一种用于识别钛合金切削用j-c本构参数的方法和装置
技术领域
1.本发明涉及钛合金切削技术领域，特别是指一种用于识别钛合金切削用j-c本构参数的方法和装置。
背景技术：2.高速切削可能产生高频振动切削力，而这种高频振动进一步引起刀具系统振动，加剧刀具损耗；切削力大小也影响加工表面粗糙度，一般切削力越大，加工表面粗糙度越大。目前，切削力以及刀具磨损预测研究主要集中在经验法、解析法和数值仿真。经验法依赖于大量精准的实验测量数据，偶然的测量误差对经验公式准确建立有较大影响，且经验法并未考虑材料特性对切削力的影响。解析法利用材料本构模型计算剪切流动应力，可考虑材料特性，但需要通过实验标定剪切角、切屑与刀具之间的摩擦角等难获取物理量，影响解析法预测精度和效率。数值仿真能同时考虑材料特性和计算剪切角等难获取物理量。相对经验法和解析法，数值仿真能反映切削过程中应力、应变、温度等动态演变规律。
3.数值仿真分析的精度取决于仿真模型输入参数的准确性，尤其是材料本构参数。金属材料切削中流动应力与应变、应变率、温度等有关。j-c本构模型是johnson和cook针对材料大应变、高应变率、高温等情况下提出的材料本构模型，能够综合描述材料的应变强化、应变率强化和温度软化效应。由于切削过程中涉及大应变、高应变率和高温情况，因此，该模型经常被用来描述切削加工过程中的材料力学行为。分离式霍普金森压杆压缩试验(shpb)常用来复现切削过程中材料变形规律，但它获取的流动应力数据有一定限制，应变率远低于切削时的应变率，并且需要用专门的实验器材，时间和经济成本较高。
4.材料的静态力学性能和蠕变性能均可按相应的国家标准进行测试；而金属材料的动态力学性能测试还没有国标，也未形成相应的规范，这就使得不同研究单位测得的同种材料动态力学性能参数可能不同。为了准确描述材料动态力学性能，从而保证数值仿真的准确性，开展对钛合金的本构模型参数的精确识别研究是很有必要的。
5.目前，学者相继提出不同的间接获取本构模型参数的方法。切削试验法以最小化预测流动应力和试验获得的流动应力的平均相对误差，间接获取本构模型参数，但该方法将切削力代入切削模型之中计算应力等物理量，增加了辨识参数的时间。另外，动态剪切试验及其相应仿真输出的力－位移曲线之间的误差最小化，也被用于间接获取本构模型参数，但该方法需要专门试样进行剪切试验，时间和经济成本较高。
技术实现要素：6.本发明的主要目的在于克服现有技术中的上述缺陷，提出一种用于识别钛合金切削用j-c本构参数的方法和装置，通过钛合金车削试验，最小化试验和仿真输出的平均切削力之间的误差，获取本构模型参数，减少了参数辨识时间。
7.本发明采用如下技术方案：
8.一种用于识别钛合金切削用j-c本构参数的方法,其特征在于，包括：
9.1)用数控车床和测力计进行钛合金车削实验，获得实验切削力；
10.2)选用j-c本构模型并采用多水平正交设计多组参数，将参数带入二维车削仿真模型中获取不同组参数下的仿真切削力；
11.3)参数识别以最小化仿真误差为目标，进行回归分析及迭代优化，在迭代优化过程中不断调整本j-c本构模型的参数，将每一组参数对应的切削力与实验切削力对比得到误差，当误差小于设定的标准值时，算法停止迭代，得到优化后的j-c本构模型中的参数。
12.优选的，所述j-c本构模型如下：
[0013][0014]
其中，σ是流动应力，ε是塑性应变，是应变率，是参考应变率，t是工件材料温度，tr是室温，tm是工件熔点，a、b、c、m和n是模型常数，分别表示屈服应力、硬化模量、应变率敏感系数、热软化系数和硬化系数。
[0015]
优选的，所述采用多水平正交设计多组参数具体为：查阅文献中常用的三组本构参数取值，每个参数的上下限为三组本构参数中该参数的最大值与最小值，并在取值范围内确定每个参数的五个水平，进行五因素五水平的正交试验。
[0016]
优选的，步骤3)中，所述误差为仿真切削力和实验切削力的绝对误差：f(a,b,c,m,n)＝min{|f
