Определение оптимальных параметров фрезерования нержавеющей стали 12Х18Н10Т, изготовленной методом проволочного электронно-лучевого аддитивного производства

Обложка

Цитировать

Полный текст

Аннотация

Введение. В отличие от традиционных вычитающих технологий аддитивное производство (АП) имеет следующие преимущества: сокращение времени изготовления деталей и увеличение сроков службы материалов. Оно также характеризуется лучшей экологичностью, прежде всего вследствие повышения коэффициента использования материала (снижения количества стружки). Проволочные электронно-лучевые технологии АП обладают несомненным преимуществом, связанным с высокой производительностью и материалоемкостью. С другой стороны, существенным ограничением, сдерживающим внедрение проволочной электронно-лучевой технологии АП (EBAM), является низкая размерная точность и большая шероховатость поверхности 3D-напечатанных деталей. Цель работы: подбор оптимальных значений режимных параметров фрезерования (частоты вращения, подачи и ширины фрезерования) на основании одновременной оценки шероховатости обрабатываемой поверхности и скорости удаления материала. Методы и материалы. В работе исследовали образцы, полученные с помощью технологии EBAM. Механические свойства определяли путем испытаний на одноосное растяжение на электромеханической испытательной машине. Силу резания определяли с помощью динамометра Kistler 9257В. Исследования по фрезерованию заготовок нержавеющей стали EBAM 321 выполняли как на стационарном станке без применения СОЖ, так и на широкоформатном фрезерном станке с ЧПУ с применением СОЖ. Результаты и обсуждение. Показано, что для повышения производительности (скорости удаления материала) и снижения силы резания на стационарном станке без применения СОЖ целесообразно увеличивать скорость фрезерования, не увеличивая при этом величину подачи. При исследовании взаимосвязи скорости удаления материала и шероховатости от параметров фрезерования на широкоформатном фрезерном ЧПУ-станке с невысокой жесткостью портальной рамы и с применением СОЖ предложены модели линейной множественной регрессии и нелинейные модели на основе нейронных сетей прямого распространения. Показано, что для прогноза оптимальных параметров фрезерования достаточно использовать линейные регрессионные модели. Однако необходимо учесть, что исследования проводились в узких рамках щадящих режимов при малых временах механообработки и без учета возможного износа инструмента. Для этих условий (ограничений) дан прогноз оптимальных параметров фрезерования нержавеющей стали EBAM 12Х18Н10Т: при частоте вращения 4500 об/мин, подаче S = 404 мм/мин и ширине B = 0,43 мм прогнозируемая шероховатость Ra составит 0,648 мкм, а скорость удаления материала – 695 мм3/мин.

Об авторах

Мэнсюй Ци

Национальный исследовательский Томский политехнический университет

Email: mensyuy1@tpu.ru
ORCID iD: 0000-0003-3738-0193
SPIN-код: 1437-7723
Scopus Author ID: 58000788300
ResearcherId: KRV-7414-2024

аспирант

Россия, 634050, Россия, г. Томск, пр. Ленина, 30

Сергей Викторович Панин

Институт физики прочности и материаловедения СО РАН

Email: svp@ispms.ru
ORCID iD: 0000-0001-7623-7360
SPIN-код: 2348-2651
Scopus Author ID: 7003422815
ResearcherId: H-2160-2016
https://www.ispms.ru/persons/panin-sergey-viktorovich.php

доктор техн. наук, профессор

Россия, 634055, Россия, г. Томск, пр. Академический, 2/4

Дмитрий Юрьевич Степанов

Институт физики прочности и материаловедения СО РАН

Email: sdu@ispms.ru
ORCID iD: 0000-0003-2558-7613
SPIN-код: 7166-3580
Scopus Author ID: 57205610120
ResearcherId: MEO-3821-2025

канд. техн. наук

Россия, 634055, Россия, г. Томск, пр. Академический, 2/4

Михаил Владимирович Бурков

Институт физики прочности и материаловедения СО РАН

Email: sdu@ispms.ru
ORCID iD: 0000-0002-3337-6579
SPIN-код: 7852-3768
ResearcherId: F-5495-2014

канд. техн. наук

Россия, 634055, Россия, г. Томск, пр. Академический, 2/4

Цинжун Чжан

Национальный исследовательский Томский политехнический университет

Автор, ответственный за переписку.
Email: cinzhun1@tpu.ru
ORCID iD: 0009-0002-7820-1227
SPIN-код: 7543-1914
ResearcherId: MZQ-6626-2025

