一种环件精密碾环加工工艺

本发明涉及金属轧制，具体地说，涉及一种环件精密碾环加工工艺。

背景技术：

1、现有环件碾环加工工艺通常遵循加热、制坯、碾环、冷却、终检的基本流程;在制坯环节，现有技术多采用整体称重或简单体积估算后经自由锻镦粗冲孔制得毛坯，各截面金属分布缺乏与成品轧制比的精细映射，导致轧制中金属流动紊乱，易在端面产生凹陷或折叠；在碾环阶段，芯辊进给速度多依赖人工经验或预设阶梯曲线，无法根据轧制力、温度与尺寸波动进行动态调节，加之各轧制轴之间缺乏实时联动协调，环件在直径扩张中极易出现椭圆度失稳与锥度超差；在界面控制方面，芯辊表面仅作常规磨削，高温高压下内孔金属与芯辊剧烈摩擦粘着，增大轧制力并加速磨损；各液压伺服轴的零漂与机械间隙缺少自动补偿，批次一致性难以保证；同时，现有系统缺乏对突发性偏心振动或啃伤失稳的提前预判能力，只能事后纠偏或报废；终轧时未充分考虑温度分布对热胀冷缩的非线性影响，导致冷却后尺寸反弹、椭圆度超差；冷却阶段冷却速度不受控，组织均匀性差；且全流程工艺数据孤立，批次间优化依赖个人经验，缺少数据驱动的自学习闭环机制，制约了环件成形精度、组织一致性与批次稳定性的进一步提升。

2、因此我们对此做出改进，提出一种环件精密碾环加工工艺。

技术实现思路

1、针对现有技术存在的上述问题，本发明的目的在于提供一种环件精密碾环加工工艺。

2、为了解决上述问题，本发明所采用的技术方案如下：包括如下步骤：

3、s1、智能下料与仿形制坯：将金属坯料加热至始锻温度，通过三维扫描获取实际体积分布，与按成品尺寸和轧制比反推的理论体积分布比较，控制闭式模锻制坯使偏差在阈值内；

4、s2、差温梯度场构建：对坯料外壁感应补热，同时冷却芯辊，形成外壁温度高于内壁80～120℃的径向温度梯度；

5、s3、初始化与刚性自检：安装毛坯，各轧制辊合拢，通过压力反馈补偿液压缸零漂，建立绝对坐标系；

6、s4、仿生微织构与超声减摩：芯辊工作带设有微凹坑和润滑剂，启动超声振动降低界面摩擦；

7、s5、动态进给自适应碾轧：分咬入和主变形阶段，主变形阶段采用pid控制器根据实测外径调节芯辊进给速度，轴向压下量与径向进给量按联动系数联动；

8、s6、声纹失稳预判与干预：采集轧制噪声，提取超声频段特征，经神经网络输出失稳概率，超过阈值则发送反向脉冲使芯辊回退；

9、s7、减速整形与应力波消振：外径接近目标时减速进给，保压并施加交变机械波进行振动时效消除残余应力；

10、s8、热态尺寸补偿检测：激光测径和红外测温，根据材料热膨胀计算热态停轧目标尺寸，达到即停；

11、s9、在线冷却与组织控制：快速冷却穿过贝氏体转变区，检测硬度并反馈修正冷却参数；

12、s10、终检与跨批次自学习：终检数据打包为工艺指纹，输入lstm模型输出修正系数，用于下批次前馈补偿。

13、优选的，所述步骤s1中的加热温度范围为1160℃～1200℃；所述步骤s2中的环形电磁感应补热装置的补热频率为10khz～30khz，补热功率为50kw～100kw，补热持续时间根据毛坯壁厚实时计算，补热深度控制为10mm～18mm；所述非对称差温梯度场中，外壁温度高于始锻温度60℃～100℃，内壁温度低于始锻温度20℃～40℃。

