热锻模具高温磨损行为研究及基于磨屑数字化识别方法的磨损模型修正

摘要

磨损是热锻模失效的主要形式，提高热锻模具寿命的关键是提高耐磨性。模具钢在工作过程中的磨损失效是一个非常复杂的动态过程，目前对于模具钢磨损行为及机理的研究并不充分，特别是针对高温磨损机理的研究还不够深入。同时建立准确的磨损失效预测方程也是急需解决的问题。
　　本文系统的研究了典型模具材料H13钢在不同工况条件下的摩擦磨损行为及作用规律。利用SEM对不同工况条件下的磨损表面和磨屑形貌进行观察发现，H13钢磨损的主要机制是磨粒磨损机制，氧化磨损机制以及粘着磨损机制；并且在任何工况条件下的磨损并不仅仅存在一种磨损机制在起作用，而是多种磨损机制共同作用的结果，据此对现有的单一磨损模型进行修正。对高温氧化磨损机理进行深入探讨，发现高温磨损的磨损表面形貌主要以氧化物膜和剥落坑的形式存在，且氧化物颗粒的氧含量高于磨面的平均氧含量；磨损表面的氧化物膜以两种形式存在，即基体表面的单层氧化物膜和基体内部的多层氧化物膜；氧化物膜的剥落方式主要是界面处开裂，膜内开裂和基体内开裂，界面处开裂和膜内开裂的磨损率较低，而基体内部开裂的磨损率较高。XRD结果表明不同温度下磨损表面衍射最高峰均是a-Fe，随着温度增加磨面上逐渐出现Fe2O3相和Fe3O4相，以上研究为高温磨损性能的解释提供了充足的理论依据。磨屑图像是反映磨损状况的重要信息载体，借助MATLAB对磨屑图像进行数字化识别，建立了不同磨屑的数字特征参数和三种磨损类型之间的定量耦合关系。对不同工况下的磨屑图像进行灰度处理，滤波处理，二值化处理，腐蚀处理，分割编号，选取磨屑特征参数（圆度、凸度、纵横比以及欧拉数）。设计了基于BP神经网络的磨屑分类器，训练和测试结果表明该分类器具有良好的分类识别能力。利用BP神经网络磨屑分类器得到了不同工况条件下磨屑图像中三种磨屑的比例，即不同机制下的磨损失重，求解单一磨损计算模型中的未知数，对现有的单一磨损模型进行修正并验证可靠性，其中模型修正的误差范围为±8％。

目录

1 绪 论

1.1引言

1.2 研究目的及意义

1.3国内外研究现状

1.4本文研究的主要内容

2 实验材料及方法

2.1实验材料及制备

2.2性能测试

2.3磨损实验

2.4微观分析

3 热锻模具钢摩擦磨损行为分析

3.1 引言

3.2试验环境对磨损行为的影响

3.3磨损表面和磨屑的形貌、成分分析

3.4 本章小结

4 热锻模具钢的磨损机理分析

4.1 引言

4.2粘着磨损和磨粒磨损

4.3高温氧化磨损机理

4.4 本章小结

5 磨屑图像数字化处理技术

5.1 引言

5.2 磨屑图像数字化识别技术简介

5.3 磨屑图像处理的一般步骤

5.4 磨屑图像分割

5.5磨屑形态特征参数提取

5.6磨屑形态参数聚类分析

5.7 本章小结

6 基于磨屑数字化处理的磨损模型修正

6.1 引言

6.2 基于BP神经网络的磨屑分类器设计

6.3 基于BP神经网络的磨屑识别实现

6.4 单一磨损模型参数求解

6.5 磨损模型的修正及验证

6.6 本章小结

7 结论与展望

7.1主要结论

7.2研究展望

致谢

参考文献

附录

A．作者在读学位期间发表的论文

B．不同工况条件下单一磨损模型未知参数的取值