詹迪雷 李鹏南 李树健 牛秋林 邱新义

（湖南科技大学机电工程学院，湘潭 411201）

0 引言

碳纤维增强树脂基复合材料（CFRP）因具有高比强度、高比模量、耐腐蚀、耐疲劳等优点，被汽车、航空航天、海洋工业等诸多领域广泛应用［1-3］。由于CFRP 的非均质、各向异性，其切削加工机理不同于金属材料，在切削加工过程中易发生分层、出口毛刺、撕裂和孔壁划痕等加工缺陷，对CFRP 结构件的装配质量和服役性能产生严重影响［4-5］。CFRP 切削加工过程是一个高度非线性、时变、不确定性的复杂动态过程，任何状态的改变都会对加工过程及最后加工效果产生影响，常规的数控加工技术没有把状态变化量纳入考虑的范围内，对加工过程中出现的突发状况不能实时处理［6］，难以保证CFRP 的最终加工质量。

本文主要从CFRP 的切削加工预测、切削过程中的状态监测及在线智能控制3 方面综述了学者们近年来的研究成果，并对未来研究趋势进行了分析和讨论，为改善CFRP 加工质量，促进其广泛应用提供参考。

1 CFRP切削加工预测

1.1 加工过程物理仿真预测

加工过程物理仿真可以对CFRP 切削过程中切削力、切削温度、刀具磨损、切屑形状等状态进行预测，根据仿真结果提出解决方案，对切削参数与刀具角度进行优化［6］。针对CFRP 加工过程物理仿真的研究，国内外学者从宏观、微观及宏微观有限元模型等方面展开了广泛研究。

图1 CFRP宏观模型仿真［7］Fig.1 CFRP macroscopic model simulation［7］

图1为路冬等［7］采用宏观有限元模型对CFRP 切削过程进行的仿真研究，探讨了切削过程中树脂基体、亚表面损伤演化过程。秦旭达［8］则采用宏观有限元模型模拟了CFRP 铣削加工过程，利用VUMAT 子程序建立了三维Hashin 起始失效准则以及损伤演化过程模型，采用Cohesive单元连接以模拟层间损伤的产生及扩展，利用该模型分析了切削力、层间应力及层间损伤随纤维方向角的变化规律，但所建立的模型忽略了纤维基体的结合问题以及切削温度的影响。CALZADA 等［9］对材料界面进行建模，提出了基于微观结构的CFRP 有限元模型，该模型能够描述整个切屑形成过程中纤维损伤形式。如图2为齐振超［10］建立的CFRP 直角切削三维多相有限元模型及仿真结果，对纤维、基体材料本构分开考虑，仿真结果很好的展示了切屑形成机理、基体破坏及亚表面损伤深度。RENTSCH［11］建立了基于Hashin 失效准则的CFRP 微宏观有限元模型，获得了和实际相符的材料去除过程，将重点观察区采用微观模型，其余采用宏观模型，可以兼顾仿真效率与仿真精度。

图2 θ=45°直角切削微观几何模型及仿真结果［10］Fig.2 Microscopic geometric model and simulation results of orthogonal cutting at θ=45°［10］

可见，CFRP 宏观有限元模型在预测切削力、表面损伤等方面，能取得很好仿真精度，但并不能预测局部效应。微观有限元模型着重考虑材料的微观特性，能更好的诠释材料去除机理、切屑形成原因、切削热传递以及纤维基体损伤演化等诸多方面。微宏观有限元模型在兼具仿真效率与精度的基础上表现出更好的仿真效果，是未来研究的重点。

1.2 CFRP数学模型预测

针对CFRP 切削过程的数学模型预测，学者们从宏观、微观层面对切削力的建模进行了广泛研究，而微观层面的切削力模型又可从特定纤维方向和全范围纤维方向进行研究。

从宏观层面开展的切削力模型研究，主要是对经典金属切削理论的应用或推广。如段春争［12］等根据实验数据求出经验公式（1）系数，可直观的展示加工参数对结果参数的影响。MENG 等［13］则将切削刃分成连续的相邻元素集，每个都看作是单位宽度的正交切削刃，在每个元素上使用修正后的正交切削力模型建立了UD-CFRP 钻孔过程中瞬时钻削力模型，并且可以预测力的波动，但此类模型无法考虑到纤维基体切削的微观特性。