test-f
avg
|}
[0017]
其中f
test
是仿真切削力，f
avg
是实验平均切削力。
[0018]
优选的，还包括有步骤4)评估优化后的j-c本构模型中的参数在钛合金切削力预测的准确性，具体如下：
[0019]
4.1)用五轴加工中心与测力计进行钛合金铣削实验，得到实验切削力；
[0020]
4.2)将步骤3)中得到的优化后的j-c本构模型中的参数，代入三维铣削有限元仿真模型之中得到仿真铣削力，将其与步骤4.1)得到实验切削力进行比对，评估识别钛合金切削用j-c本构参数的精度。
[0021]
优选的，所述二维车削仿真模型的构建方法如下：
[0022]
(a)建立刀具和工件模型；
[0023]
(b)输入刀具和工件的材料参数，定义平面应力/应变厚度；
[0024]
(c)设定单元类型为四边形单元；
[0025]
(d)网格划分，对被切削部分进行网格的加密；
[0026]
(e)定义分析步时间，选择需要输出的场输出、历程输出数据；
[0027]
(f)设定边界条件，定义车刀为刚体，并赋予移动速度；
[0028]
(g)仿真求解，输出力分析结果。
[0029]
优选的，所述三维铣削有限元仿真模型的构建方法如下：
[0030]
(a)建立刀具和工件模型；
[0031]
(b)输入刀具和工件的材料参数；
[0032]
(c)设定单元类型为四面体单元；
[0033]
(d)网格划分，对被切削部分进行网格的加密；
[0034]
(e)定义分析步时间，选择需要输出的场输出、历程输出数据；
[0035]
(f)设定边界条件，定义铣刀为刚体，并赋予移动和转动速度；
[0036]
(g)仿真求解，输出力分析结果。
[0037]
优选的，步骤3)中采用误差反向传播神经网络进行回归。
[0038]
优选的，其特征在于，步骤3)中参数识别以最小化仿真误差为目标，使用粒子群算法来进行参数的准确获取。
[0039]
一种用于识别钛合金切削用j-c本构参数的装置，其特征在于：
[0040]
钛合金车削实验模块，用数控车床和测力计进行钛合金车削实验，获得实验切削力；
[0041]
二维车削仿真模块，选用j-c本构模型并采用多水平正交设计多组参数，将参数带入二维车削仿真模型中获取不同组参数下的仿真切削力；
[0042]
参数优化模块，参数识别以最小化仿真误差为目标，进行回归分析及迭代优化，在迭代优化过程中不断调整本j-c本构模型的参数，将每一组参数对应的切削力与实验切削力对比得到误差，当误差小于设定的标准值时，算法停止迭代，得到优化后的j-c本构模型中的参数。
[0043]
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
[0044]
1、本发明依据小样本的仿真与二维车削实验数据，结合回归分析和优化算法，能够实现j-c本构模型参数的快速准确识别。
[0045]
2、本发明构建基于最优j-c本构模型参数的铣削仿真模型，同铣削实验结果对比，证明基于车削仿真-实验对比得出的最优参数能推广到铣削过程之中，从而建立准确的切削力预测模型。
[0046]
3、本发明不仅节约时间与成本，还有效地提高了材料本构参数获取精度，保证了仿真结果的准确性。
附图说明
[0047]
图1为本发明的方法的流程图；
[0048]
图2为车削实验简图；
[0049]
图3为二维车削仿真过程云图；
[0050]
图4为j-c本构模型参数优化前后的车削实验-二维仿真切削力变化曲线对比图；
[0051]
图5为铣削实验简图；
[0052]
图6为三维铣削仿真过程云图；
[0053]
图7分别为j-c本构模型参数优化前后的铣削实验-三维仿真切削力变化曲线对比图；
[0054]
其中：
[0055]
10、工件，20、刀具，30、测力计，40、加工平面。
[0056]
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
