移动机床+AI算法，实现模具表面质量精准控制

在一个由德国联邦经济事务和气候保护部 (BMWK) 资助的中央创新计划 (ZIM) 合作项目中，Picum MT GmbH和汉诺威莱布尼茨大学制造技术和机床研究所（IFW）正在共同研究，使用集成的自动抛光工艺的机床加工模具。其目标是在移动加工中，基于给定的初始状况，实现设定的粗糙度。

Picum MT开发用于加工大型复杂部件的移动机床——主要服务于模具和特种机械制造领域。其高精度实现了模具制造中的范式转变：不再将沉重的模具运送到机床，而是将机床运输到模具处。在模具维修和修改方面，Picum MT通过数字化、电弧焊和铣削已经覆盖了工艺链的大部分环节，现在他们也希望将抛光集成进来以实现完整加工。

手动抛光：成本高昂，不可重复

抛光作为工艺链的最后一步，决定了模具的表面质量。通常，这一任务需要手动进行，这可能需要从几小时到几天不等的时间。此外，抛光结果也取决于具体的操作人员，因此不可重复。

现在，该工艺被集成到Picum MT的移动机床中。抛光工具通过HSK刀柄安装在机床的主轴上（图1），因此可以像铣刀一样进行控制。用于抛光的NC代码的创建方式类似于铣削。为此，待加工表面被数字化并导入CAD/CAM程序。生成刀具路径，然后传输到机床进行精确加工。根据表面的几何形状，可以选择不同的抛光工具并应用不同的加工策略（刀具路径）。

图 1：移动机床 Bart

获取初始状况

为了进一步实现自动化并有针对性地设定表面质量，不仅需要数字化初始状态下的表面，还需要捕获超出公差范围的区域及其粗糙度。项目中，表面测量不是使用接触式测量设备，而是借助Basler AG的工业相机进行。一个仅学习了公差范围内图像的卷积神经网络（CNN）会自动识别出偏离公差范围外的区域。同时，通过耦合另一个CNN，预测这些区域的粗糙度。这样，工艺规划就获得了关于待加工区域及其粗糙度的精确信息。

图 2：在移动机器人上进行自动化抛光的验证结果，包含力和表面测量数据

图 3：使用工业相机通过表面测量识别公差范围外的区域

目标是根据初始的工艺设定参数进行调整，以达到所需的材料去除率（MRR），从而设定期望的粗糙度。通过机器学习（ML）方法，可以根据选定的抛光工具、初始状况和工艺设定参数来预测 MRR。随后，通过逆向建模，可以为给定的粗糙度确定工艺设定参数、抛光工具和加工策略。利用这些参数可以对表面进行加工。然而，在固定进给量的情况下，由于抛光工具的柔性，无法保持恒定的抛光压力。相反，抛光压力会因工具的柔性而下降，从而导致材料去除不均匀。

过去的研究表明，恒定的压力对于获得均匀且高质量的表面质量是有利的。为此，需要从工艺设定参数计算得出的抛光压力。由于抛光工具具有柔性，可以预测压力下降并计算工具所需的补偿进给量。在此过程中，确定工具必须在哪些时间间隔内进一步进给。因此，对CAM程序生成的N代码进行后期调整，在进给量上添加一个偏移量。为避免碰撞，修改后的NC代码最终在材料去除仿真软件IFW CutS中进行检查。成功验证后，将优化后的NC代码传输到机床上。

实现均匀去除

为了进行验证，模拟实际使用情况铣削了一个工件表面，然后分别使用自适应补偿和不使用自适应补偿进行抛光。目标是将粗糙度 Rz从4µm降低到1.5µm。图3显示了抛光过程中的加工力数据。在没有自适应补偿的情况下，法向力FN会因工具的柔性而下降；而通过额外的进给补偿，可以保持力恒定。形貌测量表明，可以达到所需的粗糙度。通过机械加工，还可以实现均匀的材料去除。

来源：荣格-《国际金属加工商情》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。