CFRP切削過程中的監測控制研究進展

詹迪雷 李鵬南 李樹健 牛秋林 邱新義

（湖南科技大學機電工程學院，湘潭 411201）

0 引言

碳纖維增強樹脂基復合材料（CFRP）因具有高比強度、高比模量、耐腐蝕、耐疲勞等優點，被汽車、航空航天、海洋工業等諸多領域廣泛應用［1-3］。由于CFRP 的非均質、各向異性，其切削加工機理不同于金屬材料，在切削加工過程中易發生分層、出口毛刺、撕裂和孔壁劃痕等加工缺陷，對CFRP 結構件的裝配質量和服役性能產生嚴重影響［4-5］。CFRP 切削加工過程是一個高度非線性、時變、不確定性的復雜動態過程，任何狀態的改變都會對加工過程及最后加工效果產生影響，常規的數控加工技術沒有把狀態變化量納入考慮的范圍內，對加工過程中出現的突發狀況不能實時處理［6］，難以保證CFRP 的最終加工質量。

本文主要從CFRP 的切削加工預測、切削過程中的狀態監測及在線智能控制3 方面綜述了學者們近年來的研究成果，并對未來研究趨勢進行了分析和討論，為改善CFRP 加工質量，促進其廣泛應用提供參考。

1 CFRP切削加工預測

1.1 加工過程物理仿真預測

加工過程物理仿真可以對CFRP 切削過程中切削力、切削溫度、刀具磨損、切屑形狀等狀態進行預測，根據仿真結果提出解決方案，對切削參數與刀具角度進行優化［6］。針對CFRP 加工過程物理仿真的研究，國內外學者從宏觀、微觀及宏微觀有限元模型等方面展開了廣泛研究。

圖1 CFRP宏觀模型仿真［7］Fig.1 CFRP macroscopic model simulation［7］

圖1為路冬等［7］采用宏觀有限元模型對CFRP 切削過程進行的仿真研究，探討了切削過程中樹脂基體、亞表面損傷演化過程。秦旭達［8］則采用宏觀有限元模型模擬了CFRP 銑削加工過程，利用VUMAT 子程序建立了三維Hashin 起始失效準則以及損傷演化過程模型，采用Cohesive單元連接以模擬層間損傷的產生及擴展，利用該模型分析了切削力、層間應力及層間損傷隨纖維方向角的變化規律，但所建立的模型忽略了纖維基體的結合問題以及切削溫度的影響。CALZADA 等［9］對材料界面進行建模，提出了基于微觀結構的CFRP 有限元模型，該模型能夠描述整個切屑形成過程中纖維損傷形式。如圖2為齊振超［10］建立的CFRP 直角切削三維多相有限元模型及仿真結果，對纖維、基體材料本構分開考慮，仿真結果很好的展示了切屑形成機理、基體破壞及亞表面損傷深度。RENTSCH［11］建立了基于Hashin 失效準則的CFRP 微宏觀有限元模型，獲得了和實際相符的材料去除過程，將重點觀察區采用微觀模型，其余采用宏觀模型，可以兼顧仿真效率與仿真精度。

圖2 θ=45°直角切削微觀幾何模型及仿真結果［10］Fig.2 Microscopic geometric model and simulation results of orthogonal cutting at θ=45°［10］

可見，CFRP 宏觀有限元模型在預測切削力、表面損傷等方面，能取得很好仿真精度，但并不能預測局部效應。微觀有限元模型著重考慮材料的微觀特性，能更好的詮釋材料去除機理、切屑形成原因、切削熱傳遞以及纖維基體損傷演化等諸多方面。微宏觀有限元模型在兼具仿真效率與精度的基礎上表現出更好的仿真效果，是未來研究的重點。

1.2 CFRP數學模型預測

針對CFRP 切削過程的數學模型預測，學者們從宏觀、微觀層面對切削力的建模進行了廣泛研究，而微觀層面的切削力模型又可從特定纖維方向和全范圍纖維方向進行研究。

從宏觀層面開展的切削力模型研究，主要是對經典金屬切削理論的應用或推廣。如段春爭［12］等根據實驗數據求出經驗公式（1）系數，可直觀的展示加工參數對結果參數的影響。MENG 等［13］則將切削刃分成連續的相鄰元素集，每個都看作是單位寬度的正交切削刃，在每個元素上使用修正后的正交切削力模型建立了UD-CFRP 鉆孔過程中瞬時鉆削力模型，并且可以預測力的波動，但此類模型無法考慮到纖維基體切削的微觀特性。