式中，F为切削力；C为与加工材料及切削条件的相关系数；n为转速；vf为进给速度；ap为轴向切深；ae为径向切深；a1、a2、a3、a4均为指数［12］。

因此，利用材料的微观特性来描述正交切削物理本质，将切屑、一根纤维或一个有代表性的体积单元作为一根梁，研究人员获得了基于断裂力学、复合材料力学或能量法［14-15］的切削力模型。如A.JAHROMI 等［14］认识到基于金属切削理论的模型在预测CFRP 切削力方面存在局限性，故采用能量法预测纤维方向从π/2 到π 的UD-CFRP 正交切削力，这促进了CFRP 微观结构的表征从等效均匀材料向多相材料的转变。如图3所示，ABC三区域的力之和为总切削力，体积单元RVE1和RVE2被瞬间切断形成切屑时RVE3破坏刚开始，因此对RVE3进行单独分析（图4）是建立受力预测模型关键，QI 等［15］根据这一思想采用能量法和最小势能原理进行了力预测模型的建立。

图3 0°≤θ≤Υa+90°时单向CFRP的正交切削［15］Fig.3 Orthogonal cutting of UD-CFRP at 0°≤θ≤Υa+90°［15］

图4 RVE3载荷分析［15］Fig.4 Load condition of RVE3［15］

基于前人研究，CHEN等［16］基于弹性基础理论和最小势能原理建立了全范围内UD-CFRP 正交加工的切削力预测理论模型，模型被分为纤维取向为0°到90°、90°到180°和0°三部分，但模型中大量的材料参数使得难以在实际环境当中应用。

由上述研究发现，CFRP 数学模型预测主要集中在切削力的建模研究，而针对刀具磨损、加工质量等特定模型研究较少。切削力模型可直观反应加工参数对结果参数影响，并易于结合其他算法优化加工过程，但如何从微观层面去建立简单且能够表征任意纤维方向的CFRP 加工过程的切削力模型，仍需深入研究。

1.3 智能模型预测

图5所示为基于神经网络的CFRP 加工预测结构示意图，以机床、刀具、材料等参数为输入，以切削力、分层系数、刀具磨损等为输出，学者们对CFRP 加工结果进行了准确预测。

图5 神经网络预测结构示意图Fig.5 Schematic diagram of neural network prediction structure

贾振元等［17］以纤维方向、切削深度和刀具角度为输入，采用径向基函数神经网络准确预测了CFRP切削力，并探讨了基体失效问题。庆华楠等［18］研究证明将刀具底刃切削的影响考虑进BP 神经网络预测模型当中，可以进一步提升铣削力预测精度。唐宁等［19］研究发现自适应神经模糊推理系统在预测CFRP 轴向力方面可能比单一神经网络精度更高。KARNIK［20］、KRISHNAMOORTHY 等［21］分别基于人工神经网络实现了CFRP 钻削入口分层以及出口分层的准确预测，前者以主轴转速、进给速度和钻尖角为输入，高速钻削入口分层系数为输出，后者以主轴转速、钻头尺寸、进给量为输入，出口分层因子为输出且预测结果最大误差为0.81%，最小误差仅为0.03%。TSAO 等［22］使用径向基函数神经网络和多变量回归分析分别探讨了CFRP 钻削中进给速率、主轴转速和钻头直径与推力和表面粗糙度之间的相关性，通过实验证明采用径向基函数神经网络可以更有效地预测CFRP表面粗糙度。

已有研究表明，采用智能预测模型可以解决加工参数与预测目标之间非线性问题，预测精度更好，同时可以根据预测结果，确定最佳参数组合。但由于神经网络的学习复杂性、需要大量实验数据，使得加工成本加大，因此，考虑各种加工因素影响、优化预测模型结构、结合模糊逻辑及支持向量机等其他技术建立更精确的预测模型还需要深入研究。

2 CFRP切削过程中状态监测

2.1 刀具磨损的监测

如图6所示为完整的刀具状态在线监测系统，主要由信号采集、特征提取、模式识别3部分组成。

图6 刀具状态监测智能体系框图［23］Fig.6 Intelligent monitoring framework of tool condition［23］

在状态信息获取方面，由于直接测量的方式受切削液、切屑影响且信号获取难度大，学者采用基于切削力［24-25］、机械振动［26-28］、切削温度［29］、功率/电流［30］和声发射［31-35］等间接方法来获取CFRP 加工中刀具状态信息，为寻求适合、高质的信息获取方法，国内外学者对以上方法进行了大量验证。LIN 等［24］建立了力信号与刀具磨损及其他切削参数之间的关系，该关系可用于在线钻头侧翼磨损监测，率先表明基于力信号的刀具磨损监测是可行的。FU 等［26］认为切削刀具振动信号的变化可以间接确定刀具磨损程度，采用小波去噪，然后从去噪后信号中得到分形维数，以此寻求和刀具磨损有关的特征量。CHERIF等［30］通过处理主轴及进给驱动器电流信号获得了和CFRP 刀具磨损相关的监测指标。WANG 等［31-35］都采用了声发射来研究CFRP 切削中刀具磨损状态，这是因为切削力法存在设备安装困难、振动信号法需要解决噪声及刀具自激振动影响、功率/电流法灵敏性和瞬时响应性较差，而声发射法可以弥补以上方法的不足，实现在线实时监测，因此获得了广泛的应用。

