Semi empirical modeling of cutting temperature and surface roughness in turning of engineering materials with TiAlN coated carbide tool

Cover Page

Cite item

Full Text

Abstract

Introduction. In manufacturing, obtaining a specified surface roughness of the machined components is of great importance to fulfill functional requirements. However, this is significantly affected by the heat generated during processing, potentially causing variations in dimensional accuracy. The surface roughness significantly affects the fatigue performance of the component, while the cutting tool's lifespan is dictated by the generation of cutting temperatures. The purpose of the study is to create semi-empirical models for predicting surface roughness and temperature of different work materials. Improved cutting performance is achieved by precisely determining the cutting temperature in the zone being machined. However, calculating the cutting temperature for each specific case is fraught with difficulties in terms of labor resources and financial investments. This paper presents a comprehensive empirical formula designed to predict both theoretical temperature and surface roughness. The methodology. The surface roughness and temperature values were evaluated for EN 8, Al 380, SS 316 and SAE 8620 materials using TiAlN coated carbide tool. The TiAlN coating was formed using Physical Vapor Deposition (PVD) Technique. The response surface methodology was used to prepare predictive models. Cutting speed (140 to 340 m/min), feed (0.08 to 0.24 mm/rev) and depth of cut (0.6 to 1.0 mm) was used as input parameters for measuring the performance of all material in terms of surface roughness and cutting temperature. The tool-work thermocouple principle was used to measure the temperature at the chip-tool interface. A Novel Calibration Setup was developed to establish a connection between the electromotive force (EMF) generated during machining and the cutting temperature. Results and Discussion. It is observed that the power required for machining was largely transformed into heat. The highest cutting temperature is recorded when machining of SS 316 followed by SAE 8620, EN 8. However, low temperature is reported during machining of Al 380 and it is mainly governed by the thermal conductivity of the material. The lowest surface roughness is observed in SAE 8620, EN 8 material followed by SS 316 and Al 380. Semi-empirical method and regression model equations show a good agreement with each other. Statistical analysis of nonlinear estimation reveals that the cutting speed, feed, and density of the material have a greater effect on surface roughness, whereas the depth of cut has a greater effect on temperature generation. The study will be very useful for predicting industrial productivity when machining of EN 8, Al 380, SS 316 and SAE 8620 materials with TiAlN-coated carbide tool.

About the authors

N. Patil

Email: nileshgpatil@rediffmaiil.com
ORCID iD: 0000-0002-4884-4267
Professor, Marathwada Institute of Technology, Aurangabad-431010, Maharashtra State, India, nileshgpatil@rediffmaiil.com

A. Saraf

Email: atul.saraf001@gmail.com
ORCID iD: 0000-0003-4776-6874
National Institute of Technology, Surat, Gujarat 395007, India, atul.saraf001@gmail.com

A. Kulkarni

Email: atul.kulkarni@viit.ac.in
ORCID iD: 0000-0002-6452-6349
Associate Professor, Vishwakarma Institute of Information Technology, Survey No. 3/4, Kondhwa (Budruk), Pune – 411048, Maharashtra, India, atul.kulkarni@viit.ac.in

