Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Áp dụng phương pháp bề mặt phản hồi để dự đoán và mô hình hóa độ nhám bề mặt trong gia công phay đầu cầu của đồng OFHC
Tóm tắt
Nghiên cứu này được tiến hành nhằm điều tra các hiệu ứng hiệp lực của các tham số cắt đến độ nhám bề mặt trong gia công phay đầu cầu của đồng dẫn điện cao (OFHC) không oxy và để xác định một mô hình thống kê phù hợp có thể tương quan với các kết quả thực nghiệm. Đầu tiên, một kế hoạch thí nghiệm dựa trên thiết kế tổ hợp trung tâm có điều chỉnh với các tham số biến thể, tốc độ cấp phôi hoặc cấp phôi trên mỗi răng, chiều sâu cắt theo trục, chiều sâu cắt theo phương tiếp tuyến và tốc độ cắt, đã được phát triển. Phạm vi cho mỗi biến được thay đổi qua năm mức độ khác nhau. Thứ hai, một mô hình toán học đã được thiết lập dựa trên phương pháp bề mặt phản hồi (RSM) cho các thành phần độ nhám (Ra và Rz micron). Các giá trị dự đoán từ mô hình được tìm thấy gần với các giá trị thực nghiệm. Cuối cùng, để kiểm tra tính đầy đủ của các mô hình, phân tích phương sai (ANOVA) được sử dụng để xem xét sự phụ thuộc của các tham số quy trình và các tương tác của chúng. Mô hình phát triển sẽ hỗ trợ trong việc chọn lựa các biến cắt để tối ưu hóa quá trình phay đầu cầu cho một vật liệu cụ thể. Dựa trên kết quả từ nghiên cứu này, có thể kết luận rằng chiều rộng bước hoặc chiều sâu cắt theo phương tiếp tuyến có đóng góp cao hơn (45.81%) và do đó có ảnh hưởng đáng kể đến độ nhám bề mặt của đồng OFHC đã được gia công.
Từ khóa
#phay đầu cầu #đồng OFHC #độ nhám bề mặt #phương pháp bề mặt phản hồi #mô hình thống kê #phân tích phương saiTài liệu tham khảo
Alauddin, M., El Baradie, M. A., & Hashmi, M. S. J. (1996). Optimization of surface finish in end milling of Inconel 718. Journal of Materials Processing Technology, 56, 54–65.
Benardos, P. G., & Vosniakos, G. C. (2002). Prediction of surface roughness in CNC face milling using neural networks and Taguchi’s design of experiments. Robotics and Computer Integrated Manufacturing, 18, 343–354.
Box, G. E., & Hunter, J. S. (1957). Multifactor experimental designs, Ann Math Stat (pp. 28–195).
Colak, O., Kurbanoglu, C., & Kayacan, M. C. (2007). Milling surface roughness prediction using evolutionary programming methods. Materials and Design, 28, 657–666.
CoroMill Plura Solid carbide end mills, Tool Handbook 2018 “SANDVIK Coromont”).
Jeyakumar, S., Marimuthu, K., & RamachandranT. (2013). Prediction of cutting force, tool wear and surface roughness of Al6061/SiC composite for end milling operation using RSM. Journal of Mechanical Science and Technology, 27(9), 2813–2822.
Lakshmi, V. V. K., & Subbaiah, V. K. (2012). Modelling and optimization of process parameters during end milling of hardened steel. International Journal of Engineering Research and Applications, 2, 674–679.
Lin, S. C. (1994). Computer numerical control—From programming to networking. Albany: Delmar.
Mahto, D., & Kumar, A. (2008). Optimization of process parameters in vertical CNC mill machines using Taguchi’s Design of Experiments. Ariser, 4(2), 61–75.
Makadia, J. A., & Nanavati, J. I. (2013). Optimization of machining parameters for turning operations based on response surface methodology. Elsevier Measurement, 46, 1521–1529.
Mansour, A., & Abdalla, H. (2002). Surface roughness model for end milling: A semi- free cutting carbon case hardening steel (EN32) in dry condition. Journal of Materials Processing Technology, 124, 183–191.
Montgomery, D. C. (2005). Design and analysis of experiments. New York: Wiley.
Ozcelik, B., & Bayramoglu, M. (2006). The statistical modelling of surface roughness in high-speed flat end milling. International Journal of Machine Tools and Manufacture, 46, 1395–1402.
Reddy, N. S. K., & Rao, P. V. (2005). Selection of optimum tool geometry and cutting conditions using surface roughness prediction model for end milling. International Journal of Advanced Manufacturing Technology, 26, 1202–1210.
Routara, B. C., Bandyopadhyay, A., & Sahoo, P. (2009). Roughness modeling and optimization in CNC end milling using response surface method: Effect of work-piece material variation. International Journal of Advanced Manufacturing Technology, 40, 1166–1180.
Suresh, P. V. S., Rao, P. V., & Deshmukh, S. G. (2002). A genetic algorithmic approach for optimization of surface roughness prediction model. International Journal of Machine Tools and Manufacture, 42, 675–680.
Wang, M. Y., & Chang, H. Y. (2004). Experimental study of surface roughness in slot end milling AL2014-T6. International Journal of Machine Tools and Manufacture, 44, 51–57.
Yang, L. J., & Chen, C. J. (2001). A systematic approach for identifying optimum surface roughness performance in end-milling operations. Journal of Industrial Technology, 17(2), 1–8.
Zhang, Z. J., Chen, J. C., & Kirby, D. E. (2007). Surface roughness optimization in an end- milling operation using the Taguchi design method. Journal of Materials Processing Technology, 184, 233–239.