蔡偉李迎

（南京理工大學機械工程學院，江蘇南京 210094）

隨著科學技術的不斷提高，人們對商品的要求趨于精致化和多功能化，這一要求帶動了精密加工和微細加工的發(fā)展。與大型系統(tǒng)相比，微系統(tǒng)具有低能耗、便于工藝集成與自動化等優(yōu)點［1］。微細加工可以制造復雜的三維結構以及切削多種工程材料的優(yōu)點使得它在機械加工中變得越來越重要。微小零件的微銑削工藝中，刀具直徑一般在0.5 mm以下，我們稱之為微銑刀。與常規(guī)銑刀相比，微銑刀的剛度低，切削刃鈍圓半徑通常在幾個微米量級。隨著工件和刀具尺寸的減小，微銑削加工面臨很多挑戰(zhàn)，如微銑刀更容易受到切削過程中切削力與切削振動的影響，導致刀具磨損。因此，為了提高生產(chǎn)效率和降低生產(chǎn)成本，對刀具的磨損狀態(tài)進行監(jiān)控顯得十分重要。

針對微銑削中的刀具磨損問題，本文介紹了國內外學者近期的研究成果，分析了微銑刀的磨損機理，歸納了影響刀具磨損的因素，提出了改善刀具磨損的措施。通過刀具磨損狀態(tài)監(jiān)控預測刀具壽命來降低加工成本，提高加工效率和加工精度。

1 微銑削刀具磨損機理

1．1 微銑刀磨鈍標準研究

宏觀銑削中，銑刀的磨損主要分為磨粒磨損、粘接磨損、擴散磨損和疲勞磨損。Rizzuti［2］實驗研究顯示:當?shù)毒咔暗睹嫔系臏囟鹊陀跀U散磨損的溫度時，刀具主要發(fā)生磨粒磨損;刀具前刀面上的溫度高于擴散磨損的溫度時，刀具主要發(fā)生擴散磨損。傳統(tǒng)銑刀通常以切削刃中部在后刀面上磨損面寬度的平均值VB作為磨鈍標準。國際標準統(tǒng)一規(guī)定以1/2背吃刀量處后刀面上測定的磨損帶寬度VB為刀具磨鈍標準［3］。

微銑削的銑削深度和進給量很小，單位面積上的切削力很大，同時產(chǎn)生很高的熱量 ，使刀刃尖端區(qū)域的溫度升高。因此，與常規(guī)尺寸銑刀的磨損主要發(fā)生在后刀面不同，微銑刀的磨損主要發(fā)生在刀尖附近。目前對于微銑刀的磨鈍標準還沒有統(tǒng)一的規(guī)定，考慮后刀面靠近刀尖處的最大磨損深度和最大磨損高度可以間接地反映刀尖圓弧磨損的變化規(guī)律，同時也便于測量，通常會以這兩個參數(shù)測量刀具的磨損。Li等人［4］發(fā)現(xiàn)微銑刀的磨損圍繞刀具中心呈線性分布，因此距離刀具中心1/3直徑處的磨損面寬度可以作為微銑刀的磨鈍標準。

1．2 微銑刀磨損形式及影響因素

微銑刀磨損的形式主要有涂層脫落、刀尖破損、磨粒磨損和擴散磨損。

（1）涂層脫落 與常規(guī)刀具相比，微刀具的涂層很薄，耐磨性差。脫落的主要原因在于涂層材料與刀具基體的熱膨脹系數(shù)不同，并且微銑刀刀尖處所承受的載荷非常大，因此刀尖處的涂層最容易受到破壞。

（2）刀尖破損 微銑刀刀尖破損主要由沖擊、機械疲勞和熱化學磨損引起。Cheng等人［5］用分子動力學模擬了刀具磨損，在原子力顯微鏡的觀察下，發(fā)現(xiàn)積聚在刀尖處的熱量造成了碳原子內聚能的降低和CC鍵結合力的下降。因此他們認為熱化學磨損是刀具磨損的主要原因。

