料所需的功率。这将在第5节中详细讨论。
图3 功率监测实例
- 分析和建模
首先，将三个水平切口分开，如图3所示。每个切口的能耗是整个切割期间的功率对时间的积分。确定切割体积以用于计算相关切割参数。 因此，计算出SEC（方程）作为RSM中的因变量：
基于这种实验设计，总共有178个观察到的数据点作为建模的输入值。据Gutowski[10]等人说，MRR是给定材料去除过程的主要独立因素。因此，本文使用SPSS统计分析程序对SEC中针对MRR图绘制的数据执行了曲线估计程序。该程序包含11种不同类型的模型，从线性模型到二次模型，从对数模型到指数模型，输出的R平方值代表每种模型的准确性，如图4所示。
图4 SEC和MRR图的拟合曲线
表2 SEC模型总结
根据使用曲线估计程序获得的结果，似乎逆模型可以解释SEC中超过99％的变化。结果验证了文献中先前的报告，因此没有必要引入其他变量来描述SEC与过程参数之间的关系。统计分析的结果在表2中列出，Rsquare值指示可以在经验模型中解释所观察到数据的99.3％的方差。从方差分析结果来看，较大的F值和较小的显着性水平表明SEC和MRR之间具有很强的相关性。 因此，如等式（5）所示，所选机床的导出经验模型非常符合观测数据。
其中是逆模型的系数，是预测系数，而MRR是逆模型的预测去除功率。
经验方法将机床视为一个整体系统，它根据两个系数和简化了特定能耗与预测值MRR之间的关系。但是，每个系数的值可能在不同机器之间以及同一机器上的过程之间有所不同。更重要的是，很难为经验模型的每个系数精确地分配因素。因此，本文进行了进一步的调查，这些调查的结果在第5节中介绍。
- 模型有效性分析
为了验证经验模型，本文还进行了其他实验。 由于MRR是经验模型中唯一包含的变量，因此在验证实验中使用了不同的材料（黄铜和低碳钢1045）。 本实验使用了四组新的过程参数，这些参数与模型开发阶段使用的参数不同。 表3中列出的结果表明，该经验模型能够成功地预测给定一组工艺参数的机床总能耗，其准确度超过90％。
表3 模型有效性实验的结果
- 模型的相关讨论
方程的经验模型与Gutowski[10]等人提出的火用框架相吻合。但是，当被测机床处于待机模式时，系数不等于测得的固定功率1.
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238404]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
