磨削精度（精选4篇）
磨削精度 篇1
0引言
在影响零件磨削精度的多种原因中,温度的影响不容忽视,特别是在磨削铜合金材料时,由于材料的热膨胀系数大,温度是影响产品质量的主要原因。往往精心加工的一批零件自检尺寸全部合格,送检后由于检验室与加工现场的温度差异大,零件热胀冷缩,导致送检零件成批超差。在消除了温差对测量的影响后,通过对铜合金进行了多批次的磨削,结果表明,温度是影响该零件测量准确性的关键因素,并得到了检验室检验结果的验证。
本文以某铍青铜零件为例,对零件在两种温度下的变化进行对比测量并分析相应磨削方法,实践证明此方法简单可靠、实用性强,且质量稳定。
1零件技术分析
2磨削零件产生的问题
零件磨削完成后,用块规和杠杆千分表对零件进行测量,现场自检值与检验室的检测值有较大差异,达0.012~0.015 mm之间,再返回现场进行复查时,零件尺寸又是合格的,便怀疑是操作和测量误差影响,磨削第二件测量仍然出现上述现象。
3产生问题的原因
经过分析思考,操作和测量误差对尺寸有一定的影响,但主要原因是由于零件在两种环境中测量时,环境温度相差较大,零件产生热胀冷缩现象,特别是夏天气温高,测量温差更大。
4温度对零件测量的影响
磨削现场的温度与检验室温度相差较大,铍青铜膨胀系数为1.78×10-5/℃,该零件长度较长,受温度影响产生热胀冷缩现象更加明显,133 mm长的零件在不同温度下的变化如表1所示。
经测定,磨削某批次零件的现场温度为28℃,检验室为21℃,首件自检-0.002 mm,检验室测量为+0.015 mm,由此可见零件热胀冷缩对测量产生了严重影响。
5解决措施
1)先磨一件留0.03 mm精磨量,送检验室定温0.5 h后再对零件进行测量;2)根据检验结果用记号笔在测量部位记录测量值;3)把作记录的零件拿到磨削现场的平板上再定温0.5 h;4)以此零件所记录的数据为准,把再加工的零件与它作对比测量得出测量尺寸,根据测量尺寸进行磨削。
6结语
按此步骤加工多批零件送检验室测量全部达到公差要求。结果表明,用此方法可有效避免因测量的温度不同而产生的测量误差,解决了影响产品质量的关键问题。上述方法仅适用于有色金属的高精度磨削,而对尺寸较大、尺寸小、刚性差的零件不适用,磨削的效率较低。
高精度外锥面磨削夹具的设计 篇2
同步器是汽车变速器的关键部件,它使变速器换挡轻便、迅速、无冲击、无噪声,从而延长了变速器的寿命。同步器齿环是同步器的核心零件,换挡过程中力矩和运动的传递是依靠同步器齿环内锥面的摩擦材料与待接合齿轮、齿毂接触产生摩擦力来实现的。所以同步器齿环的性能关系到汽车换挡变速的可靠性,而同步器齿环的性能又是由加工工艺和加工精度决定的,因此,加工同步器齿环的机床、刀具、工装、量具、检具等也需要具有较高的精度要求。
2 技术要求及加工工艺分析
图1所示为加工同步器齿环用粘接夹具的核心零件——压锥[1],其技术要求及加工工艺要求如下。
a. 锥面对d孔中心要 素的跳动 不大于0.015 mm,端面对d孔中心要 素的跳动 不大于0.02 mm。根据多年工作经验,现有工艺路线可以满足以上技术要求。