（3）磨粒磨損 工件材料中雜質和材料機體組織中的硬質點在刀具表面上劃出溝紋，形成磨粒磨損。

（4）擴散磨損 是指刀具與工件的接觸面在高溫下發(fā)生化學元素從高濃度向低濃度遷移的現(xiàn)象。Zong等人［6］對納米切削硅中刀具后刀面上的溝槽進行分析后發(fā)現(xiàn)，在切削過程中會產(chǎn)生金剛石碳微粒和碳化硅兩種硬顆粒，這兩種硬顆粒在刀

具后刀面上進行劃痕，使刀具磨損。后刀面上的磨損形式如圖1［6］所示。實驗說明了碳的擴散形成了兩種硬顆粒。

微銑削中影響刀具磨損的因素很多，如銑削工況、工件材料、刀具材料、刀具幾何尺寸等。刀具的硬度越高，切削性能越好。采用逆銑方式的刀具磨損速度明顯大于順銑方式。Zaman［7］指出在給定的主軸轉速、進給率下，刀具磨損速度隨著切削深度的增加而減慢。

2 改善微銑刀磨損的措施

2．1 涂層技術

在微銑刀表面鍍上CrN、TiN等涂層材料可以顯著降低刀具的磨損。涂層技術根據(jù)基體材料和涂層材料之間硬度的不同可以分為硬涂層與軟涂層。硬涂層主要是通過不同的物理氣相分解（PVD）方法在刀具上鍍上高硬度的材料。軟涂層的涂層材料主要有MoS2、WS2、TaS2等及其組合。

Constable等人［8－9］用顯微拉曼光譜分析 PVD 涂層刀具，發(fā)現(xiàn)PVD涂層刀具的切削溫度要低于無涂層的刀具，并且刀具－切屑處的摩擦系數(shù)很小。

Kim等人［10］對CrN和Cr－Si－N涂層刀具的性能進行了比較。結果顯示Cr－Si－N涂層刀具的硬度更高，并且刀具與切屑的摩擦系數(shù)會隨著Si元素含量的增加而減小。當Si元素的含量達到9．3%時，刀具的硬度最高。Kim等人認為硬度增大的原因是微觀組織中出現(xiàn)了細晶氮化鉻和非晶態(tài)氮化硅。

Heaney等人［11］通過化學氣相沉積法對微銑刀鍍上金剛石涂層。在用涂層刀具和無涂層的刀具加工鋁時發(fā)現(xiàn)，無涂層的刀具出現(xiàn)嚴重的粘接現(xiàn)象，如圖2a;而涂層刀具的表面狀況較好，如圖2b。

2．2 微潤滑技術

在微銑削中，由于刀具尺寸小，溫度效應導致的刀具磨損與熱膨脹顯著，此時需要使用合理的冷卻技術來降低刀具的溫度，一般采用冷卻液降溫。Rentsch等人［12］用分子動力學模擬了納米切削條件下切削液對刀具磨損的影響，結果表明，加入切削液減輕了刀具的磨損，提高了加工表面的質量。

傳統(tǒng)的澆注式冷卻方法可降低切削區(qū)的溫度，抑制刀尖處的粘接量。然而，較大的溫差容易導致刀具產(chǎn)生急冷效應，使刀具表面硬度及脆性增加，出現(xiàn)崩刃現(xiàn)象。微量潤滑雖然使用少量潤滑劑，但對降低刀具－切屑、刀具－工件的摩擦作用顯著，且不會產(chǎn)生急冷效應，保持了刀具的硬度。

Li等人［4］研究了微潤滑與干切削對微銑刀磨損的影響，如圖3所示［4］。當?shù)毒咔邢饕欢ň嚯x后，采用微潤滑的刀具磨損量減少了68%，并且當油的流量為1.88 mL/h、空氣的流量為40 L/min時，微潤滑效果最好。