References

  1. Empirical modelling and optimization of temperature and machine vibration in CNC hard turning / P.S. Ghosh, S. Chakraborty, A.R. Biswas, N.K. Mandal // Materials Today: Proceedings. – 2018. – Vol. 5 (5). – P. 12394–12402. – doi: 10.1016/j.matpr.2018.02.218.
  2. Groover M.P. Fundamentals of modern manufacturing: materials, processes, and systems. – 4th ed. – Hoboken, NJ: Wiley, 2010. – 1012 p. – ISBN 978-0470-467002.
  3. Cutting temperature measurement using an improved two-color infrared thermometer in turning Inconel 718 with whisker-reinforced ceramic tools / J. Zhao, Z. Liu, B. Wang, Y. Hua, Q. Wang // Ceramics International. – 2018. – Vol. 44 (15). – P. 19002–19007. – doi: 10.1016/j.ceramint.2018.07.142.
  4. Kakade H.B., Patil N.G. Comparative investigations into high speed machining of AB titanium alloy (Ti–6al–4v) under dry and compressed Co2 gas cooling environment // AIP Conference Proceedings. – 2018. – Vol. 2018 (1). – P. 20009-1–20009-9. – doi: 10.1063/1.5058246.
  5. Gunjal S.U., Sanap S.B., Patil N.G. Role of cutting fluids under minimum quantity lubrication: an experimental investigation of chip thickness // Materials Today: Proceedings. – 2020. – Vol. 28 (2). – P. 1101–1105. – doi: 10.1016/j.matpr.2020.01.090.
  6. Кулкарни А.П., Чинчаникар С., Саргаде В.Г. Теория размерностей и моделирование температуры на границе раздела стружка-инструмент при точении SS304 на основе искусственных нейронных сетей // Обработка металлов (технология, оборудование, инструменты). – 2021. – Т. 23, № 4. – С. 47–64. – doi: 10.17212/1994-6309-2021-23.4-47-64.
  7. Modelling of flank wear, surface roughness and cutting temperature in sustainable hard turning of AISI D2 steel / R. Kumar, A.K. Sahoo, R.K. Das, A. Panda, P.C. Mishra // Procedia Manufacturing. – 2018. – Vol. 20. – P. 406–413. – doi: 10.1016/j.promfg.2018.02.059.
  8. Gosai M., Bhavsar S.N. Experimental study on temperature measurement in turning operation of hardened steel (EN36) // Procedia Technology. – 2016. – Vol. 23. – P. 311–318. – doi: 10.1016/j.protcy.2016.03.032.
  9. Abhang L.B., Hameedullah M. Chip-tool interface temperature prediction model for turning process // International Journal of Engineering Science and Technology. – 2010. – Vol. 2 (4). – P. 382–393.
  10. Doniavi A., Eskanderzade M., Tahmsebian M. Empirical modeling of surface roughness in turning process of 1060 steel using factorial design methodology // Journal of Applied Sciences. – 2007. – Vol. 7 (17). – P. 2509–2513. – doi: 10.3923/jas.2007.2509.2513.
  11. Verma V., Kumar J., Singh A. Optimization of material removal rate and surface roughness in turning of 316 steel by using full factorial method // Materials Today: Proceedings. – 2020. – Vol. 25. – P. 793–798. – doi: 10.1016/j.matpr.2019.09.029.
  12. Investigation on surface roughness and chip reduction coefficient during turning aluminium matrix composite / D. Das, R.F. Ali, B.B. Nayak, B.C. Routara // Materials Today: Proceedings. – 2019. – Vol. 5 (11). – P. 23541–23548. – doi: 10.1016/j.matpr.2018.10.142.
  13. Bhople N., Patil N., Mastud S. The experimental investigations into dry turning of austempered ductile iron // Procedia Manufacturing. – 2018. – Vol. 20. – P. 227–232. – doi: 10.1016/j.promfg.2018.02.033.
  14. Analysis of surface roughness and cutting force components in hard turning with CBN tool: prediction model and cutting conditions optimization / H. Aouici, M.A. Yallese, K. Chaoui, T. Mabrouki, J.F. Rigal // Measurement. – 2012. – Vol. 45 (3). – P. 344–353. – doi: 10.1016/j.measurement.2011.11.011.
  15. Longbottom J.M., Lanham J.D. Cutting temperature measurement while machining – a review // Aircraft Engineering and Aerospace Technology. – 2005. – Vol. 77 (2). – P. 122–130. – doi: 10.1108/00022660510585956.