在CFRP 加工信号处理方面，主要有分形分析［25-26］、小波包变换［31-33，35］、时频域分析［33-34］、经验模态分解等方法。RIMPAULT 等［25］提出将CFRP 切削力信号分形分析之后的各种分形参数组合起来建立经验指数，用来监测刀具磨损情况。WANG［31］、谢小明等［33］对钻削CFRP/金属叠层板的声发射信号进行时域分析，发现信号均方根值和刀具磨损变化规律有关（图7）。黄文亮等［35］利用小波包分析技术探讨了CFRP 钻削声发射信号频段能量特征与刀具磨损量对应关系，对钻削第5 及第50 个孔磨损状态下的声发射信号，采用db8小波包基分解为3层（图8）；对8个频带小波包分解重构并对比分析，发现声发射信号频段S［3，2］和S［3，7］幅值随着钻孔数量和刀具磨损量的增加而增大（图9），故此频段可用于监测刀具磨损。

图7 CFRP（F）和Ti（L）信号中均方根值随孔数增加变化［31］Fig.7 Changes of RMS value with hole number in CFRP（F）and Ti（L）［31］

图8 小波包树［35］Fig.8 Wavelet packet tree［35］

图9 S［3，2］、S［3，7］频段在钻第5、50孔时小波包分解重构图［35］Fig.9 Wavelet packet decomposition and reconstruction diagram of S［3，2］and S［3，7］［35］

在刀具磨损监测模型方面，基于人工神经网络、支持向量机（SVM）的研究逐渐展开。CAGGIANO等［34］对钻削CFRP 的轴向力及绕Z 轴扭矩信号进行频域分析，创建了单传感器特征向量和多传感器特征向量，再基于人工神经网络建立了特征向量和刀具磨损之间的监测模型，结果显示人工神经网络能够从多个传感器信号中提取的频率特征，以较高精度重建刀具侧翼磨损曲线，可用于在线监测刀具磨损。宋庆月等［36］通过分析CFRP 钻孔试验结果，得到刀具磨损、进给速度及两者耦合作用下对孔壁粗糙度的影响规律，提出基于参考切削力支持向量机回归识别模块的变切削参数刀具磨损监测方法，进而实现孔壁粗糙度的在线监测。

由上可知，声发射法在CFRP 刀具磨损监测方面有很大优势，如何结合神经网络、模糊逻辑等策略建立一个明确的监测模型，还需深入研究。同时，当材料或加工方式发生改变时，所建立的监测模型需要重新研究与刀具磨损状态关联的声发射特征量，如何解决监测模型的通用性，是亟待解决的问题。结合多种信号优势，实现多信号融合，是未来进行磨损监测研究的另一重点。

2.2 加工质量的监测

CFRP 无损检测方法如超声、射线、渗透检测以及压力、光纤传感器等，由于检测滞后性、检测信号无特征性［37］等缺点，属于缺陷形成后的静态检测，无法用于CFRP实时监测。MÖHRING等［38］通过对比加速度、主轴功率、声发射、空气传播声音和切削力等信号发现，声发射信号和被监测量有更好的相关性，最适用于监测CFRP 切削加工质量。这是因为声发射法是实时无损监测，可以动态地对其进行无损评价，根据损伤分布和实时产生的数据，评价损伤区域、损伤类型及损伤程度［37］。

因此，针对加工中产生的裂纹、分层、纤维断裂等损伤，FENGMING等［39］提出利用PS-FBG检测的声发射信号来识别，对信号中的两种兰姆波进行时频分析，得到它们之间相对振幅比用于识别CFRP 的微观损伤。OLIVERIA 等［40］通过声发射信号和红外热成像技术来监测CFRP 对切削过程的响应，表明能量和振幅特征随切削长度而增加，这种关系可以实时监控加工过程，从而估计表面质量和预测缺陷。同样在信号特征提取之后用于监测加工质量的智能模型也成为研究的重点，如上文提到的CAGGIANO［34］，除此之外QIN 等［41］也通过开发人工神经网络模型探讨了CFRP 螺旋铣削时分层与过程参数之间的相关性。芦吉云［42］、贺梦悦等［43］都采用支持向量机理论对CFRP 分层损伤位置、大小进行了研究，所做研究虽不是用于CFRP 切削过程中的质量监测，但对CFRP钻、铣等过程中的质量监测提供了参考。

