Advertisement

Forschung im Ingenieurwesen

, Volume 83, Issue 1, pp 91–99 | Cite as

Entwicklung eines probabilistischen Modells zur Vorhersage von Schnittkräften beim unterbrochenen Drehen von Inconel 718

  • M. SalehiEmail author
  • G. Wald
  • M. Jeretin-Kopf
  • M. Blum
  • T. L. Schmitz
  • R. Haas
  • J. Ovtcharova
Originalarbeiten/Originals
  • 297 Downloads

Zusammenfassung

In diesem Artikel wird die Entwicklung probabilistischer Modelle mittels Bayesianischen Inferenz durch ein MCMC-Verfahren zur Vorhersage von Tangential- und Vorschubschnittkräften beim Drehen von Inconel beschrieben. Zur Steigerung der Vorhersagequalität wird das probabilistische Modell um ein nicht lineares Kraftmodell nach Kienzle erweitert, um Schnittkräfte mit den inhärenten Unsicherheiten des Zerspanungsprozesses vorherzusagen. Unter Verwendung der Ergebnisse orthogonaler Drehversuche werden A‑priori-Wahrscheinlichkeiten aktualisiert und die A‑posteriori-Funktionen der Modellparameter und der Schnittkraftvorhersage ermittelt. Zur Modellvalidierung werden die Simulationsergebnisse mit den Versuchsergebnissen verglichen. Die berechneten maximalen Vorhersagefehler liegen bei 7 % für die Tangential- und 5 % für die Vorschubkräfte bei einem jeweiligen Gütemaß der A‑posteriori-Mittelwertfunktion von R2 = 0,975 (Tangentialkraft) und R2 = 0,968 (Vorschubkraft). Die Ergebnisse zeigen, dass sich die Bayesianische Inferenz unter Berücksichtigung der inhärenten Unsicherheit und minimaler experimenteller Eingangsdaten zur Modellparameteridentifikation und Schnittkraftvorhersage eignet.

Probabilistic modeling and prediction of cutting forces in interrupted turning of Inconel 718

Abstract

This research work describes probabilistic model development using Bayesian Markov Chain Monte Carlo (MCMC) method for prediction of cutting forces in interrupted turning process of Inconel 718. The Bayesian method is applied to a non-linear force model (Kienzle model) to predict tangential and feed forces with inherent uncertainties of the machining process. Prior probabilities of the Kienzle model parameters are established and posterior functions of the parameters and forces are computed using the machining experiments results. For the model verification, the simulation results are compared with the test results obtained under other cutting conditions. Maximum prediction errors of 7% and 5% are reported for the tangential and feed forces. The regression qualities of posterior mean functions are reported to be R2 = 0.975 and R2 = 0.968 for the tangential and feed forces, respectively. This indicates that the Bayesian inference has good potentials for the model parameters identification and forces prediction, considering the inherent uncertainty and minimal experimental input data.

Notes

Danksagung

Der Dank geht an Franziska Euerle und Sebastian Wittemann für die Durchführung der Zerspanungsversuche und Andreas Styrnol (Zermet Zerspanung GmbH) für die Entwicklung und Produktion der Sonderschneidwerkzeuge.

Förderung

Der korrespondierende Autor dankt dem Bundesministerium für Wirtschaft und Technologie (BMWi) und der AiF Projekt GmbH für die Förderung. Ein weiterer Dank gilt dem Karlsruhe House of Young Scientist (KHYS) des KIT zur Förderung des Forschungsaufenthalts an der University of North Carolina in Charlotte im Rahmen eines Stipendiums.