14、优选的，所述步骤s3中的伺服液压缸均为双作用活塞式伺服液压缸，额定工作压力为25mpa；所述刚性自检循环中，各液压缸以0.5mm/s的速度慢速伸出至接触位置，接触判定条件为压力反馈值较空载基准升高≥0.5mpa。

15、优选的，所述步骤s4中的仿生菱形微凹坑的对角线长度分别为120μm～180μm和80μm～120μm，凹坑深度为40μm～60μm，相邻凹坑的中心距为200μm～250μm，凹坑面积占有率为15%～25%；所述超声振动发生器的输出频率为20khz±0.5khz，振幅为6μm～10μm，振动方向为沿芯辊轴向。

16、优选的，所述步骤s5中的咬入阶段，主轧辊以额定转速的55%～65%启动，芯辊的第一进给速度为1.3mm/s～1.8mm/s；所述外径增长率的第一阈值为2.5mm/s；在主变形稳定阶段，芯辊的第二进给速度由实时轧制力经变增益pid控制器动态调节，其调节公式为：

17、；

18、其中，为时间变量，为时刻芯辊的第二进给速度，为可变比例增益系数且根据轧制力波动率自适应调整，为积分增益系数且取值范围为0.05～0.15mm/(s·mm·s)，为微分增益系数且取值范围为0.01～0.05 mm·s/mm，为当前时刻对应的预设目标外径，为实时反馈的实测外径，为积分变量，为计算量偏差；所述联动系数取值为0.28～0.32，并且按照环件当前壁厚与最终壁厚的比值动态微调；可变比例增益系数的整定规则为：当轧制力波动率≤5%时取0.85倍初始值，当波动率在5%～15%时取初始值，当波动率在15%～25%时取1.25倍初始值，当波动率>25%时取1.50倍初始值并触发安全报警。

19、优选的，所述步骤s6中的结构噪声信号由安装于芯辊支撑端轴承座和主轧辊轴承座上的高频宽频声发射传感器采集；提取的超声波频段为50khz～120khz，计算声纹特征向量包括峰值能量幅值、峰值频率和3db带宽；所述深度卷积神经网络模型输出失稳概率值，当该值≥0.75时，立即发送超前防抖反向脉冲控制信号，其幅值由下式确定：

20、；

21、其中，为反向脉冲信号对应的芯辊回退位移幅值，为脉冲幅值转换系数，为预标定的安全能量阈值；该反向脉冲使芯辊在物理超差发生前瞬间回退0.03mm～0.08mm。

22、优选的，所述步骤s7中的减速持续时间设定为1.5秒～2.5秒；所述保压静压力为280kn～320kn，保压时间为3秒～5秒；所述低频大振幅交变机械波的激振频率为4hz～6hz，激振振幅为0.25mm～0.35mm；保压结束后芯辊快速后退0.4mm～0.6mm以完全卸荷，然后主轧辊和抱辊继续空转2～3个圆周周期，在空转精整过程中两抱辊执行对向周期性摆动校圆动作，摆动频率为5hz±0.5hz，摆动幅度为0.2mm～0.4mm，两抱辊的摆动相位差保持180°。

23、优选的，所述步骤s8中的激光测径传感器为激光三角反射式位移传感器，沿环件圆周等角度均布8个，各传感器的测量光束聚焦于环件轴向高度的1/3至2/3区间内；热膨胀补偿算法器根据材料瞬时线膨胀系数和当前平均温度，按以下公式实时计算热态停轧目标尺寸：

24、；

25、其中，为时刻计算得到的热态停轧目标外径，为成品环件在室温下的目标冷态外径，为参考室温且取值为20℃，为材料在当前平均温度下的瞬时线膨胀系数，为形状修正系数，根据环件当前壁厚与外径比查表获得：当壁厚/外径≤0.05时取1.0015，当比值在0.05～0.10时取1.0000，当比值>0.10时取0.9985；算法器实时比较实测平均外径与，当首次达到时立即生成终轧停止指令。