式中，F為切削力；C為與加工材料及切削條件的相關系數；n為轉速；vf為進給速度；ap為軸向切深；ae為徑向切深；a1、a2、a3、a4均為指數［12］。

因此，利用材料的微觀特性來描述正交切削物理本質，將切屑、一根纖維或一個有代表性的體積單元作為一根梁，研究人員獲得了基于斷裂力學、復合材料力學或能量法［14-15］的切削力模型。如A.JAHROMI 等［14］認識到基于金屬切削理論的模型在預測CFRP 切削力方面存在局限性，故采用能量法預測纖維方向從π/2 到π 的UD-CFRP 正交切削力，這促進了CFRP 微觀結構的表征從等效均勻材料向多相材料的轉變。如圖3所示，ABC三區域的力之和為總切削力，體積單元RVE1和RVE2被瞬間切斷形成切屑時RVE3破壞剛開始，因此對RVE3進行單獨分析（圖4）是建立受力預測模型關鍵，QI 等［15］根據這一思想采用能量法和最小勢能原理進行了力預測模型的建立。

圖3 0°≤θ≤Υa+90°時單向CFRP的正交切削［15］Fig.3 Orthogonal cutting of UD-CFRP at 0°≤θ≤Υa+90°［15］

圖4 RVE3載荷分析［15］Fig.4 Load condition of RVE3［15］

基于前人研究，CHEN等［16］基于彈性基礎理論和最小勢能原理建立了全范圍內UD-CFRP 正交加工的切削力預測理論模型，模型被分為纖維取向為0°到90°、90°到180°和0°三部分，但模型中大量的材料參數使得難以在實際環境當中應用。

由上述研究發現，CFRP 數學模型預測主要集中在切削力的建模研究，而針對刀具磨損、加工質量等特定模型研究較少。切削力模型可直觀反應加工參數對結果參數影響，并易于結合其他算法優化加工過程，但如何從微觀層面去建立簡單且能夠表征任意纖維方向的CFRP 加工過程的切削力模型，仍需深入研究。

1.3 智能模型預測

圖5所示為基于神經網絡的CFRP 加工預測結構示意圖，以機床、刀具、材料等參數為輸入，以切削力、分層系數、刀具磨損等為輸出，學者們對CFRP 加工結果進行了準確預測。

圖5 神經網絡預測結構示意圖Fig.5 Schematic diagram of neural network prediction structure

賈振元等［17］以纖維方向、切削深度和刀具角度為輸入，采用徑向基函數神經網絡準確預測了CFRP切削力，并探討了基體失效問題。慶華楠等［18］研究證明將刀具底刃切削的影響考慮進BP 神經網絡預測模型當中，可以進一步提升銑削力預測精度。唐寧等［19］研究發現自適應神經模糊推理系統在預測CFRP 軸向力方面可能比單一神經網絡精度更高。KARNIK［20］、KRISHNAMOORTHY 等［21］分別基于人工神經網絡實現了CFRP 鉆削入口分層以及出口分層的準確預測，前者以主軸轉速、進給速度和鉆尖角為輸入，高速鉆削入口分層系數為輸出，后者以主軸轉速、鉆頭尺寸、進給量為輸入，出口分層因子為輸出且預測結果最大誤差為0.81%，最小誤差僅為0.03%。TSAO 等［22］使用徑向基函數神經網絡和多變量回歸分析分別探討了CFRP 鉆削中進給速率、主軸轉速和鉆頭直徑與推力和表面粗糙度之間的相關性，通過實驗證明采用徑向基函數神經網絡可以更有效地預測CFRP表面粗糙度。

已有研究表明，采用智能預測模型可以解決加工參數與預測目標之間非線性問題，預測精度更好，同時可以根據預測結果，確定最佳參數組合。但由于神經網絡的學習復雜性、需要大量實驗數據，使得加工成本加大，因此，考慮各種加工因素影響、優化預測模型結構、結合模糊邏輯及支持向量機等其他技術建立更精確的預測模型還需要深入研究。

2 CFRP切削過程中狀態監測

2.1 刀具磨損的監測

如圖6所示為完整的刀具狀態在線監測系統，主要由信號采集、特征提取、模式識別3部分組成。

圖6 刀具狀態監測智能體系框圖［23］Fig.6 Intelligent monitoring framework of tool condition［23］

在狀態信息獲取方面，由于直接測量的方式受切削液、切屑影響且信號獲取難度大，學者采用基于切削力［24-25］、機械振動［26-28］、切削溫度［29］、功率/電流［30］和聲發射［31-35］等間接方法來獲取CFRP 加工中刀具狀態信息，為尋求適合、高質的信息獲取方法，國內外學者對以上方法進行了大量驗證。LIN 等［24］建立了力信號與刀具磨損及其他切削參數之間的關系，該關系可用于在線鉆頭側翼磨損監測，率先表明基于力信號的刀具磨損監測是可行的。FU 等［26］認為切削刀具振動信號的變化可以間接確定刀具磨損程度，采用小波去噪，然后從去噪后信號中得到分形維數，以此尋求和刀具磨損有關的特征量。CHERIF等［30］通過處理主軸及進給驅動器電流信號獲得了和CFRP 刀具磨損相關的監測指標。WANG 等［31-35］都采用了聲發射來研究CFRP 切削中刀具磨損狀態，這是因為切削力法存在設備安裝困難、振動信號法需要解決噪聲及刀具自激振動影響、功率/電流法靈敏性和瞬時響應性較差，而聲發射法可以彌補以上方法的不足，實現在線實時監測，因此獲得了廣泛的應用。