[0057]
以下通过具体实施方式对本发明作进一步的描述。
[0058]
参见图1，一种用于识别钛合金切削用j-c本构参数的方法,包括：
[0059]
1)用数控车床和测力计进行钛合金车削实验，获得实验切削力。
[0060]
2)选用j-c本构模型并采用多水平正交设计多组参数，将多组参数带入二维车削仿真模型中获取不同组参数下的仿真切削力。
[0061]
其中，j-c本构模型如下：
[0062][0063]
其中，σ是流动应力，ε是塑性应变，是应变率，是参考应变率，t是工件材料温度，tr是室温，tm是工件熔点。a、b、c、m和n是模型参数，分别表示屈服应力、硬化模量、应变率敏感系数、热软化系数和硬化系数。以a、b、n、m、c五个参数作为仿真设计的五个因素，采用多水平正交设计多组参数具体为：查阅文献中常用的三组本构参数取值，每个参数的上下限为三组本构参数中该参数的最大值与最小值，并在取值范围内确定每个参数的五个水平，进行五因素五水平的正交试验。
[0064]
该建模方法不仅用于车削仿真获取训练样本，也用于三维铣削有限元仿真之中，评估此方法获取的j-c参数在钛合金切削力预测的准确性。
[0065]
一旦满足起始标准，abaqus将用相关的损伤演化定律来确定材料失效过程，本发明选用的是johnson-cook损伤起始准则。johnson-cook损伤起始准则假设金属由于孔洞的形核、生长和合并而断裂。其损伤开始的标准是等效塑性应变定义为
[0066][0067]
其中，d
1-d5是失效常数，是参考应变率，是塑性应变率，η是应力三轴度
[0068]
η＝-p/q
[0069]
其中，p是平均应力，q是mises应力。是无量纲温度，它由如下式子定义：
[0070][0071]
式中，θ是当前温度，θ
melt
是熔化温度，θ
transition
是转变温度。转变温度指的是在低于该温度时，对损伤应变的表达没有温度依赖性。当与j-c塑性本构模型结合使用时，熔化温度和转变温度的规定值应与塑性定义中规定的值一致。在本方法中均选取熔化温度1650℃，转变温度20℃。
[0072]
然后，定义韧性金属的损伤演化机制。abaqus中假设材料的损伤是材料刚度的逐渐退化，最终导致材料失效，它必须与韧性金属的损伤起始标准结合使用。本方法中损伤演化类型选择位移，软化方法选择线性，即材料的损伤变量随着变形线性变化。
[0073]
本发明中，二维车削仿真模型的构建方法如下：
[0074]
(a)建立刀具和工件模型；
[0075]
(b)输入刀具和工件的材料参数，定义平面应力/应变厚度；
[0076]
(c)设定单元类型为四边形单元；
[0077]
(d)网格划分，对被切削部分进行网格的加密；
[0078]
(e)定义分析步时间，选择需要输出的场输出、历程输出数据；
[0079]
(f)设定边界条件，定义车刀为刚体，并赋予移动速度；
[0080]
(g)仿真求解，输出力分析结果。
[0081]
3)参数识别以最小化仿真误差为目标，进行回归分析及迭代优化，在迭代优化过程中不断调整本j-c本构模型的参数，将每一组参数对应的切削力与实验切削力对比得到误差，当误差小于设定的标准值时，算法停止迭代，得到优化后的j-c本构模型中的参数。
[0082]
本发明中，由于数值仿真的运算量较大，获取较多的训练样本耗时太长。针对前面获得的小样本，在“少样本，贫信息”的数据情况下，本方法采用误差反向传播神经网络进行回归，误差反向传播神经网络简称为bp(back propagation)网络，它是一种具有三层或三层以上的多层神经网络，每一层都由若干个神经元组成。随着误差逆传播训练的不断进行，网络对输入模式响应的正确率也将不断提高。以此构建精确的力与本构方程参数的映射模型。定义输入参数为5，输出参数为1，隐藏层数为6，输出层数为1。
[0083]