Liao等人［13］研究了高速銑削下的微潤滑機理。結果表明微潤滑可以為刀具－切屑接觸面處生成的保護性氧化層提供氧元素，顯著減輕了刀具的磨損。

2．3 間歇銑削

普通的連續(xù)銑削方式，刀具與工件接觸時間長，接觸區(qū)的溫度和壓力很高，容易造成刀具的磨損。而間歇銑削是通過改變刀具與工件的接觸時間來進行加工，能顯著減輕刀具的磨損。

Song等人［14］通過改變金剛石刀具和工件的接觸時間，發(fā)現(xiàn)連續(xù)切削時，刀具的溫度上升非?？?，當溫度達到一定值時刀具產(chǎn)生了磨損;間歇切削時，刀具的溫度在切削和空切兩種情況下發(fā)生變化，在空切階段，刀具的溫度降低。刀具后刀面的磨損程度與一個周期內的接觸時間的關系如圖4［14］所示。當接觸時間小于0.3 ms時，刀具的磨損得到了顯著的降低。

3 刀具磨損狀態(tài)監(jiān)控

3．1 刀具磨損監(jiān)控方法

微銑削中，切削力、切削振動、刀具的動力學特性等因素嚴重影響著刀具的磨損。所以切削力、振動、電流、功率信號對于判別刀具磨損狀態(tài)有著重要的作用。

Malekian等人［15］使用切削力信號來監(jiān)控刀具磨損狀態(tài)，在15次實驗中錯誤判斷了4次刀具磨損狀態(tài)，作者將其歸結于低進給率以及切削力信號頻率的帶寬低。

Kakade等人［16］通過對不同的時間間隔內選擇聲發(fā)射（AE）信號來預測刀具磨損與切屑生成。Otman等人［17］通過提取聲發(fā)射（AE）信號的均方根（RMS）特征值來預測刀具磨損狀態(tài)。結果表明，AE信號頻率帶寬高，受到機械擾動的影響很小，而切削力很容易受到切削振動的影響。

在微銑削加工中，刀具的動力學特性會產(chǎn)生切削振動，引起刀具磨損。所以振動信號的采集很重要，振動信號主要是通過加速度傳感器采集。Malekian等人［15］研究通過結合AE信號、加速度信號與切削力信號，使用神經(jīng)－模糊算法來預測刀具磨損狀態(tài)。Jemielniak等人［18］通過結合切削力信號與AE信號，使用分層（Hierarchical）算法來預測刀具磨損狀態(tài)，得到了滿意的結果。

3．2 傳感信號的分析與特征值提取

從各種傳感器提取的信號需要進行信號分析，主要分析方法有幅值分析、傅里葉分析、小波分析等。早期主要采用傅里葉變換，把時域信號轉換成頻域信號，這也是現(xiàn)代信號處理最基本的方法。之后相繼出現(xiàn)了快速傅里葉變換（FFT），短時傅里葉變化（STFT），但傅里葉信號分析只適用于靜態(tài)分析。

小波分析的出現(xiàn)克服了傅里葉方法的局限性，自從Tansel等人［19］利用小波分析來研究刀具磨損之后，小波分析技術被廣泛地運用到刀具磨損狀態(tài)監(jiān)測中。特別是小波包分解技術被運用到刀具磨損狀態(tài)監(jiān)測的各個方面，如時頻分析、信號去噪、特征提取、特征分類等。

在微銑削中，機械信號信噪比低，極易受到噪聲的干擾，所以要對采集的信號進行去噪。常用信號去噪的方法是閾值法，閾值法又可分為軟閾值法與硬閾值法［20］。信號去噪之后，要進行特征提取和特征選擇。特征提取主要是基于數(shù)據(jù)統(tǒng)計法，從單一或者多個信號中提取出來的信號特征很多，但大部分信號扭曲或者與切削過程不相關，所以選擇有用的信號特征（SF）很重要。Quan等人［21］通過使用皮爾遜相關系數(shù)r來尋找最能描述刀具磨損狀態(tài)的特征。