аспирант

Россия, 634050, Россия, г. Томск, пр. Ленина, 30

Список литературы

  1. Lippold J.C., Kotecki D.J. Welding metallurgy and weldability of stainless steels. – Hoboken: John Wiley & Sons, 2005. – 357 p. – ISBN 978-0-471-47379-4.
  2. Research progress on the relationship between microstructure and properties of AISI 321 stainless steel / Z. Huang, J. Zhang, Z. Ma, S. Yuan, H. Yang // Applied Sciences. – 2024. – Vol. 14 (22). – P. 10196. – doi: 10.3390/app142210196.
  3. Transformation law of microstructure evolution and mechanical properties of electron beam freeform fabricated 321 austenitic stainless steel / Q. Yin, G. Chen, H. Cao, G. Zhang, B. Zhang, S. Wei // Vacuum. – 2021. – Vol. 194. – P. 110594. – doi: 10.1016/j.vacuum.2021.110594.
  4. Layer thickness dependence of performance in high-power selective laser melting of 1Cr18Ni9Ti stainless steel / M. Ma, Z. Wang, M. Gao, X. Zeng // Journal of Materials Processing Technology. – 2014. – Vol. 215. – P. 142–150. – doi: 10.1016/j.jmatprotec.2014.07.034.
  5. Correlation between heat treatment process parameters, phase composition, texture, and mechanical properties of 12H18N10T stainless steel processed by selective laser melting / A.L. Kameneva, A.A. Minkova, N.N. Cherkashneva, V.V. Karmanov // IOP Conference Series: Materials Science and Engineering. – 2018. – Vol. 447 (1). – P. 012043. – doi: 10.1088/1757-899X/447/1/012043.
  6. Microstructure and corrosion properties of wire arc additively manufactured multi-trace and multilayer stainless steel 321 / X. Wang, Q. Hu, W. Liu, W. Yuan, X. Shen, F. Gao, D. Tang, Z. Hu // Metals. – 2022. – Vol. 12. – P. 1039. – doi: 10.3390/met12061039.
  7. Laser additive manufacturing of Inconel 718 at increased deposition rates / C. Zhong, A. Gasser, G. Backes, J. Fu, J.H. Schleifenbaum // Materials Science and Engineering: A. – 2022. – Vol. 844. – P. 143196. – doi: 10.1016/j.msea.2022.143196.
  8. Sciaky Inc. Benefits of Wire vs. Powder Metal 3D Printing. Comparing Sciaky’;s wirefeed 3D printing process, a.k.a. Electron Beam Additive Manufacturing, to powder-based feedstock 3D printing processes. 2008. – URL: https://www.sciaky.com/additive-manufacturing/wire-vs-powder (accessed: 30.10.2025).
  9. Coaxial laser metal wire deposition of Ti6Al4V alloy: process, microstructure and mechanical properties / Y. Chen, X. Chen, M. Jiang, Z. Lei, Z. Wang, J. Liang, S. Wu, S. Ma, N. Jiang, Y. Chen // Journal of Materials Research and Technology. – 2022. – Vol. 20. – P. 2578–2590. – doi: 10.1016/j.jmrt.2022.08.068.
  10. Wire + arc additive manufacture of 17-4 PH stainless steel: Effect of different processing conditions on microstructure, hardness, and tensile strength / A. Caballero, J. Ding, S. Ganguly, S. Williams // Journal of Materials Processing Technology. – 2019. – Vol. 268. – P. 54–62. – doi: 10.1016/j.jmatprotec.2019.01.007.
  11. Weglowski M.S., Blacha S., Phillips A. Electron beam welding – Techniques and trends – Review // Vacuum. – 2016. – Vol. 130. – P. 72–92. – doi: 10.1016/j.vacuum.2016.05.004.
  12. Wang D., Liu Z., Liu W. Experimental measurement of vacuum evaporation of aluminum in Ti-Al, V-Al, Ti6Al4V alloys by electron beam // Metals. – 2021. – Vol. 11 (11). – P. 1688. – doi: 10.3390/met11111688.
  13. Microstructural evolution in a thin wall of 2Cr13 martensitic stainless steel during wire arc additive manufacturing / Z. Lyu, Y.S. Sato, S. Tokita, Y. Zhao, J. Jia, A. Wu // Materials Characterization. – 2021. – Vol. 182. – P. 111520. – doi: 10.1016/j.matchar.2021.111520.
  14. Production of workpieces from martensitic stainless steel using electron-beam surfacing and investigation of cutting forces when milling workpieces / N.V. Martyushev, V.N. Kozlov, M. Qi, V.S. Tynchenko, R.V. Kononenko, V.Yu. Konyukhov, D.V. Valuev // Materials. – 2023. – Vol. 16. – P. 4529. – doi: 10.3390/ma16134529.
  15. Direct laser fabrication of three dimensional components using SC420 stainless steel / G.A. Ravi, X.J. Hao, N. Wain, X. Wu, M.M. Attallah // Materials & Design. – 2013. – Vol. 47. – P. 731–736. – doi: 10.1016/j.matdes.2012.12.062.