  16. Korkut I., Ac?r A., Boy M. Application of regression and artificial neural network analysis in modelling of tool–chip interface temperature in machining // Expert Systems with Applications. – 2011. – Vol. 38 (9). – P. 11651–11656. – doi: 10.1016/j.eswa.2011.03.044.
  17. Dhar N.R., Kamruzzaman M. Cutting temperature, tool wear, surface roughness and dimensional deviation in turning AISI-4037 steel under cryogenic condition // International Journal of Machine Tools and Manufacture. – 2007. – Vol. 47 (5). – P. 754–759. – doi: 10.1016/j.ijmachtools.2006.09.018.
  18. Patil N.G., Brahmankar P.K. Semi-empirical modeling of surface roughness in wire electro-discharge machining of ceramic particulate reinforced Al matrix composites // Procedia CIRP. – 2016. – Vol. 42. – P. 280–285. – doi: 10.1016/j.procir.2016.02.286.
  19. Patel D.R., Kiran M.B. A non-contact approach for surface roughness prediction in CNC turning using a linear regression model // Materials Today: Proceedings. – 2020. – Vol. 26. – P. 350–355. – doi: 10.1016/j.matpr.2019.12.029.
  20. Patel V.D., Gandhi A.H. Analysis and modeling of surface roughness based on cutting parameters and tool nose radius in turning of AISI D2 steel using CBN tool // Measurement. – 2019. – Vol. 138. – P. 34–38. – doi: 10.1016/j.measurement.2019.01.077.
  21. Rodríguez J., Munoz-Escalona P., Cassier Z. Influence of cutting parameters and material properties on cutting temperature when turning stainless steel // Revista de la Facultad de Ingeniería Universidad Central de Venezuela. – 2011. – Vol. 26 (1). – P. 71–80.
  22. Rajput R.K. A textbook of fluid mechanics and hydraulic machines. – New Delhi: S. Chand, 2004. – ISBN 9789385401374.
  23. Optimization of CNC turning parameters on aluminum alloy 6063 using Taguchi Robust Design / A. Saravanakumar, S.C. Karthikeyan, B. Dhamotharan, V. Gokul kumar // Materials Today: Proceedings. – 2018. – Vol. 5 (2). – P. 8290–8298. – doi: 10.1016/j.matpr.2017.11.520.
  24. Smith W.F. Structure and properties of engineering alloys. – New York: McGraw-Hill, 1981. – 512 p. – ISBN 0070585601. – ISBN 978-0070585607.
  25. Zou B., Chen M., Li S. Study on finish-turning of NiCr20TiAl nickel-based alloy using Al2O3/TiN-coated carbide tools // The International Journal of Advanced Manufacturing Technology. – 2011. – Vol. 53 (1). – P. 81–92. – doi: 10.1007/s00170-010-2823-z.
  26. Dessoly V., Melkote S.N., Lescalier C. Modeling and verification of cutting tool temperatures in rotary tool turning of hardened steel // International Journal of Machine Tools and Manufacture. – 2004. – Vol. 44 (14). – P. 1463–1470. – doi: 10.1016/j.ijmachtools.2004.05.007.
  27. Rezende B.A., Magalhaes F.C., Rubio J.C.C. Study of the measurement and mathematical modelling of temperature in turning by means equivalent thermal conductivity // Measurement. – 2020. – Vol. 152. – P. 107275. – doi: 10.1016/j.measurement.2019.107275.
  28. Kitagawa T., Kubo A., Maekawa K. Temperature and wear of cutting tools in high-speed machining of Inconel 718 and Ti–6Al–6V–2Sn // Wear. – 1997. – Vol. 202 (2). – P. 142–148. – doi: 10.1016/S0043-1648(96)07255-9.
  29. Pawade R.S., Joshi S.S. Analysis of acoustic emission signals and surface integrity in the high-speed turning of Inconel 718 // Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture. – 2012. – Vol. 226 (1). – P. 3–27. – doi: 10.1177/0954405411407656.
  30. Prediction of surface roughness and cutting zone temperature in dry turning processes of AISI304 stainless steel using ANFIS with PSO learning / M. Ayd?n, C. Karakuzu, M. Uçar, A. Cengiz, M.A. Çavuslu // The International Journal of Advanced Manufacturing Technology. – 2013. – Vol. 67 (1). – P. 957–967. – doi: 10.1007/s00170-012-4540-2.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».