Qualification of metalworking fluids by Tapping Torque Tests and related Acoustic Emission-based classifications
Well-suited metalworking fluids (MWFs) are important for reliable and efficient machining processes. Lubricants adhere on the surfaces, reduce friction and temperature in the contact zone of the tribological pair, and can reduce wear. The classification of lubricant's performance is important. Due to the wide range of applications, not every MWF can be successfully used for all applications. For a reliable recommendation, quality requirements of the user have to be known. Lubricity is only one of multiple typical requirements. For evaluation of fluid performance, diverse standardized test methods are available to qualify lubricating oils and water-mixed MWFs.
Tapping Torque Test (TTT) is a standardized evaluation approach to determine the lubricity of MWFs. During internal threading, tapping torque is used as a feature for fluid qualification. A low tapping torque indicates a good lubricity of the test fluid. The large amount of possible tribological pairs is a great advantage of TTTs and enables a evaluation by conduction of very near-to-practice tests. Chemically different fluids measured according to the relevant standard ASTM D8288-19 often cannot be distinguished. It is the aim of this thesis to establish fundamentals and possibilities of new test methods for the differentiation of MWFs in machining processes.
Trying to enhance the distinguishability of TTTs, Acoustic Emission (AE) is introduced as a second measure to the tapping torque measurement. During threading, elastic and plastic deformations take place which generate acoustic waves in the material outside the human audible range due to the displacement of grain boundaries. The emission in the ultrasonic range is called AE in this work. These AE signals are additionally used for MWF classification. Advantages, possibilities, and limits of AE signals for evaluation of MWFs are shown. For this purpose, AE signals are used as raw data as well as processed data after wavelet transformation in different classification approaches.
Different MWFs are tested in thread forming experiments. The test procedure according to ASTM is critically reviewed. A changed, new test procedure is proposed considering important side effects recently found out during the research. A new evaluation approach for tapping torque means is developed to enhance the distinguishability of test fluids. During the main experiments of this work, AE signals are additionally recorded. While tapping torque means do not always allow the distinction of MWFs’ additives, AE signals are used to classify MWFs. Here, k-means clustering and Convolutional Neural Networks, a method of machine learning, are applied as classification approaches.
The results show that larger differences in test fluids’ compositions can already be detected by tapping torque means. For smaller differences on the chemical level of the used additives, the new approaches evaluating AE signals outperform classical TTT. The classification accuracies of Convolutional Neural Network based methods using transformed AE signals as inputs are the highest. Even Transfer Learning between two datasets obtain satisfying results. Furthermore by looking at the chemical structure of MWF’s additives, it is possible to distinguish between different chain lengths of molecules or different contents of special elements. However, the method does not provide any direct information about the lubricating effect of the test fluid.
These results indicate the importance of this work for online fluid condition monitoring during machining processes. In the future, the suitability of MWFs could be evaluated for the current tribological pair and possibly be automatically adapted. This could increase reliability and productivity of machining processes by continuous fluid management suited on the current situation.
An den Bearbeitungsprozess angepasste Kühlschmierstoffe sind wichtig für eine verlässliche und effiziente Zerspanung. Schmieraktive Substanzen lagern sich an der Oberfläche an, verringern Reibung und Temperatur in der Kontaktfläche zwischen den Reibpartnern und können so den Verschleiss mindern. Die Einordnung der Schmierleistung ist von grosser Bedeutung. Aufgrund des breiten Spektrums an Anwendungen eignet sich nicht jeder Kühlschmierstoff für alle Einsatzfälle. Um verlässliche Empfehlungen für einen Kühlschmierstoff auszusprechen, müssen die Anforderungen des Anwenders bekannt sein. Die Schmierwirkung ist dabei nur eine von vielen weiteren typischen Anforderungen an Kühlschmierstoffe. Die Leistung von wassergemischten Kühlschmierstoffen und Bearbeitungsölen wird im Kühl-schmierstofflabor anhand verschiedener standardisierter Testmethoden bewertet und eingeordnet.