以最小化仿真误差为目标，使用粒子群算法(particle swarm optimization，pso)来进行参数的准确获取。粒子群算法是基于群体智能理论的优化算法，通过群体中个体间的协作和信息共享来寻求优解。与遗传算法比较，会更快的收敛于最优解。定义粒子数量为50、粒子最大速度为0.5、学习因子c1为1.5、c2为2.5、惯性权重为0.6、适应度函数定义为：
[0084]
f(a,b,c,m,n)＝min{|f
test-f
avg
|}
[0085]
其中，f
test
是仿真切削力，f
avg
是实验平均切削力。
[0086]
该步骤中，误差为仿真切削力和实验切削力的绝对误差，也即该适度函数。
[0087]
初始j-c本构参数取值范围a∈[800，1200]，b∈[200，600]，c∈[0.15，0.55]，m∈[0.6，1.4]，n∈[0.01，0.04]。在迭代优化过程中不断调整本构模型中的5个参数，将每一组参数对应的切削力与实验所得的切削力对比得到误差，当误差小于设定的标准值时，算法停止迭代，得到优化后的j-c本构模型中的参数。
[0088]
本发明还包括有步骤4)评估优化后的j-c本构模型中的参数在钛合金切削力预测的准确性，具体如下：
[0089]
4.1)用五轴加工中心与测力计进行钛合金铣削实验，得到实验切削力；
[0090]
4.2)将步骤3)中得到的优化后的j-c本构模型中的参数，代入三维铣削有限元仿真模型之中得到仿真铣削力，将其与步骤4.1)得到实验切削力进行比对，评估识别钛合金切削用j-c本构参数的精度。
[0091]
该步骤中，三维铣削有限元仿真模型的构建方法如下：
[0092]
(a)建立刀具和工件模型；
[0093]
(b)输入刀具和工件的材料参数；
[0094]
(c)设定单元类型为四面体单元；
[0095]
(d)网格划分，对被切削部分进行网格的加密；
[0096]
(e)定义分析步时间，选择需要输出的场输出、历程输出数据；
[0097]
(f)设定边界条件，定义铣刀为刚体，并赋予移动和转动速度；
[0098]
(g)仿真求解，输出力分析结果。
[0099]
本发明用车削过程来进行本构方程参数的识别，用铣削过程来进行参数精度的评估，证明了该方法能够较好地预测切削过程中的切削力。
[0100]
本发明还提出一种用于识别钛合金切削用j-c本构参数的装置，其采用上述的一种用于识别钛合金切削用j-c本构参数的方法，其包括如下：
[0101]
钛合金车削实验模块，用数控车床和测力计进行钛合金车削实验，获得实验切削力；
[0102]
二维车削仿真模块，选用j-c本构模型并采用多水平正交设计多组参数，将参数带入二维车削仿真模型中获取不同组参数下的仿真切削力；
[0103]
参数优化模块，参数识别以最小化仿真误差为目标，进行回归分析及迭代优化，在迭代优化过程中不断调整本j-c本构模型的参数，将每一组参数对应的切削力与实验切削力对比得到误差，当误差小于设定的标准值时，算法停止迭代，得到优化后的j-c本构模型中的参数。
[0104]
本发明的装置还包括钛合金铣削实验模块、三维铣削有限元仿真模型和评估识别模块，该钛合金铣削实验模块用五轴加工中心与测力计进行钛合金铣削实验，得到实验切削力。该三维铣削有限元仿真模型用于将参数优化模块得到的优化后的j-c本构模型中的参数，代入三维铣削有限元仿真模型之中得到仿真铣削力。该评估识别模块用于将三维铣削有限元仿真模型得到的仿真铣削力与钛合金铣削实验模块得到的实验切削力进行比对，评估识别钛合金切削用j-c本构参数的精度。
[0105]
本发明不用通过分离式霍普金森压杆试验(shpb)来获取材料本构模型参数。shpb试验应变率往往达不到切削中的高应变率，对于切削过程中的大应变(大于1)、大应变率(10
3-106s-1
)和高温下的塑性变形难以准确地描述，同时shpb需要专门器材进行大量试验。因而本发明不仅节约时间与成本，还有效地提高了材料本构参数获取精度，保证了仿真结果的准确性。
[0106]
以下举例说明本发明。
[0107]