在CFRP 加工信號處理方面，主要有分形分析［25-26］、小波包變換［31-33，35］、時頻域分析［33-34］、經驗模態分解等方法。RIMPAULT 等［25］提出將CFRP 切削力信號分形分析之后的各種分形參數組合起來建立經驗指數，用來監測刀具磨損情況。WANG［31］、謝小明等［33］對鉆削CFRP/金屬疊層板的聲發射信號進行時域分析，發現信號均方根值和刀具磨損變化規律有關（圖7）。黃文亮等［35］利用小波包分析技術探討了CFRP 鉆削聲發射信號頻段能量特征與刀具磨損量對應關系，對鉆削第5 及第50 個孔磨損狀態下的聲發射信號，采用db8小波包基分解為3層（圖8）；對8個頻帶小波包分解重構并對比分析，發現聲發射信號頻段S［3，2］和S［3，7］幅值隨著鉆孔數量和刀具磨損量的增加而增大（圖9），故此頻段可用于監測刀具磨損。

圖7 CFRP（F）和Ti（L）信號中均方根值隨孔數增加變化［31］Fig.7 Changes of RMS value with hole number in CFRP（F）and Ti（L）［31］

圖8 小波包樹［35］Fig.8 Wavelet packet tree［35］

圖9 S［3，2］、S［3，7］頻段在鉆第5、50孔時小波包分解重構圖［35］Fig.9 Wavelet packet decomposition and reconstruction diagram of S［3，2］and S［3，7］［35］

在刀具磨損監測模型方面，基于人工神經網絡、支持向量機（SVM）的研究逐漸展開。CAGGIANO等［34］對鉆削CFRP 的軸向力及繞Z 軸扭矩信號進行頻域分析，創建了單傳感器特征向量和多傳感器特征向量，再基于人工神經網絡建立了特征向量和刀具磨損之間的監測模型，結果顯示人工神經網絡能夠從多個傳感器信號中提取的頻率特征，以較高精度重建刀具側翼磨損曲線，可用于在線監測刀具磨損。宋慶月等［36］通過分析CFRP 鉆孔試驗結果，得到刀具磨損、進給速度及兩者耦合作用下對孔壁粗糙度的影響規律，提出基于參考切削力支持向量機回歸識別模塊的變切削參數刀具磨損監測方法，進而實現孔壁粗糙度的在線監測。

由上可知，聲發射法在CFRP 刀具磨損監測方面有很大優勢，如何結合神經網絡、模糊邏輯等策略建立一個明確的監測模型，還需深入研究。同時，當材料或加工方式發生改變時，所建立的監測模型需要重新研究與刀具磨損狀態關聯的聲發射特征量，如何解決監測模型的通用性，是亟待解決的問題。結合多種信號優勢，實現多信號融合，是未來進行磨損監測研究的另一重點。

2.2 加工質量的監測

CFRP 無損檢測方法如超聲、射線、滲透檢測以及壓力、光纖傳感器等，由于檢測滯后性、檢測信號無特征性［37］等缺點，屬于缺陷形成后的靜態檢測，無法用于CFRP實時監測。M?HRING等［38］通過對比加速度、主軸功率、聲發射、空氣傳播聲音和切削力等信號發現，聲發射信號和被監測量有更好的相關性，最適用于監測CFRP 切削加工質量。這是因為聲發射法是實時無損監測，可以動態地對其進行無損評價，根據損傷分布和實時產生的數據，評價損傷區域、損傷類型及損傷程度［37］。

因此，針對加工中產生的裂紋、分層、纖維斷裂等損傷，FENGMING等［39］提出利用PS-FBG檢測的聲發射信號來識別，對信號中的兩種蘭姆波進行時頻分析，得到它們之間相對振幅比用于識別CFRP 的微觀損傷。OLIVERIA 等［40］通過聲發射信號和紅外熱成像技術來監測CFRP 對切削過程的響應，表明能量和振幅特征隨切削長度而增加，這種關系可以實時監控加工過程，從而估計表面質量和預測缺陷。同樣在信號特征提取之后用于監測加工質量的智能模型也成為研究的重點，如上文提到的CAGGIANO［34］，除此之外QIN 等［41］也通過開發人工神經網絡模型探討了CFRP 螺旋銑削時分層與過程參數之間的相關性。蘆吉云［42］、賀夢悅等［43］都采用支持向量機理論對CFRP 分層損傷位置、大小進行了研究，所做研究雖不是用于CFRP 切削過程中的質量監測，但對CFRP鉆、銑等過程中的質量監測提供了參考。