Der Tapping Torque Test (TTT), auch Drehmomenttest genannt, ist ein standardisierter Test, um die Schmierwirkung von Kühlschmierstoffen zu bestimmen. Bei der Herstellung von Innengewinden wird das benötigte Drehmoment als Kriterium für die Kühlschmierstoff-Qualifizierung herangezogen. Ein niedriges Drehmoment zeigt dabei eine gute Schmierwirkung des Testfluids an. Die Möglichkeit viele verschiedene Werkstoffpaarungen miteinander testen zu können, macht diesen Test als praxisnahen Schmierstofftest besonders interessant. Die Anwendung der aktuellen Norm für den TTT, ASTM D8288-19, ermöglicht jedoch nicht immer eine Unterscheidung der Kühlschmierstoffe, insbesondere nicht, wenn sich die Kühlschmierstoffe chemisch nur gering unterscheiden. Es ist das Ziel der vorliegenden Arbeit, die Grundlagen und Möglichkeiten neuer Testverfahren zur Differenzierung von Kühlschmierstoffen in spanlosen Bearbeitungsprozessen zu schaffen.
Bei dem Versuch die Differenzierbarkeit der Kühlschmierstoffe im TTT zu verbessern, wird neben dem Drehmoment als zweite Messgrösse der Körperschall eingeführt. Während der Gewindeherstellung finden elastische und plastische Verformungen statt, die im Werkstoff durch die Verschiebung von Korngrenzen Schallwellen außerhalb des wahrnehmbaren Bereichs des Menschens erzeugen. Die Emission im Ultraschallbereich wird in dieser Arbeit als Acoustic Emission (AE) bezeichnet. Die AE-Signale werden zusätzlich für die Klassifikation der Kühlschmierstoffe verwendet. Es werden Vorteile, Möglichkeiten und Grenzen des Einsatzes von AE-Signalen für den Zweck der Kühlschmierstoffbewertung aufgezeigt. Dafür werden die AE-Signale sowohl als Rohdaten als auch als weiterverarbeitete/transformierte Daten in unterschiedlichen Klassifikationsverfahren genutzt.
Die Experimente werden in dem Prozess des Gewindeformens durchgeführt. Dabei werden verschiedene Kühlschmierstoffe als Testfluide eingesetzt. Zunächst wird der Testablauf nach ASTM vorgestellt und kritisch begutachtet. Ein veränderter Testablauf, der die während der Versuche neu entdeckten und als signifikant bewerteten Nebeneffekte berücksichtigt, wird vorgeschlagen. Für die Mittelwerte der Drehmomente wird eine neue Berechnungsmethode entwickelt, die die Differenzierbarkeit der Testfluide bereits verbessert. In den Kernexperimenten dieser Arbeit werden dann auch die AE-Signale aufgenommen. Da das Drehmoment nicht immer eine Unterscheidung der Kühlschmierstoffkomponenten erlaubt, werden AE-Signale zur Klassifikation genutzt. Hierzu werden Klassifikationsmethoden wie k-means clustering oder konvolutionale neuronale Netzwerke, eine Methode des maschinellen Lernens, angewendet.
Die Ergebnisse zeigen, dass grössere Unterschiede in der Kühlschmierstoffzusammen-setzung schon mithilfe der Drehmomentmittelwerte erkannt werden können. Bei sehr viel kleineren Unterschieden, die bis auf die chemische Ebene der Additivmoleküle gehen, übertreffen die neuen Methoden mit der Bewertung der AE-Signale den klassischen TTT. Die höchsten Klassifikationsgenauigkeiten werden mit einem konvolutionalen neuronalen Netzwerk erreicht, bei dem die transformierten AE-Signale als Eingangsdaten verwendet werden. Sogar der Ansatz des Transferlernens zwischen zwei Datensätzen erreicht zufriedenstellende Ergebnisse. Mithilfe dieses Verfahrens ist es sogar möglich, zwischen unterschiedlichen Molekülkettenlängen oder Elementgehalten der Kühlschmierstoffzusätze zu differenzieren. Das Verfahren liefert jedoch keine direkte Aussage über die Schmierwirkung des Testfluids.
Diese Ergebnisse könnten eine grosse Rolle bei der Online-Zustandsüberwachung von Kühlschmierstoffen spielen. Während des Zerspanprozesses könnte zukünftig die Eignung des Kühlschmierstoffes für die aktuell vorliegende tribologische Paarung bewertet und eventuell die Zusammensetzung automatisch angepasst werden. Dieses kontinuierliche Fluidmanagement könnte die Zuverlässigkeit und Produktivität von Zerspanprozessen erhöhen.