劉治華,唐 鵬,鄭凌碩,周 洋,姜玉領(lǐng),成晶晶

(1.鄭州大學 機械與動力工程學院, 鄭州 450001;2.中原內(nèi)配集團股份有限公司, 河南 焦作 454000)

0 引言

18CrNiMo7-6鋼作為一種表面硬化鋼被廣泛應用于制造齒輪或軸類等關(guān)鍵零部件[1],而此類零部件表面易受到力和環(huán)境共同作用而遭受磨損,引發(fā)失效。據(jù)估計,每年將近1/3～1/2的能源被消耗在克服摩擦上,且80%的機械設(shè)備失效是由各種形式的摩擦磨損引起的[2]。因此,為了改善零部件的耐磨性能,可采用超聲滾壓強化加工技術(shù)提高其表面質(zhì)量。超聲滾壓加工技術(shù)是一種在超頻機械振動和靜壓力的聯(lián)合作用下對試樣表面進行強化處理的表面形變方法[3]。試樣經(jīng)超聲滾壓處理后,其材料表層發(fā)生一定的塑性變形,從而降低表面粗糙度,提高殘余應力,并且對耐磨性能也會產(chǎn)生影響[4-6]。而表面粗糙度、殘余應力和磨損率作為評價指標直接影響零部件的表面質(zhì)量。因此,獲取最佳的超聲滾壓工藝參數(shù),實現(xiàn)表面質(zhì)量的優(yōu)化控制,從而提升零部件抗磨損的能力并延長使用壽命,這是一項值得探討的研究課題。

近幾年,國內(nèi)外學者對超聲滾壓加工技術(shù)進行了研究。Amanov等[7]對經(jīng)超聲表面改性處理的Al6061-T6鋁合金進行摩擦磨損試驗,結(jié)果得出超聲波表面改性技術(shù)明顯提高材料的耐磨性能并降低摩擦因數(shù)。李鳳琴等[8]對鈦合金進行超聲滾壓加工,通過建立加工仿真模型,得到了最佳的試樣表層性能,并分析加工工藝參數(shù)對表層特性的作用。Saeid等[9]對鋁合金6061進行超聲波輔助拋光,設(shè)計全因子試驗研究了不同工藝參數(shù)的交互作用以及對硬度和表面粗糙度的影響。

魏鵬[10]通過二階回歸方程建立多目標優(yōu)化模型,采用人工蜂群算法得出最優(yōu)工藝參數(shù)組合,為綠色制造業(yè)數(shù)控車削工藝參數(shù)優(yōu)化提供科學依據(jù)。賈廣輝等[11]采用響應面法對45CrNiSiMnMoVA鋼鉆削軸向力加工參數(shù)進行優(yōu)化,得到最優(yōu)工藝參數(shù)組合,提升加工表面質(zhì)量。楊興旺等[12]為了解決輪轂外形導致的輪轂鍛件充填不完整,采用響應面法對Al6055飛機輪轂鍛件進行工藝參數(shù)優(yōu)化,建立并檢驗二階響應回歸模型的準確性,獲得了最佳工藝參數(shù)。

綜上所述,國內(nèi)外學者通過超聲滾壓加工可以提高試樣的表面性能和耐磨性能,并運用不同方法對工藝參數(shù)進行目標優(yōu)化,但應用于超聲滾壓加工試樣表面性能和耐磨性能的多目標優(yōu)化方面較少。選取18CrNiMo7-6鋼作為試驗加工對象,使用自主設(shè)計超聲滾壓裝置對其進行超聲滾壓加工,采用單因素試驗和響應面法建立表面粗糙度、表面殘余應力和磨損率的多目標優(yōu)化模型并檢驗模型顯著性,分析不同工藝參數(shù)以及交互作用對目標響應的影響,并采用滿意度函數(shù)法進行優(yōu)化,得到了最佳的超聲滾壓加工參數(shù)組合,實現(xiàn)了表面質(zhì)量的優(yōu)化控制。

1 試樣制備與試驗方法

1.1 試樣制備

試驗材料為18CrNiMo7-6鋼鍛壓件,經(jīng)線切割后為直徑26 mm、長60 mm圓柱棒。試樣的化學組成成分如表1所示[13]。

表1 18CrNiMo7-6鋼的化學組成成分(質(zhì)量分數(shù),%)

