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

Abstract

ZusammenfassungIn 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\u202f% für die Tangential- und 5\u202f% für die Vorschubkräfte bei einem jeweiligen Gütemaß der A‑posteriori-Mittelwertfunktion von R2\u202f=\u20090,975 (Tangentialkraft) und R2\u202f=\u20090,968 (Vorschubkraft). Die Ergebnisse zeigen, dass sich die Bayesianische Inferenz unter Berücksichtigung der inhärenten Unsicherheit und minimaler experimenteller Eingangsdaten zur Modellparameteridentifikation und Schnittkraftvorhersage eignet.AbstractThis 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\xa0non-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\u202f=\u20090.975 and R2\u202f=\u20090.968 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.