3 CFRP切削過程中智能控制

CFRP 切削加工過程是一個高度非線性、時變、不確定性的復雜動態過程，通過對切削力、振動在線智能控制可實現CFRP 穩定切削，保護刀具，提升加工質量。

為保持切削力的平穩，傳統研究領域如工藝規劃［44］、插補策略或加減速控制，及后來結合魯棒控制［45］、滑模控制［46］、神經網絡控制及模糊邏輯控制等智能控制算法的CFRP 切削力智能控制研究逐漸展開。國內吳夢培［47］、黃耀峰等［48］先后采用神經網絡和自適應控制結合方式研究了CFRP 加工過程中切削力的控制問題，如圖10所示，測力儀測得實際軸向力，通過數據采集與處理將其反饋至控制器，在線調節進給速度，將軸向力控制在臨界軸向力之下，以此來減少CFRP鉆削過程中的分層現象。

圖10 神經網絡自適應控制框圖［48］Fig.10 Block diagram of neural network adaptive control［48］

國外早期CHUNG 等［49］提出了模糊邏輯模型和控制策略，將鉆孔模型分為入口、中間和出口三階段，在中間階段控制器維持切削力的穩定，在出口處控制器用于降低切削力減少分層，仿真結果表明，模糊控制器調節速度快、超調小且具有很強的魯棒性。ROMOLI 等［50］基于軸向力以及側翼磨損測量量的模糊邏輯算法，提出了CFRP 鉆孔監控策略。如圖11所示，采用雙重模糊邏輯，第一階段以軸向力與鉆頭磨損量作為控制器輸入量，將分層診斷作為輸出量，可監測鉆孔是否發生分層；第二階段將分層診斷作為輸入，將鉆孔所需最佳進給速度作為輸出并反饋給CNC 數控單元，以此來控制鉆削力達到分層損傷減少的目的。

除切削力之外，CFRP 加工過程中的振動控制也是研究重點。徐玉高等［51］設計了一種可減少CFRP深孔鏜削中鏜桿受激振動的導向裝置，能有效提升鏜孔質量。胡錦濤等［52］研究發現，在CFRP 切削中刀具振動引起的損傷較小，而主軸振動傳至刀具使得刀具振動加劇從而使纖維破碎、纖維與基體界面出現分層。因此，機床的在線顫振抑制對CFRP 的加工尤為重要，國內外基于智能控制方法的在線顫振抑制研究已有很多，如KUBICA［53］、LIANG［54］等分別在圓周銑削、端銑過程中采用模糊控制方法對顫振進行了有效抑制，從而大大提升了加工過程的穩定性。如何根據CFRP 加工特性結合各種智能控制算法來實現加工過程中振動的智能控制，將會是CFRP 未來研究的新方向。

圖11 模糊邏輯控制系統原理圖［50］Fig.11 Schematic diagram of fuzzy control system［50］

由上可見，以神經網絡控制和模糊控制為代表的智能控制方法可實現CFRP 切削過程的智能調整，從而保證系統的穩定性提升加工質量，但如何解決模糊控制、神經網絡控制等智能控制算法自身缺陷，加強智能控制方法與加工系統的集成還需深入研究。

4 結語

（1）在CFRP 預測研究方面，基于微觀有限元模型的加工過程物理仿真能更好的詮釋材料去除機理、切屑形成原因、切削熱傳遞以及纖維、基體損傷演化等諸多方面，微宏觀有限元模型則能夠兼顧仿真預測精度以及有限元計算效率，是后期研究重點。其次，基于CFRP 微觀切削機理建立精確切削力數學模型的同時還應展開有關刀具磨損、振動以及加工質量模型方面的研究。此外，結合人工智能技術建立更準確的智能預測模型還需要深入研究。

（2）CFRP 切削過程中刀具磨損、加工質量的監測需從狀態信息獲取、特征信息提取以及監測模型建立三方面展開研究。結合多種信號優勢，實現多信號融合，獲得滿足實際加工中魯棒性要求的的傳感器信號，是未來進行CFRP 在線狀態監測研究的前提。其次，還應借助先進信號處理技術及人工智能手段，深入研究傳感器信號和CFRP 加工過程狀態之間的內在機理及映射關系。

（3）CFRP 加工中切削力、顫振的智能控制可實現CFRP 穩定切削、降低分層等缺陷的產生。在線控制技術涉及在線數據處理，優化算法，實時驅動等關鍵技術，如何結合CFRP 自身加工特性，建立準確智能的控制系統，是未來研究的重點。