3 CFRP切削过程中智能控制

CFRP 切削加工过程是一个高度非线性、时变、不确定性的复杂动态过程，通过对切削力、振动在线智能控制可实现CFRP 稳定切削，保护刀具，提升加工质量。

为保持切削力的平稳，传统研究领域如工艺规划［44］、插补策略或加减速控制，及后来结合鲁棒控制［45］、滑模控制［46］、神经网络控制及模糊逻辑控制等智能控制算法的CFRP 切削力智能控制研究逐渐展开。国内吴梦培［47］、黄耀峰等［48］先后采用神经网络和自适应控制结合方式研究了CFRP 加工过程中切削力的控制问题，如图10所示，测力仪测得实际轴向力，通过数据采集与处理将其反馈至控制器，在线调节进给速度，将轴向力控制在临界轴向力之下，以此来减少CFRP钻削过程中的分层现象。

图10 神经网络自适应控制框图［48］Fig.10 Block diagram of neural network adaptive control［48］

国外早期CHUNG 等［49］提出了模糊逻辑模型和控制策略，将钻孔模型分为入口、中间和出口三阶段，在中间阶段控制器维持切削力的稳定，在出口处控制器用于降低切削力减少分层，仿真结果表明，模糊控制器调节速度快、超调小且具有很强的鲁棒性。ROMOLI 等［50］基于轴向力以及侧翼磨损测量量的模糊逻辑算法，提出了CFRP 钻孔监控策略。如图11所示，采用双重模糊逻辑，第一阶段以轴向力与钻头磨损量作为控制器输入量，将分层诊断作为输出量，可监测钻孔是否发生分层；第二阶段将分层诊断作为输入，将钻孔所需最佳进给速度作为输出并反馈给CNC 数控单元，以此来控制钻削力达到分层损伤减少的目的。

除切削力之外，CFRP 加工过程中的振动控制也是研究重点。徐玉高等［51］设计了一种可减少CFRP深孔镗削中镗杆受激振动的导向装置，能有效提升镗孔质量。胡锦涛等［52］研究发现，在CFRP 切削中刀具振动引起的损伤较小，而主轴振动传至刀具使得刀具振动加剧从而使纤维破碎、纤维与基体界面出现分层。因此，机床的在线颤振抑制对CFRP 的加工尤为重要，国内外基于智能控制方法的在线颤振抑制研究已有很多，如KUBICA［53］、LIANG［54］等分别在圆周铣削、端铣过程中采用模糊控制方法对颤振进行了有效抑制，从而大大提升了加工过程的稳定性。如何根据CFRP 加工特性结合各种智能控制算法来实现加工过程中振动的智能控制，将会是CFRP 未来研究的新方向。

图11 模糊逻辑控制系统原理图［50］Fig.11 Schematic diagram of fuzzy control system［50］

由上可见，以神经网络控制和模糊控制为代表的智能控制方法可实现CFRP 切削过程的智能调整，从而保证系统的稳定性提升加工质量，但如何解决模糊控制、神经网络控制等智能控制算法自身缺陷，加强智能控制方法与加工系统的集成还需深入研究。

4 结语

（1）在CFRP 预测研究方面，基于微观有限元模型的加工过程物理仿真能更好的诠释材料去除机理、切屑形成原因、切削热传递以及纤维、基体损伤演化等诸多方面，微宏观有限元模型则能够兼顾仿真预测精度以及有限元计算效率，是后期研究重点。其次，基于CFRP 微观切削机理建立精确切削力数学模型的同时还应展开有关刀具磨损、振动以及加工质量模型方面的研究。此外，结合人工智能技术建立更准确的智能预测模型还需要深入研究。

（2）CFRP 切削过程中刀具磨损、加工质量的监测需从状态信息获取、特征信息提取以及监测模型建立三方面展开研究。结合多种信号优势，实现多信号融合，获得满足实际加工中鲁棒性要求的的传感器信号，是未来进行CFRP 在线状态监测研究的前提。其次，还应借助先进信号处理技术及人工智能手段，深入研究传感器信号和CFRP 加工过程状态之间的内在机理及映射关系。

（3）CFRP 加工中切削力、颤振的智能控制可实现CFRP 稳定切削、降低分层等缺陷的产生。在线控制技术涉及在线数据处理，优化算法，实时驱动等关键技术，如何结合CFRP 自身加工特性，建立准确智能的控制系统，是未来研究的重点。