b.单角a±2′角度公差很小,现有的机械设备可以保证此公差,但是用普通量具——万能角度尺无法准确在线测量,必须多次装卸,使用精度等级更高的测量设备——三坐标测量仪进行检测。
c.锥面大端尺寸公差非常小,锥面的大端尺寸用普通量具——电子数显千分尺无法准确在线测量,必须多次装卸使用专用量具进行检测。
为保以上技术要求,需要解决两方面的问题,一是在装夹压锥时,能够方便、快速地装卸;二是在多次装夹时,能够快速、准确地找正中心。为此,特设计了专用的磨削外锥面夹具配合使用。
3夹具的设计方案
单件小批量生产时,我们设计了简易磨削外锥面夹具(图2)。在磨削外锥面时采用芯轴外圆定位,并利用芯轴外圆1∶2 000锥面所具有的自锁性夹紧,然后用芯轴两端中心孔定位,在外圆磨床上用两顶尖装夹磨削。但是这样做存在的问题是在生产加工过程中多次装卸压锥,易使芯轴拉伤、变形,从而产生废品,因此这种简易磨削外锥面夹具只适合于单件小批量生产。
结合多年工作经验,以外圆磨床头架主轴孔定位[2],设计了一种专用磨削外锥面夹具(图3)。其采用锥度涨套内锥面与本体外锥面配合,锥度为1∶3,通过螺母对锥度涨套端面施加压紧力,使涨套涨紧压锥,从而实现对压锥的定位夹紧,再通过本体上的莫氏锥柄安装在外圆磨床头架主轴孔内,实现夹具的定位安装。
4 夹具的设计结构及技术要求
专用磨削外锥面夹具由本体、垫片、涨套、压垫、浮动定位垫、螺母、试件组成。其中涨套(图4)两端各加工有4个均布的窄槽,槽宽为0.20 mm,材料选用65Mn,经过热处理后弹性良好。设计增加了特殊的垫片——浮动定位垫(图5),其作用是消除螺纹对本体NO.4锥面跳动的误差,将涨套涨量不均匀所产生的误差降到最低,并便于装卸产品。专用磨削外锥面夹具的技术要求是:
a.夹具本体右端锥面对左端本体NO.4锥面跳动不大于0.002 mm;
b.垫片装配后,端面跳动对本体NO.4锥面不大于0.002 mm;
c.装配完成后,试件对本体NO.4锥面跳动不大于0.004 mm。
5 夹具的使用
如图3所示 ,将专用磨 削外锥面 夹具左端NO.4锥面插入到外圆磨床头架主轴孔中,将试件装到涨套外圆上,再依次装入压垫、浮动定位垫,用螺母压紧,用千分表检测试件外圆跳动不大于0.004 mm,松开螺母,卸下试件,再将产品装上磨削外圆,完成磨削外锥面工序。
6 结束语
由于同步器齿环所用工装、检具精度高,需求量大,特别是对粘接夹具的需求量非常大,所以图2使用的锥度芯轴磨削高精度外锥面方法已不合理。经重新设计专用磨削外锥面夹具后,问题得到了解决,目前已投入到生产加工中。实践表明,涨紧式弹性锥度定心夹具完全可以满足磨削高精度外锥面零件的加工精度要求,并且定心精度高,装卸工件方便。此种夹具的投入使用,提高了生产效率,保证了产品质量,为加工此类产品开拓了思路,积累了经验。
参考文献
[1]张强,姚美丽,何晓周,陆汉军.粘接夹具加工工艺研究[J].汽车零部件,2010,(5):62-64.