3．3 刀具磨損狀態(tài)預報

由各種傳感信號得到的特征參數(shù)需要通過智能決策算法系統(tǒng)來實現(xiàn)刀具磨損狀態(tài)的預報。智能決策算法可以分為神經(jīng)網(wǎng)絡、模糊邏輯、遺傳、分層、神經(jīng)－模糊耦合等算法。研究表明使用單一信號的特征值來評估刀具磨損的方法有很大爭議，因為信號特征可能提供不完整或者扭曲的刀具狀態(tài)信號。為解決這一問題，學者們主要集中在研究多傳感整合決策上，如數(shù)據(jù)統(tǒng)計、自動回歸模型、模式識別、專家系統(tǒng)等。

Kuo等人［22］使用了分層算法來進行刀具狀態(tài)監(jiān)測，由于不需要大量的學習數(shù)據(jù)，效率顯著提高。這一算法被廣泛運用在利用第一把刀具進行訓練，監(jiān)控第二把刀具狀態(tài)。Balazinski等人［23］使用模糊決策支持系統(tǒng)（FDSS）對刀具磨損狀態(tài)進行監(jiān)控。Teti等人［24］從AE信號中提取不同的頻域特征進行整合，在基于模糊邏輯算法的多目標智能傳感系統(tǒng)下對刀具磨損進行分類，得到可行的結果。刀具磨損狀態(tài)判別的準確率高于75%。

Malekian等人［15］通過結合切削力信號、加速度信號、AE信號，使用神經(jīng)－模糊算法顯著地提高了傳感信號的帶寬與信號裕量，并對刀具磨損狀態(tài)進行監(jiān)控。Tansel等人［25］利用遺傳算法來對刀具磨損狀態(tài)進行監(jiān)控，不需要任何經(jīng)驗，可以評估刀具磨損與刀具切削刃上的局部破裂，便于操作人員根據(jù)自己的經(jīng)驗制定識別規(guī)則。

4 結語

微銑削被認為是最柔性的加工方法之一，有著廣闊的應用前景。目前，對微銑刀磨損的研究主要借助于分子動力學仿真和掃描電子顯微鏡等先進儀器。今后對微銑削刀具磨損的研究應注意以下幾個方面:

（1）建立更加完善的刀具磨損仿真模型，生產(chǎn)具有優(yōu)異切削性能的微型刀具和實現(xiàn)穩(wěn)定的加工環(huán)境。

（2）當前微銑刀磨損主要是利用特殊儀器進行離線檢測，設備昂貴并且影響生產(chǎn)效率。建立微銑削在線監(jiān)控系統(tǒng)，實現(xiàn)多傳感器系統(tǒng)和多模型系統(tǒng)及兩者的結合是今后的發(fā)展方向。

（3）微銑削技術應該與其他加工技術相互融合，從而減輕刀具的磨損，提高加工精度和生產(chǎn)效率。

［1］MOHAMMAD Malekian，et al．Tool wear monitoring of micro － milling operations［J］．Journal of Materials Processing Technology，2009，209:4903－4914．

［2］RIZZUTI S，UMBRELLO D．Prediction of abrasive and diffusive tool wear mechanisms in machining［C］．International Conference on Advances in Materials and Processing Technologies（AMPT2010），2011．

［3］陳日曜．金屬切削原理，2版［M］．北京:機械工業(yè)出版社，1998:41－42．

［4］LI Kuan－Ming，CHOU Shih－Yen．Experimental evaluation of minimum quantity lubrication in near micro － milling［J］．Journal of Materials Processing Technology，2010，210:2163 －2170．

［5］CHENG K，LUO X，WARD R，et al．Modeling and simulation of the tool wear in nanometric cutting［J］．Wear，2003，255:1427 － 1432．

［6］ZONG W J，SUN T，LI D，et al．XPS analysis of the groove wearing marks on flank face of diamond tool in nanometric cutting of silicon wafer［J］．International Journal of Machine Tools＆ Manufacture，2008，48:1678－1687．

［7］ZAMAN M T，et al．A three－ dimensional analytical cutting force model for micro end milling operation［J］．International Journal of Machine Tools＆ Manufacture，2006，46:353－366．