26、优选的，所述步骤s9中的穿水冷却装置包括沿环件圆周均布的12个高压喷水嘴和4个雾化喷水嘴；冷却水压和总流量的基准值分别为0.8mpa～1.2mpa和80l/min～120l/min，实际值根据终轧温度与780℃的差值比例线性调节，控制平均冷却速率≥30℃/s，使环件在15秒～25秒内降至250℃～350℃；环件旋转速度为6rpm～10rpm；检测点沿环件圆周均布16个点，硬度极差超过2.5hrc时判定冷却均匀性不足。

27、优选的，所述步骤s10中的三坐标测量机对环件内孔和外圆柱面各测量至少24个均匀分布点，通过最小二乘法拟合实际圆心和圆度；终检合格标准为椭圆度≤0.15mm、锥度≤0.20mm、折叠深度≤0.05mm；所述lstm神经网络模型以历史批次工艺参数和终检结果为输入，输出下一批次的修正系数集合，各修正系数取值范围均为[-0.15, +0.15]；模型输出的修正系数转化为具体的工艺修正指令，包括修正后的比例增益系数、联动系数和冷却基准流量，在下一批次加工前自动加载。

28、相比于现有技术，本发明的有益效果为：

29、1、通过三维激光扫描获取坯料实际体积分布并与理论目标体积进行逐截面比对，进而驱动闭式模锻压机实施精确补偿，使毛坯各截面体积偏差控制在1.5%以内，从源头上消除了因金属分配不均引发的端面折叠与鱼尾纹缺陷，为后续精密轧制奠定了体积精准的坯料基础；针对碾轧阶段进给速度依赖人工经验、无法适应轧制力与温度实时变化的痛点，采用变增益pid控制器根据实测外径偏差和轧制力波动率动态调节芯辊第二进给速度，并结合轴向压下量与径向进给量的联动协调机制，实现了“感知、决策、执行”的瞬时响应闭环，有效抑制了环件椭圆度发散和壁厚不均。

30、2、通过声发射传感器实时捕捉轧制过程中的超声频段声纹信号，并经深度卷积神经网络模型输出失稳概率，在物理超差发生前约200毫秒即发送反向脉冲使芯辊主动回退，将振动模态提前截断，实现了从“被动纠偏”到“主动防患”的本质跨越，彻底杜绝了啃伤与偏心失稳事故；针对热态尺寸与冷态尺寸缺乏精确映射导致冷却后超差的问题，构建基于实时平均温度和材料瞬时线膨胀系数的热补偿模型，动态计算热态停轧目标尺寸并据此触发终轧停止，使热态几何尺寸与冷态最终尺寸之间建立确定性数学关系，椭圆度终检稳定控制在0.15mm以内，大幅缩减了后续机加工余量；同时在保压校圆阶段引入低频交变机械波进行热态振动时效处理，提前释放残余应力峰值40%以上，进一步确保冷却后尺寸的长期稳定。

31、3、采用穿水冷却装置根据终轧实际温度实时调节水压与流量，以不低于30℃/s的冷却速率精准穿过贝氏体转变区间，并结合在线硬度检测反馈修正冷却参数，确保了同一环件不同部位的硬度波动在±1.0hrc以内，组织均匀性显著提升；针对全流程工艺数据孤立碎片化、批次间优化依赖个人经验的局限，将每一件产品的全部工艺参数与终检结果打包为唯一的“工艺指纹”上传至云端数据库，并通过lstm神经网络进行跨批次自学习，将学习所得修正系数自动前馈至下一批次的pid控制参数、联动系数和冷却基准流量中，形成了“加工、检测、上传、学习、修正、再加工”的全要素跨批次大闭环，使后续批次环件的椭圆度和硬度一致性持续收敛，最终实现了环件碾环加工全流程从经验依赖向数据驱动、从开环执行向闭环自适应的根本性转变，有效满足了高端装备对环形锻件高精度、高一致性和高可靠性的严苛要求。