采用CAK4085型臥式數(shù)控車床對圓柱棒的端面進行車削處理后,再使用超聲滾壓裝置對試樣端面進行加工。超聲滾壓裝置由4個主要部件組成,分別是超聲波發(fā)生器、換能器、變幅桿和工具頭,如圖1所示。超聲波發(fā)生器主要將50/60 Hz市電轉(zhuǎn)變成28 000 Hz高頻電,再經(jīng)換能器和變幅桿將高頻電源先轉(zhuǎn)變成超聲頻率機械振動再放大,最后將放大后的機械振動通過工具頭施加在試樣加工面上。金屬材料經(jīng)過超聲滾壓強化后,表層發(fā)生塑性變形現(xiàn)象,使表層晶粒細化,出現(xiàn)位錯和滑移,使得試樣表面產(chǎn)生加工硬化,從而提高試樣表面性能。

加工試樣被固定在夾緊裝置上,工具頭的軸線平行于圓柱棒試樣的軸線,施加靜壓力則是控制CAK4085臥式數(shù)控車床橫向進給將滾球垂直擠壓試樣端面來實現(xiàn)的,超聲振幅在超聲滾壓加工開始時可在超聲波發(fā)生器上手動調(diào)節(jié)。

1.2 試驗方法

使用三維表面形貌測量系統(tǒng)(NPFLEX,Bruker Nano Inc.)測量試樣表面粗糙度,3個測量點的表面粗糙度的平均值被視為Ra;采用X射線殘余應力分析儀(LXRD,PROTO)測量沿深度方向的殘余應力,在試樣表面隨機選取3個測量點并測得殘余應力,測量參數(shù)為Cr-Kα輻射,管電壓為30 kV,管電流為25 mA,X射線波長λ為2.289 7 ?,測試晶面為鐵素體(211),光斑直徑為1 mm,取3個測量點的平均值被視為表面殘余應力(RS);采用如圖2所示BRUKER UMT-3型摩擦磨損試驗機進行球盤式摩擦磨損試驗,對磨球材料為GCr15軸承鋼球(硬度為63 HRC),在往復運動過程中是固定的,在室溫干燥條件下,試驗參數(shù)如表2所示[14]。摩擦磨損試驗完成后,利用三維表面形貌測量系統(tǒng)計算體積磨損率w,計算公式為：

表2 摩擦磨損試驗參數(shù)

(1)

式中：w為磨損率,mm3/(N·m);V為試樣在試驗過程中的磨損體積,mm3;F為載荷,N;L為滑移距離,m。利用三維表面測量系統(tǒng)測量磨損體積的橫截面積,磨損體積V由5個橫截面面積的平均值與磨損痕跡的長度相乘得到。

2 單因素結(jié)果分析

根據(jù)之前的初步試驗和工作[15],確定了超聲滾壓的主要工藝參數(shù),再采用單因素試驗對工藝參數(shù)的取值范圍進行初步尋優(yōu),并分析工藝參數(shù)變化對試樣表面粗糙度、殘余應力和磨損率的影響。靜壓力較小時試樣加工表面塑性變形程度較小,表面不會出現(xiàn)太大的明顯變化,而靜壓力過大會造成試樣加工表面出現(xiàn)金屬碎屑和裂紋,塑性變形程度較大,使得表面質(zhì)量呈現(xiàn)明顯下降,故選擇靜壓力為100、150、200、250、300、350、400 N。滾壓次數(shù)較少,試樣表面加工效果不明顯,而滾壓次數(shù)較多,試樣表面產(chǎn)生較多金屬碎屑,影響表面質(zhì)量,故選擇滾壓次數(shù)為1、2、3、4、5。根據(jù)超聲波發(fā)生器的規(guī)格,選擇超聲振幅值為4、7、10 μm。其他參數(shù)均保持不變,超聲滾壓加工參數(shù)如表3所示。

表3 超聲滾壓工藝參數(shù)

2.1 工藝參數(shù)對表面粗糙度的影響

圖3為試樣表面粗糙度隨不同工藝參數(shù)的變化,相比于未滾壓試樣0.868 μm,不同工藝參數(shù)下超聲滾壓加工試樣的表面粗糙度都顯著降低。表面粗糙度隨靜壓力、滾壓次數(shù)和超聲振幅的增加呈現(xiàn)先減小后增大的變化趨勢。