1)用数控车床和测力计进行钛合金车削实验，获取实验切削力，如图2所示，包括工件10和刀具20。本实施例所用设备为科尔切斯特龙卷a50数控车床。被切削工件材料为ti6al4v钛合金，实验条件设置如表1所示。
[0108]
表1
[0109][0110]
2)选用j-c本构模型并采用多水平正交设计多组参数，将参数带入二维车削仿真模型中获取不同组参数下的仿真切削力。如表2所示，以本构方程中a、b、n、m、c五个参数作
为仿真设计的五个因素，采用多水平正交设计本构参数集合，按一定的梯度对五个因素分别确定五个水平，将参数代入二维车削仿真之中，如图3所示，进行25次车削仿真，获取不同组参数下的仿真切削力数据。
[0111]
表2
[0112][0113]
可得训练样本仿真误差，l
25
(55)正交表如表3所示。
[0114]
表3
[0115]
[0116]
[0117][0118]
3)参数识别以最小化仿真误差为目标，进行回归分析及迭代优化，在迭代优化过程中不断调整本j-c本构模型的参数，将每一组参数对应的切削力与实验切削力对比得到误差，当误差小于设定的标准值时，算法停止迭代，得到优化后的j-c本构模型中的参数。
[0119]
根据表3中样本，使用bp网络构建切削力仿真误差与本构方程参数的回归模型。据此回归模型，用粒子群算法识别最小切削力仿真误差对应的本构方程参数。表4为参数识别结果。将该优化后的参数与未优化的参数分别代入原二维车削仿真模型之中，输出仿真切削力并与实验结果对比，如图4所示。使用优化前的参数进行仿真的平均切削力误差为20.42％，优化后误差减小为0.5％，可见用优化后的本构方程参数预测车削切削力已较准确。
[0120]
表4
[0121][0122]
4)评估优化后的j-c本构模型中的参数在钛合金切削力预测的准确性。
[0123]
进行钛合金铣削试验，如图5所示将工件10(钛合金工件)安装在测力计30(kistler 9257b)的顶部，测力计30安装于铣削中心的加工平面40，测量三个方向的切削力。案例所用设备为deckelmaho五轴计算机数控(cnc)铣削中心，被切削工件材料为ti6al4v钛合金，实验条件设置如表5所示。
[0124]
表5
[0125][0126]
步骤(5)，将步骤(3)中得到的最优解，代入三维铣削有限元仿真之中，模型如图6所示。将铣削力仿真所得结果与实验所测得的铣削力结果进行比对(图7)，评估钛合金切削用j-c本构参数识别精度。主铣削力仿真误差为5.1％，径向铣削力仿真误差为5.2％，轴向铣削力仿真误差为19.7％。可以发现，钛合金铣削力的各个分力的仿真在变化趋势、平均力大小的预测上都有较高精度，证明用车削过程来进行本构方程参数的识别，用铣削来进行参数精度的评估，该方法能够较好地预测切削过程中的切削力。
[0127]
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此
构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。
技术特征：1.一种用于识别钛合金切削用j-c本构参数的方法,其特征在于，包括：1)用数控车床和测力计进行钛合金车削实验，获得实验切削力；2)选用j-c本构模型并采用多水平正交设计多组参数，将参数带入二维车削仿真模型中获取不同组参数下的仿真切削力；3)参数识别以最小化仿真误差为目标，进行回归分析及迭代优化，在迭代优化过程中不断调整本j-c本构模型的参数，将每一组参数对应的切削力与实验切削力对比得到误差，当误差小于设定的标准值时，算法停止迭代，得到优化后的j-c本构模型中的参数。2.如权利要求1所述的一种用于识别钛合金切削用j-c本构参数的方法,其特征在于，所述j-c本构模型如下：其中，σ是流动应力，ε是塑性应变，是应变率，是参考应变率，t是工件材料温度，t
r
是室温，t
m
