基于经验与数学建模方法的金属切削过程中刀具寿命可持续预测

《Advances in Materials Science and Engineering》：Sustainable Prediction of Tool Life in Metal Cutting Processes Using Empirical and Mathematical Modeling Approaches

　　

刀具寿命预测在提升加工效率、降低生产成本及促进金属切削过程可持续制造方面具有关键作用。研究人员提出一种基于不同加工条件下后刀面磨损行为的经验与数学建模方法以预测刀具寿命。实验在ACE两轴数控车床上对AISI 1015低碳钢进行干式车削，采用无涂层硬质合金切削刀片。考察了切削速度（62–175 m/min）、进给量（0.22–0.9 mm/rev）和切削深度（0.8–1.2 mm）。以VB = 0.35 mm（ISO 3685）为刀具寿命判据，切削速度对刀具寿命影响最为显著。所建立的基于回归的刀具寿命模型与实验观测吻合良好，总体预测精度大于92%，多数加工条件下实验值与预测值偏差保持在±15%以内。该模型可作为选择适宜加工参数的实用工具，减少刀具消耗与材料浪费，提升工艺可持续性，从而通过高效、可靠和可持续的制造实践助力可持续发展目标（SDG）9。

研究背景与立项依据

金属切削涉及材料变形、断裂与产热，显著影响刀具磨损与寿命。后刀面磨损（flank wear, VB）直接影响尺寸精度、表面完整性、切削力与成本，是刀具状态评估的核心指标。现有文献大量集中于机器学习监控、计算机视觉、随机磨损模型与传感器监测，或聚焦于富MQL（Minimum Quantity Lubrication, 最小量润滑）、纳米流体、离子液体、低温冷却等先进润滑策略；这类方法虽预测能力强，但依赖专用传感器、大数据与高算力和复杂部署，在常规制造现场适用性有限。与此同时，针对常规干式车削条件下、仅由可测加工参数直接关联刀具寿命的简洁经验模型研究相对不足。研究人员以AISI 1015低碳钢和无涂层硬质合金刀片（WIDIA CCMT090304FR24）为对象，在ACE两轴CNC车床开展干式车削实验，旨在填补“简单、经验验证、面向产业”的刀具寿命预测模型空白，并服务于可持续制造（SDG 9）。

主要技术方法

研究人员选取AISI 1015钢工件（直径50 mm、车削长度200 mm、硬度128 BHN）与无涂层硬质合金刀片，在ACE两轴数控车床上实施干式车削。加工域为切削速度62/105/150/175 m/min、进给量0.22/0.45/0.90 mm/rev、切削深度0.8/1.0/1.2 mm，共11组条件，每次换新刃。每10 min用工具显微镜测后刀面磨损，至VB = 0.35 mm（ISO 3685:1977(E)）判定寿命。基于Taylor幂律扩展式 V·Tⁿ·f^x·d^y = C，对实验寿命数据取对数作线性回归，分别求得各参数单独作用下的常数与指数，再整合成广义经验方程，最后以实验值对照预测值验证精度与±15%偏差带。

研究结果

4.1 切削速度对后刀面磨损与刀具寿命的影响

通过不同速度下VB-时间曲线与log(V)–log(T)线性化回归，研究人员确认切削速度是最主导因素；速度由62升至175 m/min时磨损速率陡增、寿命显著缩短，符合Taylor关系 V·Tⁿ = C₁，n为负幂。

4.2 进给量对后刀面磨损与刀具寿命的影响

固定速度与切深，变进给量得 T_L = C₂/f^b（如Vc=62 m/min时 T_L = 42.64/f^0.22）。进给增大因切屑载荷与机械应力上升而降寿命，但敏感度明显低于速度。

4.3 切削深度对后刀面磨损与刀具寿命的影响

类似地得 T_L = C₃/(doc^c)（如Vc=62 m/min、f=0.22 mm/rev时 T_L = 58.92/doc^0.20）。切深影响更弱，机理为切削力与接触压力增大但热效应贡献较小。

4.4 刀具寿命模型验证与性能评估

将广义回归方程预测值对比11组实验值，散点贴近对角线，总精度>92%，绝大多数工况偏差≤±15%；175 m/min高速度端因热-摩擦耦合偏差略增。

4.5 广义模型与性能（原文重复小节）

给出整合式 T_L = C/(V^a·f^b·doc^c) 形式（各指数由回归平均获得），在62–150 m/min区间偏差<15%，证明模型在实验域内可替代部分试切。

4.6 磨损机理与模型表现讨论

高速区工具-切屑界面温升与摩擦应力促发磨粒+粘着磨损加速；进给与切深主要通过力学载荷起作用。经验幂律成功涵盖三者权重：速度>进给>切深。

讨论与结论翻译

讨论指出，该经验框架无需高端传感器或FEM（Finite Element Method, 有限元方法）/ML（Machine Learning, 机器学习）算力，可直接嵌入车间参数选优与工艺规划，减少盲目试切、刀具报废与料耗，契合可持续制造。结论逐条浓缩如下：

• 干式车削AISI 1015显示VB渐进增长，严酷参数下寿命下降；

• 切削速度对寿命影响最强，其次进给量，再次切深；

• 在Vc 62–175 m/min、f 0.22–0.9 mm/rev、doc 0.8–1.2 mm、VB=0.35 mm下数据一致；

• 回归方程构成广义刀具寿命预测模型；

• 实验-预测对比精度>92%、偏差多数为±15%内，工程可靠；

• 方法简单低成本，助工程师选参、降刀具耗、减废料、提效；

• 准确寿命预测降低非必要换刀与成本，支持SDG 9（产业、创新与基础设施）。

论文发表于《Advances in Materials Science and Engineering》。