圖3 超聲滾壓工藝參數(shù)對表面粗糙度的影響

2.2 工藝參數(shù)對殘余應力的影響

圖4為試樣殘余應力隨不同工藝參數(shù)的變化,相比于未滾壓試樣-91.89 MPa,不同工藝參數(shù)下超聲滾壓加工試樣的殘余壓應力都顯著提高。殘余壓應力隨靜壓力、滾壓次數(shù)和超聲振幅的增加分別呈現(xiàn)先增大后減少、逐漸增大和逐漸增大的變化趨勢。

圖4 超聲滾壓工藝參數(shù)對殘余應力的影響

2.3 工藝參數(shù)對磨損率的影響

圖5為試樣磨損率隨不同工藝參數(shù)的變化,相比于未滾壓試樣14.98×10-7mm3/(N·m),不同工藝參數(shù)下超聲滾壓加工試樣的磨損率都出現(xiàn)下降。磨損率隨靜壓力、滾壓次數(shù)和超聲振幅的增加分別呈現(xiàn)先減少后增大、逐漸減少和逐漸減少的變化趨勢。

圖5 超聲滾壓工藝參數(shù)對磨損率的影響

3 基于響應面法的超聲滾壓試驗

3.1 中心復合設(shè)計試驗及結(jié)果

響應面法(RSM)是將數(shù)學統(tǒng)計方法和試驗設(shè)計高效地結(jié)合起來的優(yōu)化方法,能夠通過試驗結(jié)果采用多元回歸模型來擬合因素與目標響應之間的函數(shù)關(guān)系,分析目標響應受到多個因素交互作用的影響,再對多元回歸方程進行研究,以尋找最優(yōu)因素組合[16]。中心復合設(shè)計(CCF)是響應面法設(shè)計的一種類型,采用該方法結(jié)合單因素分析結(jié)果設(shè)置的工藝參數(shù)如表4所示,由中心復合表面設(shè)計試驗得到的表面粗糙度、表面殘余應力以及磨損率值如表5所示,其中,摩擦磨損試驗的參數(shù)與單因素試驗保持一致。

表4 超聲滾壓工藝參數(shù)及水平取值

表5 CCF試驗結(jié)果

3.2 響應面模型的建立與顯著性分析

為了對影響超聲滾壓18CrNiMo7-6鋼表面粗糙度、殘余應力和磨損率的工藝參數(shù)進行優(yōu)化,采用二階響應面回歸模型構(gòu)建工藝參數(shù)與響應目標的數(shù)學關(guān)系。響應面模型如下所示：

(2)

式中：y為響應目標預測值;k為工藝參數(shù)的數(shù)量;xi、xj為不同的工藝參數(shù);β0為常數(shù)項;βi為線性項系數(shù);βij為交互項系數(shù);βii為二次項系數(shù);ε為誤差。

根據(jù)表5試驗結(jié)果,用式(2)進行擬合,得到3個二階響應面回歸預測模型,如下所示：

y1=0.793-5.67×10-5F-0.267C-

0.053A-0.0001FC-6.843×10-5FA-

0.006CA+2.399×10-6F2+

0.046C2+0.007A2

(3)

y2=-622.673-0.933F-6.439C-

8.980A-0.004FC+0.006FA+

1.776CA+0.002F2-3.012C2-

0.124A2

(4)

y3=19.186-0.018F-1.374C-0.992A-

8.753×10-5FC-3.453×10-5FA+

0.069CA+3.435×10-5F2+

0.111C2+0.036A2

(5)

式中：y1、y2和y3分別為表面粗糙度、殘余應力和磨損率的響應面模型;F、C和A分別為靜壓力、滾壓次數(shù)和超聲振幅。

為了確定響應面模型的有效性,并找出哪個因素對特定響應影響最大,進行了方差分析。表6為表面粗糙度的方差分析結(jié)果。

表7 殘余應力的方差分析結(jié)果

3.3 交互作用對響應量的影響

由表6中方差分析的P值可知,對于表面粗糙度而言,交互作用影響程度最大的是CA。根據(jù)表面粗糙度的響應面模型式(3),在靜壓力為250 N 時,得到Ra在滾壓次數(shù)與超聲振幅交互作用下的等高線圖和三維響應面圖,如圖6所示。