是工件熔点，a、b、c、m和n是模型常数，分别表示屈服应力、硬化模量、应变率敏感系数、热软化系数和硬化系数。3.如权利要求1所述的一种用于识别钛合金切削用j-c本构参数的方法,其特征在于，所述采用多水平正交设计多组参数具体为：查阅文献中常用的三组本构参数取值，每个参数的上下限为三组本构参数中该参数的最大值与最小值，并在取值范围内确定每个参数的五个水平，进行五因素五水平的正交试验。4.如权利要求2所述的一种用于识别钛合金切削用j-c本构参数的方法，其特征在于，步骤3)中，所述误差为仿真切削力和实验切削力的绝对误差：f(a,b,c,m,n)＝min{|f
test-f
avg
|}其中f
test
是仿真切削力，f
avg
是实验平均切削力。5.如权利要求1所述的一种用于识别钛合金切削用j-c本构参数的方法，其特征在于，还包括有步骤4)评估优化后的j-c本构模型中的参数在钛合金切削力预测的准确性，具体如下：4.1)用五轴加工中心与测力计进行钛合金铣削实验，得到实验切削力；4.2)将步骤3)中得到的优化后的j-c本构模型中的参数，代入三维铣削有限元仿真模型之中得到仿真铣削力，将其与步骤4.1)得到实验切削力进行比对，评估识别钛合金切削用j-c本构参数的精度。6.如权利要求1所述的一种用于识别钛合金切削用j-c本构参数的方法，其特征在于，所述二维车削仿真模型的构建方法如下：(a)建立刀具和工件模型；(b)输入刀具和工件的材料参数，定义平面应力/应变厚度；(c)设定单元类型为四边形单元；(d)网格划分，对被切削部分进行网格的加密；(e)定义分析步时间，选择需要输出的场输出、历程输出数据；(f)设定边界条件，定义车刀为刚体，并赋予移动速度；
(g)仿真求解，输出力分析结果。7.如权利要求5所述的一种用于识别钛合金切削用j-c本构参数的方法，其特征在于，所述三维铣削有限元仿真模型的构建方法如下：(a)建立刀具和工件模型；(b)输入刀具和工件的材料参数；(c)设定单元类型为四面体单元；(d)网格划分，对被切削部分进行网格的加密；(e)定义分析步时间，选择需要输出的场输出、历程输出数据；(f)设定边界条件，定义铣刀为刚体，并赋予移动和转动速度；(g)仿真求解，输出力分析结果。8.如权利要求1所述的一种用于识别钛合金切削用j-c本构参数的方法，其特征在于，步骤3)中采用误差反向传播神经网络进行回归。9.如权利要求1所述的一种用于识别钛合金切削用j-c本构参数的方法，其特征在于，步骤3)中参数识别以最小化仿真误差为目标，使用粒子群算法来进行参数的准确获取。10.一种用于识别钛合金切削用j-c本构参数的装置，其特征在于：钛合金车削实验模块，用数控车床和测力计进行钛合金车削实验，获得实验切削力；二维车削仿真模块，选用j-c本构模型并采用多水平正交设计多组参数，将参数带入二维车削仿真模型中获取不同组参数下的仿真切削力；参数优化模块，参数识别以最小化仿真误差为目标，进行回归分析及迭代优化，在迭代优化过程中不断调整本j-c本构模型的参数，将每一组参数对应的切削力与实验切削力对比得到误差，当误差小于设定的标准值时，算法停止迭代，得到优化后的j-c本构模型中的参数。
技术总结一种用于识别钛合金切削用J-C本构参数的方法和装置，包括：1)用数控车床和测力计进行钛合金车削实验，获得实验切削力；2)选用J-C本构模型并采用多水平正交设计多组参数，将参数带入二维车削仿真模型中获取不同组参数下的仿真切削力；3)参数识别以最小化仿真误差为目标，进行回归分析及迭代优化，在迭代优化过程中不断调整本J-C本构模型的参数，将每一组参数对应的切削力与实验切削力对比得到误差，当误差小于设定的标准值时，算法停止迭代，得到优化后的J-C本构模型中的参数。本发明不仅节约时间与成本，还有效地提高了材料本构参数获取精度，保证了仿真结果的准确性。保证了仿真结果的准确性。保证了仿真结果的准确性。
技术研发人员：陈云 陈树远 侯亮 卓光晨 卜祥建
受保护的技术使用者：厦门大学
技术研发日：2022.06.07
技术公布日：2022/11/1
