Проблема технологических деформаций при фрезерной обработке тонкостенных заготовок

Обложка

Цитировать

Полный текст

Аннотация

Введение. Технологи часто сталкиваются с трудностями при разработке процессов фрезерования тонкостенных изделий. При обработке нежестких деталей под действием сил резания происходит деформация заготовки, что приводит к неравномерному снятию материала и отклонению геометрии получаемой поверхности от расчетной. Существует ряд технологических приемов, позволяющих добиться требуемых параметров качества, но они, как правило, связаны с применением дополнительного оборудования, приспособлений или материалов, что неизбежно ведет к увеличению стоимости обработки. Цель работы заключается в развитии и обобщении нового подхода к обработке тонкостенных деталей применительно к фрезерованию. Этот подход называется «мягкие» режимы обработки и состоит он в том, чтобы с помощью численного моделирования для конкретных технологических условий подобрать рациональные параметры процесса резания. Подобранные таким образом режимы должны обеспечивать достижение заданных качеств изделия и при этом быть экономически обоснованными. Чтобы упросить процесс выбора, ранее была разработана автоматизированная система, позволяющая технологу учесть деформации при точении полых цилиндрических заготовок. Эта же система может быть использована как инструмент назначения режимов резания для случая фрезерной обработки, но для этого необходимо разработать модель деформации детали под действием сил резания. В работе рассматривается случай попутного фрезерования тонкостенного ребра цилиндрической фрезой. Методы исследования: в системе Abaqus разработана численная МКЭ-модель обработки заготовки с учетом ее податливости. Результаты и обсуждение. Результаты моделирования представлены в виде изображения трехмерных моделей с указанием деформаций заготовки, в виде графика силы резания в зависимости от времени обработки и в виде цветовой диаграммы результирующей толщины стенки детали. Анализ результатов позволяет сделать вывод о существенном вкладе податливости заготовки в качество поверхности, а также об актуальности применения численных моделей для предсказания точности обработки ввиду сложности и неравномерности получаемых искажений.

Об авторах

П. А. Еремейкин

Email: eremeykin@gmail.com
Аспирант, Институт машиноведения им. А.А. Благонравова РАН, Малый Харитоньевский переулок, д. 4, г. Москва, 101990, Россия, eremeykin@gmail.com

А. Д. Жаргалова

Email: azhargalova@bmstu.ru
Московский государственный технический университет им. Н.Э. Баумана, ул. 2-я Бауманская, д. 5 стр. 1, г. Москва, 105005, Россия, azhargalova@bmstu.ru

С. С. Гаврюшин

Email: gss@bmstu.ru
доктор технических наук, профессор; 1. Институт машиноведения им. А.А. Благонравова РАН, Малый Харитоньевский переулок, д. 4, г. Москва, 101990, Россия; 2. Московский государственный технический университет им. Н.Э. Баумана, ул. 2-я Бауманская, д. 5 стр. 1, г. Москва, 105005, Россия; gss@bmstu.ru