高精度外圆磨床磨削测力仪的研制 篇3
磨削加工是一种高精密的磨削加工方法, 通常作为机械加工的最后一道工序, 最终保证工件所要求的尺寸和形状精度以及表面完整性。随着高强度、高硬度、高耐磨性等新型材料的出现, 磨削速度加快, 磨削质量提高, 磨削技术逐渐成为一个充满活力的技术领域, 目前已广泛应用于航空航天等高科技领域中。
在磨削加工过程中, 磨削力是一个非常重要的参数, 它不仅影响系统的变形, 磨削的效率、精度、表面质量, 砂轮耐用度, 而且也是造成能量损耗, 产生磨削热量及磨削振动的重要原因。因此, 在磨削过程中要想获得质量好的加工表面, 就必须对磨削力进行监控测量。传统的磨削力测试方法是采用指针式仪表来记录分析研究磨削力。其缺点是, 事后要经过大量的数据处理才能建立起磨削力的经验公式, 而且需要停机检测, 占用生产时间[1]。目前磨削力主要是采用测力仪来测量, 这种方法集数据采集与处理为一体, 是发展的必然趋势。为了在生产中能够最直观地得到磨削过程中的磨削力, 对磨削过程进行最好的监控, 要在磨床上安装磨削测力仪。磨削测力仪是研究磨削过程中最为有效的方法和手段, 可以对磨削过程中的磨削力进行实时的监控, 能够反映出磨削状态中的每个微小变化。通过对磨削力的实时检测, 可以根据磨削力对砂轮的进给速度等工艺参数进行调整, 实现对磨削力的控制, 可以提高磨削加工质量, 因此研究开发磨削测力仪具有非常重要的意义。高超、丁庆新[1]等研制了一套高效准确的磨削力实时测量系统, 建立了切向与法向分力之间的干扰方程。姚英学、袁哲俊[2]分析比较了几种典型测力仪变形筋结构的性能, 开发了多用途的测力仪。张美琴[3]等设计研究了磨削力信号采集与提取程序。
本文研制的磨削测力仪主要是为实验研究需要而研制的, 它具有体积小、制造方便、可靠性好、分辨率高、经济适用的特点, 能够实时将测量过程中的磨削力直观清楚地显示出来, 也可以做对比分析。为实现超硬材料的加工提供了有利条件, 为工件达到加工质量要求提供了保证。
2 磨削测力系统原理
在外圆磨削加工中, 磨削力可以分解为3个相互垂直的力, 即沿砂轮径向的法向磨削力、沿砂轮切向磨削力和沿砂轮轴向磨削力[2]。外圆磨削测力原理如图1所示。图上Vs为砂轮线速度, Vw为工件进给速度, ap为磨削深度, θ为磨削力合力作用角。其中法向磨削力Fn和切向磨削力Ft对磨削加工影响较大, 轴向磨削力Fa与法向和切向磨削力相比很小, 可以忽略不计。
3 磨削测力试验台的各组成部分
1底板;2下固定板;3力传感器连接螺钉;4挡块;5力传感器;6上固定板;7连接螺钉;8工作平台;9侧板
该测力工作原理是砂轮做高速回转运动, 测力仪随着磨床工作台做平移运动, 根据力的传递性, 砂轮磨削工件产生磨削力传递给测力仪传感器, 测力仪传感器将接收磨削力信号Fh/Fv, 并经过信号调理送到计算机采集系统, 从而完成对磨削力信号的采集。
本设计中采用BK-2B型传感器, 量程100Kg, 精度等级0.3, 测力仪的其余材料全部用不锈钢材料加工制作。在装配的过程中, 应保证工作面的平整, 每装配一部分进行一次测量, 保证总体装配完成之后在高度方向的误差符合要求。测力仪的下固定板和两侧板之间要留出一定的间隙, 保证在受到力时, 不会被卡到而影响测量的准确性。
4 传感器的标定
测力仪设计制造之后, 再配备上数据采集系统就可以实现数据信号的采集, 但是还不能确定采集出来的数据就是真实值。因此需要找出输出的电信号与实际磨削力数值之间的对应关系, 必须设计一套装置进行标定, 来保证标定后采集的数据就是磨削力真实值。图3是磨削力标定的示意图, 就是用重物砝码加载进行标定。每加载一定的重物砝码, 记录相应的电压稳态值, 多次加载后卸载, 来确定受力与输出电压之间的关系, 从而获得磨削力的真实值[1]。
5 磨削力的测量
测力仪制成后, 磨削实验采用上海第三机床厂生产的MM1420型磨床, 工件材料为45号钢。通过改变磨削工艺参数, 用研制的测力仪进行磨削力测量实验。从实验中可以看出, 该磨削测力仪测量能够反映出磨削过程中的受力的实时变化, 为在实验过程中改变转速、吃刀量、进给量这些因素的大小提供了依据, 可以保证磨削力的变化比较平稳, 保证磨削件的加工质量。
6 结论
本文研制的磨削测力仪能够对磨削过程中受到的磨削力进行实时测量, 并能够直观地显示出来, 能够反映出磨削状态中的每个微小变化。通过对磨削力进行实时检测, 根据磨削力对砂轮的进给速度等工艺参数进行调整, 实现了对磨削力的控制, 为提高磨削加工质量提供了保障。
摘要：磨削力在磨削加工中起着重要的作用, 本文针对实验实际需要, 研制了一台经济实用的磨削测力仪, 利用研制的测力仪对MM1420A磨床的磨削力进行实时检测。结果表明, 该测力仪能够实时监控磨削过程中磨削力的变化, 保证加工质量, 为提高磨削生产效率、降低成本提供了有效途径。
关键词：测力仪,研制
参考文献
[1]高超, 丁庆新, 穆东辉, 等.高精度外圆磨床磨削力测量系统研制[J].工艺与检测, 2010.1:94~97.