Literatur

  1. 1.
    Merchant ME (1945) Mechanics of the metal cutting process. II. Plasticity conditions in orthogonal cutting. J Appl Phys 16:318–324.  https://doi.org/10.1063/1.1707596 CrossRefGoogle Scholar
  2. 2.
    Shamoto E, Altıntas Y (1999) Prediction of shear angle in oblique cutting with maximum shear stress and minimum energy principles. J Manuf Sci Eng 121:399.  https://doi.org/10.1115/1.2832695 CrossRefGoogle Scholar
  3. 3.
    Smithey DW, Kapoor SG, DeVor RE (2001) A new mechanistic model for predicting worn tool cutting forces. Mach Sci Technol 5:23–42.  https://doi.org/10.1081/MST-100103176 CrossRefGoogle Scholar
  4. 4.
    Schmitz TL, Smith KS (2009) Milling dynamics. In: Milling. Springer, Boston  https://doi.org/10.1007/978-0-387-09645-2 Google Scholar
  5. 5.
    Karandikar JM (2013) The fundamental application of decision analysis to manufacturing, University of North Carolina at Charlotte. http://libres.uncg.edu/ir/uncc/f/Karandikar_uncc_0694D_10487.pdf. Zugegriffen: 20.06.2018Google Scholar
  6. 6.
    Gözü E, Karpat Y (2017) Uncertainty analysis of force coefficients during micromilling of titanium alloy. Int J Adv Manuf Technol 93:839–855.  https://doi.org/10.1007/s00170-017-0567-8 CrossRefGoogle Scholar
  7. 7.
    Schmitz TL, Karandikar J, Ho Kim N, Abbas A (2011) Uncertainty in machining: workshop summary and contributions. J Manuf Sci Eng 133:51009.  https://doi.org/10.1115/1.4004923 CrossRefGoogle Scholar
  8. 8.
    Mehta P, Kuttolamadom M, Mears L (2017) Mechanistic force model for machining process—theory and application of Bayesian inference. Int J Adv Manuf Technol 91:3673–3682.  https://doi.org/10.1007/s00170-017-0064-0 CrossRefGoogle Scholar
  9. 9.
    Weber M, Hochrainer T, Gumbsch P, Autenrieth H, Delonnoy L, Schulze V, Löhe D, Kotschenreuther J, Fleischer J (2007) Investigation of size-effects in machining with geometrically defined cutting edges. Mach Sci Technol 11:447–473.  https://doi.org/10.1080/10910340701697086 CrossRefGoogle Scholar
  10. 10.
    Vollertsen F, Biermann D, Hansen HN, Jawahir IS, Kuzman K (2009) Size effects in manufacturing of metallic components. CIRP Ann Manuf Technol 58:566–587.  https://doi.org/10.1016/j.cirp.2009.09.002 CrossRefGoogle Scholar
  11. 11.
    Alauddin M, Mazid MA, El Baradi MA, Hashmi MSJ (1998) Cutting forces in the end milling of Inconel 718. J Mater Process Technol 77:153–159.  https://doi.org/10.1016/S0924-0136(97)00412-3 CrossRefGoogle Scholar
  12. 12.
    Rahman M, Seah WKH, Teo TT (1997) The machinability of inconel 718. J Mater Process Technol 63:199–204.  https://doi.org/10.1016/S0924-0136(96)02624-6 CrossRefGoogle Scholar
  13. 13.
    El-Bestawi MA, El-Wardany TI, Yan D, Tan M (1993) Performance of whisker-reinforced ceramic tools in milling nickel-based superalloy. CIRP Ann 42:99–102.  https://doi.org/10.1016/S0007-8506(07)62401-9 CrossRefGoogle Scholar
  14. 14.
    Zhang S, Li JF, Wang YW (2012) Tool life and cutting forces in end milling Inconel 718 under dry and minimum quantity cooling lubrication cutting conditions. J Clean Prod 32:81–87.  https://doi.org/10.1016/J.JCLEPRO.2012.03.014 CrossRefGoogle Scholar
  15. 15.
    Kuo C‑P, Ling C‑C, Chen S‑H, Chang C‑W (2006) The prediction of cutting force in milling Inconel-718. Int J Adv Manuf Technol 27:655–660.  https://doi.org/10.1007/s00170-004-2257-6 CrossRefGoogle Scholar
  16. 16.
    Altintas Y (2012) Manufacturing automation: metal cutting mechanics, machine tool vibrations, and CNC design. Cambridge University Press, CambrigeGoogle Scholar
  17. 17.
    Klocke F, Adams O, Auerbach T, Gierlings S, Kamps S, Rekers S, Veselovac D, Eckstein M, Kirchheim A, Blattner M, Thiel R, Kohler D (2015) New concepts of force measurement systems for specific machining processes in aeronautic industry. CIRP J Manuf Sci Technol 9:31–38.  https://doi.org/10.1016/J.CIRPJ.2015.01.006 CrossRefGoogle Scholar
  18. 18.
    Karandikar JM, Abbas AE, Schmitz TL (2014) Tool life prediction using Bayesian updating. Part 1: milling tool life model using a discrete grid method. Precis Eng 38:9–17.  https://doi.org/10.1016/J.PRECISIONENG.2013.06.006 CrossRefGoogle Scholar
  19. 19.
    Andrieu C, De Freitas N, Doucet A, Jordan MI (2003) An introduction to MCMC for machine learning. Mach Learn 50:5–43.  https://doi.org/10.1023/A:1020281327116 CrossRefzbMATHGoogle Scholar
  20. 20.
    Niaki FA, Ulutan D, Mears L (2015) Parameter estimation using Markov Chain Monte Carlo Method in mechanistic modeling of tool wear during milling. Mater Biomanuf Prop Appl Syst Sustain Manuf 2:V002T04A006.  https://doi.org/10.1115/MSEC2015-9357 Google Scholar
  21. 21.
    Hoff PD (2009) A first course in Bayesian statistical methods. Springer, New York  https://doi.org/10.1007/978-0-387-92407-6 CrossRefzbMATHGoogle Scholar
  22. 22.
    Niaki FA, Ulutan D, Mears L (2016) Parameter inference under uncertainty in end-milling γ′-strengthened difficult-to-machine alloy. J Manuf Sci Eng 138:61014.  https://doi.org/10.1115/1.4033041 CrossRefGoogle Scholar
  23. 23.
    Geweke J (1992) Evaluating the accuracy of sampling-based approaches to the calculation of posterior moments. Bayesian Stat 4:169–193MathSciNetGoogle Scholar
  24. 24.
    Denkena B, Tönshoff HK (2011) Spanen: Grundlagen. Springer, Berlin, HeidelbergCrossRefGoogle Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2019
korrigierte Publikation 2019

Authors and Affiliations

  1. 1.Institute of Materials and ProcessesHochschule Karlsruhe Technik und WirtschaftKarlsruheDeutschland
  2. 2.Department of Mechanical Engineering and Engineering ScienceUniversity of North Carolina at CharlotteCharlotteUSA
  3. 3.Institut für Informationsmanagement im IngenieurwesenKarlsruher Institut für TechnologieKarlsruheDeutschland

Personalised recommendations