Список литературы

  1.    Budak E. Analytical models for high performance milling. Pt. 1. Cutting forces, structural deformations and tolerance integrity // International Journal of Machine Tools and Manufacture. – 2005. – Vol. 46, N 12–13. – P.1478–1488. – doi: 10.1016/j.ijmachtools.2005.09.009.
  2.    Masmali M., Mathew P. Application of a variable flow stress machining theory to helical end milling // Machining Science and Technology. – 2018. – Vol. 22, N 1. – P. 1–29. – doi: 10.1080/10910344.2017.1336182.
  3.    Huang Y., Zhang X., Xiong Y. Finite element analysis of machining thin-wall parts: error prediction and stability analysis // Finite element analysis: applications in mechanical engineering /ed. by F. Ebrahimi. -Rijeka, Croatia: InTech, 2012. – P. 327–354. – doi: 10.5772/50374.
  4.    Milling error prediction and compensation in machining of low-rigidity parts / S. Liu, S. Ratchev, W. Huang, A. Becker // International Journal of Machine Tools and Manufacture. – 2004. – Vol. 44, N 15. – P. 1629–1641. – doi: 10.1016/j.ijmachtools.2004.06.001.
  5.    Shrikrishna N.J., Gururaj B. Three-dimensional finite element based numerical simulation of machining of thin-wall components with varying wall constraints // Journal of the Institution of Engineers (India): Series C. – 2017. – Vol. 98, N 3. – P. 343–352. – doi: 10.1007/s40032-016-0246-9.
  6.    Izamshah R., Ding S., Mo J.P.T. Finite element analysis of machining thin-wall parts // Key Engineering Materials. – 2010. – Vol. 458. – P. 283–288. – doi: 10.4028/ href='www.scientific.net/KEM.458.283' target='_blank'>www.scientific.net/KEM.458.283.
  7.    Loehea J., Zaeha M.F., Roescha O. In-process deformation measurement of thin-walled workpieces // 5th CIRP Conference on High Performance Cutting 2012. – 2012. – Vol. 1. – P. 546–551. – doi: 10.1016/j.procir.2012.04.097.
  8.    Machining of thin-walled parts produced by additive manufacturing technologies / A. Isaev, V. Grechishnikov, P. Pivkin, M. Kozochkin, Y. Ilyuhin, A. Vorotnikov // Procedia CIRP. – 2016. – Vol. 41. – P. 1023–1026. – doi: 10.1016/j.procir.2015.08.088.
  9.    Scippa A., Grossi N., Campatelli G. FEM based cutting velocity selection for thin walled part machining // 6th CIRP International Conference on High Performance Cutting, HPC 2014. – 2014. – Vol. 14. – P. 287–292. – doi: 10.1016/j.procir.2014.03.023.
  10. Zelinski P. 10 tips for titanium // Modern Machine Shop. – 2013. – URL: https://www.mmsonline.com/articles/10-tips-for-titanium (accessed: 12.08.2019).
  11. Grabowski R., Denkena B., Köhler J. Prediction of process forces and stability of end mills with complex geometries // Procedia CIRP. – 2014. – Vol. 14. – P. 119–124. – doi: 10.1016/j.procir.2014.03.101.
  12. Investigation of moving fixture on deformation suppression during milling process of thin-walled structures / F. Jixiong, L. Bin, X. Juliang, D. Mei, Y. Shuai, Z. Xiaofeng, Z. Jin // Journal of Manufacturing Processes. – 2018. – Vol. 32. – P. 403–411. – doi: 10.1016/j.jmapro.2018.03.011.
  13. Метод определения условий механической обработки тонкостенных деталей / А.Д. Жаргалова, С.С. Гаврюшин, Г.П. Лазаренко, В.И. Семисалов // Известия высших учебных заведений. Машиностроение. – 2015. – № 1. – С. 53–60. – doi: 10.18698/0536-1044-2015-11-53-61.
  14. Eremeykin P., Zhargalova A., Gavriushin S. A software system for thin-walled parts deformation analysis // AIMEE 2017: Advances in Artificial Systems for Medicine and Education. – Cham: Springer, 2017. – P. 259–265. – doi: 10.1007/978-3-319-67349-3_24.
  15. Eremeykin P., Zhargalova A., Gavriushin S. Experimental substantiation of soft cutting modes method // AIMEE 2018: Advances in Artificial Systems for Medicine and Education II. – Cham: Springer, 2019. – P. 539–547. – doi: 10.1007/978-3-030-12082-5_49.
  16. Bilstein R.E. Stages to Saturn: a technological history of the Apollo/Saturn launch vehicle. – Washington, DC: NASA History Office, 1996. – 511 p.
  17. Johnson G.R., Cook W.H. A constitutive model and data for metals subjected to large strains, high strain rates and high temperatures // Proceedings of the 7th International Symposium on Ballistics. – The Hague, The Netherlands, 1983. – P. 541–547.
  18. Murugesan M., Dong W.J. Johnson Cook material and failure model parameters estimation of AISI-1045 medium carbon steel for metal forming applications // Materials. – 2019. – Vol. 609, N 12. – P. 02.
  19. Numerical and experimental investigation of Johnson–Cook material models for aluminum (Al 6061-T6) alloy using orthogonal machining approach / A. Sohail, K. Mushtaq, J.H.I. Syed, F. Muhammad // Advances in Mechanical Engineering. – 2018. – Vol. 10, N 9. – P. 1–14. – doi: 10.1177/1687814018797794.
  20.            Campatelli G., Scippa A. Prediction of milling cutting force coefficients for aluminum 6082-T4 // 5th CIRP Conference on High Performance Cutting 2012. – 2012. – Vol. 1. – P. 563–568. – doi: 10.1016/j.procir.2012.04.100.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».