圖6 響應量Ra的等高線圖和三維響應面圖

隨著滾壓次數(shù)和超聲振幅的增加,加工表面受到更多的超聲沖擊,使已經(jīng)改善到最佳粗糙度的表面萌生出微小裂紋和碎屑,從而呈現(xiàn)先下降后增大的趨勢,響應曲面先緩慢下降后上升且等高線的曲率較大,最小的表面粗糙度出現(xiàn)在滾壓次數(shù)為3～4、超聲振幅為5～7 μm所組成的區(qū)域內(nèi)。

由表7中方差分析的P值可知,對于表面殘余應力而言,交互作用影響程度最大的是CA。根據(jù)殘余應力的響應面模型式(4),在靜壓力為 250 N 時,得到RS在滾壓次數(shù)與超聲振幅交互作用下的等高線圖和三維響應面圖,如圖7所示。隨著滾壓次數(shù)和超聲振幅的增加,工具頭用更大振動能量沖擊表面,塑性變形加劇,表層晶粒梯度細化,從而顯現(xiàn)不斷增加的趨勢,響應曲面緩慢下降且等高線的曲率較大,最大的表面殘余壓應力發(fā)生在滾壓次數(shù)最多、超聲振幅最大所組成的區(qū)域內(nèi)。

圖7 響應量RS的等高線圖和三維響應面圖

由表8中方差分析的P值可知,對于磨損率而言,交互作用影響程度最大的是CA。根據(jù)磨損率的響應面模型式(5),在靜壓力為250 N時,得到w在滾壓次數(shù)與超聲振幅交互作用下的等高線圖和三維響應面圖,如圖8所示。隨著滾壓次數(shù)和超聲振幅的增加,表面性能得到改善,可以有效地降低磨損率,但過多增加會造成表面受到更多來自工具頭的超聲沖擊,產(chǎn)生微小裂紋和碎屑,表面粗糙度開始變大,表面性能出現(xiàn)下降,從而出現(xiàn)先減小后增大的趨勢,響應曲面先緩慢下降后上升且等高線的曲率較大,最小的磨損率發(fā)生在滾壓次數(shù)為3～4、超聲振幅最大所組成的區(qū)域內(nèi)。

圖8 響應量w的等高線圖和三維響應面圖

3.4 優(yōu)化超聲滾壓參數(shù)及驗證

滿意度函數(shù)法是一種可以實現(xiàn)多目標參數(shù)優(yōu)化的有效方法,利用滿意度函數(shù)法可尋找到同時滿足優(yōu)化目標的超聲滾壓工藝參數(shù)。滿意度函數(shù)法主要將單獨的目標響應值yi分別轉(zhuǎn)化為區(qū)間[0,1]的無量綱數(shù)值di(單響應滿意度函數(shù)),再將單響應滿意度函數(shù)復合成綜合滿意度函數(shù)D來評估工藝參數(shù)的“滿意度值”,使D取得最大值的工藝參數(shù)設(shè)定即為最優(yōu)工藝參數(shù)組合。滿意度函數(shù)依據(jù)響應特征一般有望大特性和望小特性2種形式。根據(jù)式(6)—式(8)可將目標響應轉(zhuǎn)為響應滿意度函數(shù)[19]。

1) 望大特性,即響應值yi越大越好,滿意度函數(shù)為：

(6)

2) 望小特性,即響應值yi越小越好,滿意度函數(shù)為：

(7)

綜合滿意度函數(shù)D,即由所有的目標響應滿意度函數(shù)di值組合計算得到,綜合滿意度函數(shù)為：

(8)

式中：yi為給定響應函數(shù);L和U分別為響應量的規(guī)定下限和上限;n為響應目標個數(shù);r為權(quán)重;ωi為 單響應目標權(quán)重數(shù)。

本文基于中心復合設(shè)計,采用滿意度函數(shù)法的望小特性對響應目標進行參數(shù)優(yōu)化,得到最小表面粗糙度、最大殘余壓應力、最小磨損率3響應目標的最佳工藝參數(shù)組合。多目標優(yōu)化模型如下所示：

(9)