  16. Grzesik W. Hybrid additive and subtractive manufacturing processes and systems: A review // Journal of Machine Engineering. – 2018. – Vol. 18. – P. 5–24. – doi: 10.5604/01.3001.0012.7629.
  17. Influence of anisotropy properties and structural inhomogeneity on elasticity and fracture of titanium alloys produced by electron-beam melting / V.A. Klimenov, E.A. Kolubaev, Z. Han, A.V. Chumaevskii, A.A. Klopotov, A.M. Ustinov, Z.G. Kovalevskaya, E. Moskvichev, M. Pan // The International Journal of Advanced Manufacturing Technology. – 2024. – Vol. 135. – P. 5575–5594. – doi: 10.1007/s00170-024-14843-7.
  18. Park S.H. Robust design and analysis for quality engineering. – London: Chapman & Hall, 1996. – 256 p.
  19. Phadke M.S. Quality engineering using robust design. – Englewood Cliffs, NJ: Prentice-Hall, 1989. – 320 p.
  20. Nalbant M., Gökkaya H., Sur G. Application of Taguchi method in the optimization of cutting parameters for surface roughness in turning // Materials & Design. – 2007. – Vol. 28 (4). – P. 1379–1385. – doi: 10.1016/j.matdes.2006.01.008.
  21. Comprehensive analysis of microstructure and mechanical, operational, and technological properties of AISI 321 austenitic stainless steel at electron beam freeform fabrication / S.V. Panin, M. Qi, D.Yu. Stepanov, M.V. Burkov, V.E. Rubtsov, Y.V. Kushnarev, I.Yu. Litovchenko // Construction Materials. – 2025. – Vol. 5 (3). – P. 62. – doi: 10.3390/constrmater5030062.
  22. Zhang J.Z., Chen J.C., Kirby E.D. Surface roughness optimization in an end-milling operation using the Taguchi design method // Journal of Materials Processing Technology. – 2007. – Vol. 184 (1–3). – P. 233–239. – doi: 10.1016/j.jmatprotec.2006.11.029.
  23. Application of neural network models with ultra-small samples to optimize the ultrasonic consolidation parameters for ‘PEI Adherend/Prepreg (CF-PEI Fabric)/PEI Adherend’; lap joints / D.Y. Stepanov, D. Tian, V.O. Alexenko, S.V. Panin, D.G. Buslovich // Polymers. – 2024. – Vol. 16. – P. 451. – doi: 10.3390/polym16040451.
  24. Draper N.R., Harry S. Applied regression analysis. – 3rd ed. – Wiley-Interscience, 1998. – 736 p. – ISBN 0471170828. – ISBN 9780471170822.
  25. Куприенко Н.В., Пономарева О.А., Тихонов Д.В. Статистические методы изучения связей: Корреляционно-регрессионный анализ: учебное пособие. – СПб.: Изд-во Политехн. ун-та, 2009. – 118 с.
  26. Yan X., Su X. Linear regression analysis: Theory and computing. – Singapore: World Scientific Publishing, 2009. – 328 p. – ISBN 9812834109. – ISBN 9789812834102.
  27. Haykin S.S. Neural networks and learning machines. – 3rd ed. – Upper Saddle River, NJ: Pearson Education, 2009. – ISBN 978-0131471399.
  28. Swingler K. Applying neural networks: A practical guide. – San Francisco, CA: Morgan Kaufman Publishers, 1996. – 303 p. – ISBN 0126791708. – ISBN 9780126791709.
  29. Holkar H., Sadaiah M. Optimization of end milling machining parameters of AISI 321stainless steel using Taguchi method // International Journal on Recent and Innovation Trends in Computing and Communication. – 2016. – Vol. 4. – P. 20–23.
  30. Study of the machinability of an Inconel 625 composite with added NiTi-TiB2 fabricated by direct laser deposition / A. Arlyapov, S. Volkov, V. Promakhov, A. Matveev, A. Babaev, A. Vorozhtsov, A. Zhukov // Metals. – 2022. – Vol. 12 (11). – P. 1956. – doi: 10.3390/met12111956.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Примечание

Финансирование:

Исследования выполнены в рамках проекта Министерства науки и высшего образования РФ, Соглашение №075-15-2023-456.

 

Благодарности:

При проведении исследований использовано оборудование ЦКП "Структура, механические и физические свойства материалов" НГТУ. Авторы благодарят Ю.В. Кушнарева за помощь в изготовлении образцов стали 12Х18Н10Т на опытной установке ИФПМ СО РАН.



Creative Commons License
Эта статья доступна по лицензии 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».