［8］CONSTABLE CP，YARWOOD J，HOVSEPIAN PE，et al．Structural determination of wear debris generated from slinding wear tests on ceramic coating using Raman microscopy［J］．Journal of Vacuum Science and Technology A，2000，18（4）:1681－1689．

［9］DEEMING AP，MUNZ WD，SMITH IJ（2001）．Dry high performance machining（hpm）of die and moulds using pvd coated solid cemented carbide tools［C］．Paper presented at the meeting of Sheffield P．V．D．Research Group，2001．

［10］KIM C，KANG M C，KIM J S，et al．Mechanical properties and cutting performance of nanocomposite Cr－Si－N coated tool for green machining［J］．Current Applied Physics，2009，9:S145 － S148．

［11］HEANEY Patrick J，SUMANTB Anirudha V，TORRES Christopher D，et al．Diamond coatings for micro end mills:Enabling the dry machining of aluminum at the micro－ scale［J］．Diamond ＆ Related Materials，2008，17:223 －233．

［12］RENTSCH R，INASAKI I．Effects of fluids on the surface generation in material removal processes－ molecular dynamics simulation［C］．Annals of the CIRP，2006，55:601 －604．

［13］LIAO Y S，LIN H M，CHEN Y C．Feasibility study of the minimum quantity lubrication in high－speed end milling of NAK80 hardened steel by coated carbide tool［J］．International Journal of Machine Tools＆ Manufacture，2007，47（11）:1667－1676．

［14］SONG YoungChan，NEZU Kentaro，PARK Chun － Hong，et al．Tool wear control in single－crystal diamond cutting of steel by using the ultra － intermittent cutting method［J］．International Journal of Machine Tools＆ Manufacture，2009，49:339－343．

［15］MOHAMMAD Malekian，PARK Simon S，JUN Martin B G，et al．Tool wear monitoring of micro － milling operations［J］．Journal of Materials Processing Technology，2009 ，209:4903－4914．

［16］KAKADE S，VIJAYARAGHAVAN L，KRISHNAMURTHY R．In －process tool wear and chip－form monitoring in face milling operation using acoustic emission［J］．Journal of Material Processing Technology，1994，194:207 －214．

［17］OTMAN Jemielniak O．Tool failure detection based on analysis of accoustic emission signals［J］．Journal of Material Processing Technology，1998，198:192－197．

［18］JEMIELNIAK K，ARRAZOLA P J．Application of AE and cutting force signals in tool condition monitoring in micro － milling［C］．CIRP Journal of Manufacturing Science and Technology，2008，1（2）:97 －102．

［19］TANSEL I N，MEKDECI C，MCLAUGHLIN C．Detection of tool failure in end milling with wavelet transformations and neural networks（WT－NN）［J］．International Journal of Machine Tools and Manufacture，1995，35:1137 －1147．

［20］ZHU Kunpeng，WONG Yoke San，HONG Geok Soon．Wavelet analysis of sensor signals for tool condition monitoring:a review and some new results［J］．International Journal of Machine Tools ＆ Manufacture，2009，49:537－553．

［21］QUAN Y，ZHOUB M，LUO Z．On－line robust identification of tool wear via multi－ sensor NN fusion［J］．Engineering Applications of Artificial Intelligence，1998，11:717 －722．

［22］KUO RJ，COHEN PH ．Multi－sensor integration for on－line tool wear estimation through radial basis function networks and fuzzy neural network［J］．Neural Networks，1999，12（2）:355 －370．

［23］BALAZINSKI M，JEMIELNIAK K．Tool conditions monitoring using fuzzy decision support system［J］．V CIRP Int．Conf．on Monitor．a(chǎn)nd Automatic Superv．In Manuf．AC’98，Miedzeszyn，1998:115 －122．

［24］TETI R，MANZONI A ．Tool wear state identification by fuzzy logic processing of fused sensor data［J］．1st CIRP Int．Sem．on ICME，Capri，1 –3 July，1998．

［25］TANSEL I N，et al．Genetic tool monitor（GTM）for micro－endmilling operations［J］．International Journal of Machine Tools ＆ Manufacture，2005，45:293 －299．