利用Design Expert統(tǒng)計軟件的優(yōu)化模塊求解優(yōu)化目標,由于表面粗糙度、殘余應力和磨損率同等重要,設(shè)置響應目標的重要性和權(quán)重相同,得到最佳工藝參數(shù)為靜壓力268.517 N、滾壓次數(shù)4.475、超聲振幅8.205 μm。在此工藝參數(shù)下,表面粗糙度預測值為0.233 16 μm,殘余應力預測值為 -853.693 MPa,磨損率預測值為9.487 3×10-7mm3/(N·m),預測結(jié)果的綜合滿意度達到0.927 488。同時將表5中20組表面粗糙度、殘余應力、磨損率試驗結(jié)果代入式(9),得到20組綜合滿意度,發(fā)現(xiàn)第10組的0.918 581為最大綜合滿意度,小于 0.927 488,因此,經(jīng)過滿意度函數(shù)法優(yōu)化后的結(jié)果好于未優(yōu)化的結(jié)果。

結(jié)合實際加工情況,調(diào)整超聲滾壓工藝參數(shù)為：靜壓力269 N、滾壓次數(shù)4、超聲振幅7 μm。在此工藝條件下進行 3 次超聲滾壓平行驗證試驗,并測得試樣的表面粗糙度、殘余應力和磨損率。表9為試驗驗證性結(jié)果,可以看出,試驗結(jié)果的預測誤差低于5%;同時將試驗結(jié)果代入式(9),得到綜合滿意度為0.925 312,大于第10組的綜合滿意度值。與第 10組試驗(表5中綜合滿意度最大)相比,殘余壓應力略有增加,由-861.54 MPa增加到-856.52 MPa,增加了0.58%;但表面粗糙度和磨損率分別由0.270 μm 和9.57×10-7mm3/(N·m)降低到0.241 μm和9.55×10-7mm3/(N·m),下降了10.74%和0.21%。

表9 試驗驗證性結(jié)果

圖9為通過VHX-2000超景深顯微鏡所觀察的原始、CCF試驗(第10組)和優(yōu)化后的試樣截面組織,可以看出,距表層較近的晶粒取向由原始的隨機取向的晶粒分布變?yōu)闈L壓后橫向取向一致的條帶狀分布,優(yōu)化后的試樣表層受塑性變形影響,層深度增加,晶粒細化的程度得到提高。圖10為使用Helios G4 CX雙束掃描電鏡所觀察的CCF試驗(第10組)和優(yōu)化后的試樣磨痕形貌。優(yōu)化前試樣的磨損表面發(fā)生材料損失,存在剝落、黏著坑現(xiàn)象,磨損機理以粘著磨損為主,優(yōu)化后試樣的磨損表面也存在剝落現(xiàn)象,磨損機理以粘著磨損為主,但磨損程度相較于優(yōu)化前的試樣表面有所減輕,且優(yōu)化后試樣由于較好的表面粗糙度和較高的晶粒細化程度,使得磨損率下降[20]。因此,滿意度函數(shù)法優(yōu)化工藝參數(shù)可靠,對18CrNiMo7-6鋼的超聲滾壓優(yōu)化工藝參數(shù)方面具有指導意義。

圖9 優(yōu)化前后試樣截面組織

圖10 優(yōu)化前后試樣磨痕形貌

4 結(jié)論

1) 使用自主設(shè)計的超聲滾壓裝置對18CrNiMo7-6鋼試樣端面進行超聲滾壓加工,滾壓處理試樣的表面性能得到明顯提升。表面粗糙度隨靜壓力、滾壓次數(shù)和超聲振幅的增加呈現(xiàn)先減小后增大的變化趨勢;殘余壓應力隨靜壓力、滾壓次數(shù)和超聲振幅的增加分別呈現(xiàn)先增大后減少、逐漸增大和逐漸增大的變化趨勢;磨損率隨靜壓力、滾壓次數(shù)和超聲振幅的增加分別呈現(xiàn)先減少后增大、逐漸減少和逐漸減少的變化趨勢。

2) 對于表面粗糙度,單因素影響最大的是滾壓次數(shù),交互作用影響程度最大的是CA,其次為FC;對于殘余應力,單因素影響最大的是滾壓次數(shù),交互作用影響程度最大的是CA;對于磨損率,單因素影響最大的是超聲振幅,交互作用影響程度最大的是CA。

3) 基于最小表面粗糙度、最大殘余壓應力和最小磨損率的優(yōu)化目標,獲得最佳加工參數(shù)水平為靜壓力269 N、滾壓次數(shù)4和超聲振幅7 μm。使用最佳工藝參數(shù)對試樣進行試驗驗證,表層塑性變形和晶粒細化程度得到提高,試驗結(jié)果的預測誤差低于5%,驗證了優(yōu)化結(jié)果的可行性。