[2]姚英学, 陈朔冬, 袁哲俊.一种新结构多用途切削测力仪的研制[J].哈尔滨工业大学学报, 1994, 26 (4) :85~89.
[3]张美琴, 易了.基于LabVIEW软件的磨削力信号采集与提取程序设计[J].厦门理工学院学报, 2010, 18 (4) :30~33.
磨削精度 篇4
关键词：神经网络,内圆磨削,磨削精度,表面粗糙度,预测
由于内圆磨削过程极其复杂, 影响加工质量的因素很多, 既有随机因素的影响, 又有系统性因素的影响, 这些众多的影响因素使磨削过程很难用常规的数学方法描述。由于神经网络具有很强的自学习和自适应功能, 通过学习它能够逼近任意曲线, 相对于传统的数据处理方法, 它更适合于处理模糊的、非线性的、含有噪音及模式特征不明确的问题, 因此神经网络模型对于描述内圆磨削过程, 预测磨削加工精度及表面质量提供了新的有效的研究思路和方法。同时, 预测模型可以为实际生产提供指导, 减少试切次数, 极大地节约了成本。
本文利用神经网络 (BP) 建立了法兰盘内孔磨削过程磨削尺寸精度及表面粗糙度的数学模型, 并用验证试验验证了本模型的正确性。
(一) 神经网络建模
1. 网络结构的选取。
网络结构的选取本文研究磨削用量 (砂轮速度、金属磨除率、工件速度) 对零件尺寸精度的影响, 神经网络采用输入层含三个输入 (砂轮速度、金属磨除率、工件速度) , 输出层含两个输出 (表面粗糙度值和尺寸误差) 神经元的结构 (如图1所示) 。由Robert Hecht-Nielson的映照定理可知, 一个三层的BP网络可以完成任意n维到m维的映照, 所以可选择三层的BP网络来建模, 隐含层数为1。而隐含层单元个数的选择是一个十分复杂的问题, 目前没有解析式可以计算。一般而言, 精度越高, 要求隐含层个数越多, 但网络收敛速度越慢。Arai提出, 隐含层单元个数要求大于P-1, P为输入样本对数。在本模型中采用9组实验数据训练网络, 即P=9, 可取隐含层单元个数为10。
2. 数据准备。
网络输入、输出数据的处理网络的转换函数采用sigmoid函数, 即:f (u) =1/ (1+e-u) , 所以输出值介于 (0, 1) , 由函数的图形可知, 该函数输出曲线两端平坦, 中间部分变化剧烈。当输入u接近0, 输出接近0.5时, f (u) 才真正起转移作用。因此将表2的3个输入数据分别除以100, 不变, 除以10, 目标输出数据尺寸误差值除以10, 表面粗糙度值不变。经过这样的数据处理后, 网络训练过程表明, 可大大提高收敛速度。训练结束后将得到的结果除以 (或乘) 相应的倍数即可。
(二) 加工精度及表面粗糙度的预测计算
用选定好的工艺系统参数、切削用量加工零件, 通过正交实验法安排实验, 测得相应的工件尺寸误差和表面粗糙度值, 作为训练样本数据。试验条件如下:
机床:T11-L59CNC内圆磨床
砂轮牌号:GC120#MV·P17×25×8
工件:铁基粉末冶金, 尺寸φ19.099×24, φ16×24
磨削液:嘉实多SYNTILO9930C水基磨削液
修整用量:粗磨fd=1.5m/s, 精磨fd=1.2m/s, ap=5μm
测量仪器:QFB-A气动量仪、QFM-B气动放大器、时代TR200粗糙度仪、环规 (Φ19.099、Φ16)
网络训练完成后的输出为相应的拟合值, 如表1所示, δ1为表面粗糙度值绝对拟合误差, △δ1为表面粗糙度值相对拟合误差;δ2为工件尺寸偏差绝对拟合误差, △δ2为工件尺寸偏差相对拟合误差。
由上表可以看出, 神经网络的拟合误差比较小, 最大相对误差对于表面粗糙度值为16.7%, 对于工件尺寸偏差为13.2%, 而平均相对误差分别为:7.72%和4.49%。如果增加样本个数, 神经网络的拟合精度会进一步提高。
(三) 验证
1. 理论验证
在网络用于实际预测及分析之前, 必须验证其正确性。以表面粗糙度为例, 为了从理论上检验方法的合理性, 首先用人工神经网络模型计算各因素对磨削表面粗糙度的影响。假设其中任意两个因素固定时, 改变另一个因素水平, 用人工神经网络模型预测表面粗糙度值, 结果如表2所示。
图2、图3、图4分别给出了当固定另外两个因素时表面粗糙度随砂轮速度、砂轮进给速度、工件转速变化的预测曲线。由此可见, 由本文模型得到的各因素对表面粗糙度的影响预测与磨削机理是吻合的。这从理论上证实了模型的合理和可用性。
2. 试验验证
用已训练好的网络就可预测工件的表面粗糙度和尺寸误差, 然后用试验方法测量同样条件下的工件表面粗糙度和尺寸误差, 两者间进行比较, 以检验人工神经网络方法的准确性。试验条件与训练样本试验相同, 磨削用量改变如下:工件速度VW=0.70m/s, 砂轮速度Vs=40.6 m/s, 砂轮进给速度Vr=1.2m/min。预测结果与试验结果如表3所示。由验证试验可知, 预测相对误差仅为1.7%和1.3%。可见模型具有良好的预测精度。
(四) 结论
1.本文建立的神经网络预测模型用于磨削尺寸精度和表面粗糙度的预测是可行的, 试验表明该程序有较好的实用性。利用人工神经网络对内圆磨削加工的尺寸偏差和表面粗糙度值进行预报, 得到的数据与实测数据较好接近:研究证明, 以BP神经网络的理论为基础建立内圆磨削加工的尺寸偏差和表面粗糙度值的预测模型, 通过不同切削用量的实验数据对网络进行训练和数据预报验证, 得到的预报数据和实测的实验数据有较好接近。同时, 神经网络的预测方法快捷方便, 具有高度的自适应性, 不需要复杂的建模过程, 而直接对加工数据进行处理, 可以随着更丰富数据的加入, 不断完善网络, 使之更接近于生产实际。
2.在磨削加工领域中引入人工神经网络方法弥补传统分析方法的不足, 本文模型也可以用于其他磨削性能参数的预测及分析。
参考文献
[1]袁曾真.人工神经元网络及其应用[M].北京:清华大学出版社, 1999.10:2-130.
[2]张立明.人工神经网络的模型及其应用[M].上海:复旦大学出版社, 1993.7:4-5.
[3]许东, 吴铮.基于MATLAB6.X的系统分析与设计——神经网络[M].西安:西安电子科技大学出版社, 2002.9:1-2.
[4]Malkin, C.Gu.外圆磨削加工的仿真、优化及控制[J].张一飞, 译.金刚石与磨料磨具工程, 2001, 5 (125) :11-16.