Contenido principal del artículo

Los centros de mecanizado demandan un alto consumo de energía afectando los costos de producción en las empresas que los emplean. Diferentes estudios relacionan múltiples factores de los centros de mecanizado con el consumo de energía, pero hasta el momento no se identifica con claridad cuáles variables o factores tienen una mayor incidencia en el consumo de energía sin disminuir la calidad del acabado superficial de las piezas fabricadas. En el presente estudio se realizó un análisis descriptivo de la influencia que tiene la profundidad de corte, la velocidad de avance y la velocidad del husillo sobre el consumo de energía y la rugosidad en los centros de mecanizado Haas UMC-750 y el centro Leadwell V-40iT®. Se desarrolló una experimentación con un diseño factorial tomando como factores fijos el material base, la herramienta de corte y la ruta de mecanizado. A partir de un análisis descriptivo de los resultados obtenidos en este experimento se logró identificar que la velocidad de avance es el factor que más relación tiene con el consumo de energía. Además, se evidenció la interacción entre los factores identificando que la profundidad de corte posee una influencia moderada sobre la rugosidad o acabado superficial de las piezas. El consumo de energía varía para cada centro de mecanizado y el diseño experimental desarrollado ayudó a caracterizar la influencia de algunas variables de corte sobre el consumo de energía en cada centro de mecanizado.

1.
Ardila Marín MI, Rudas JS, Núñez EJ, Rodríguez MA, Ardila JG, Cardona Jiménez J, Isaza C. Estudio de consumos energéticos en los centros de mecanizado CNC Haas UMC-750 y Leadwell V-40iT®. inycomp [Internet]. 26 de mayo de 2022 [citado 26 de junio de 2022];24(02). Disponible en: https://revistaingenieria.univalle.edu.co/index.php/ingenieria_y_competitividad/article/view/11377

(1) W. Cai and K. hung Lai. Sustainability assessment of mechanical manufacturing systems in the industrial sector, Renew. Sustain. Energy Rev., vol. 135, no. May 2020, p. 110169, 2021. https://doi.org/10.1016/j.rser.2020.110169

(2) N. Sihag and K. S. Sangwan. A systematic literature review on machine tool energy consumption, J. Clean. Prod., vol. 275, p. 123125, 2020. http://dx.doi.org/10.1016/j.jclepro.2020.123125

(3) M. Moradnazhad and H. O. Unver. Energy efficiency of machining operations: A review, Proc. Inst. Mech. Eng. Part B J. Eng. Manuf., vol. 231, no. 11, pp. 1871–1889, 2017. http://dx.doi.org/10.1177/0954405415619345

(4) L. Li, C. Li, Y. Tang, and Q. Yi. Influence factors and operational strategies for energy efficiency improvement of CNC machining. Journal of Cleaner Production, vol. 161. Elsevier Ltd, pp. 220–238, 10-Sep-2017. http://dx.doi.org/10.1016/j.jclepro.2017.05.084

(5) J. Yan and L. Li. Multi-objective optimization of milling parameters-the trade-offs between energy, production rate and cutting quality. J. Clean. Prod., vol. 52, pp. 462–471, 2013. http://dx.doi.org/10.1016/j.jclepro.2013.02.030

(6) T. Behrendt, A. Zein, and S. Min. Development of an energy consumption monitoring procedure for machine tolos. CIRP Ann. - Manuf. Technol., vol. 61, no. 1, pp. 43–46, 2012. http://dx.doi.org/10.1016/j.cirp.2012.03.103

(7) T. V. Peng and X. Xu. A universal hybrid energy consumption model for CNC machining systems. Re-Engineering Manuf. Sustain. - Proc. 20th CIRP Int. Conf. Life Cycle Eng., pp. 251–256, 2013. http://dx.doi.org/10.1007/978-981-4451-48-2_41

(8) S. S. Pavanaskar. Improving Energy Efficiency in CNC Machining. University of California, Berkeley, 2014. http://dx.doi.org/10.1038/132817a0

(9) X. Yan and Y. P. Fang. CO2 emissions and mitigation potential of the Chinese manufacturing industry. J. Clean. Prod., vol. 103, pp. 759–773, 2015. http://dx.doi.org/10.1016/j.jclepro.2015.01.051

(10) L. Zhou, J. Li, F. Li, Q. Meng, J. Li, and X. Xu. Energy consumption model and energy efficiency of machine tools: A comprehensive literature review. J. Clean. Prod., vol. 112, pp. 3721–3734, 2016. http://dx.doi.org/10.1016/j.jclepro.2015.05.093

(11) W. Cai, C. Liu, K. hung Lai, L. Li, J. Cunha, and L. Hu. Energy performance certification in mechanical manufacturing industry: A review and análisis. Energy Convers. Manag., vol. 186, no. February, pp. 415–432, 2019. http://dx.doi.org/10.1016/j.enconman.2019.02.041

(12) L. Li, C. Li, Y. Tang, and L. Li. An integrated approach of process planning and cutting parameter optimization for energy-aware CNC machining. J. Clean. Prod., vol. 162, pp. 458–473, 2017. http://dx.doi.org/10.1016/j.jclepro.2017.06.034

(13) L. Li, C. Li, Y. Tang, and Q. Yi. Influence factors and operational strategies for energy efficiency improvement of CNC machining. J. Clean. Prod., vol. 161, pp. 220–238, 2017. http://dx.doi.org/10.1016/j.jclepro.2017.05.084

(14) J. Ma, X. Ge, S. I. Chang, and S. Lei. Assessment of cutting energy consumption and energy efficiency in machining of 4140 steel. Int. J. Adv. Manuf. Technol., vol. 74, no. 9–12, pp. 1701–1708, 2014. http://dx.doi.org/10.1007/s00170-014-6101-3

(15) N. Abishekraj, T. Gowtham, V. Krishnaraj, R. Bibeye Jahaziel, and B. Geetha Priyadarshini. Surface roughness evaluation in machining titanium alloys using non-textured and textured cutting inserts. in IOP Conference Series: Materials Science and Engineering, 2020, vol. 912, no. 3, p. 032076. http://dx.doi.org/10.1088/1757-899X/912/3/032076

(16) F. Draganescu, M. Gheorghe, and C. V. Doicin. Models of machine tool efficiency and specific consumed energy. J. Mater. Process. Technol., vol. 141, no. 1, pp. 9–15, 2003. http://dx.doi.org/10.1016/S0924-0136(02)00930-5

(17) A. N. Haq, P. Marimuthu, and R. Jeyapaul. Multi response optimization of machining parameters of drilling Al/SiC metal matrix composite using grey relational analysis in the Taguchi method. Int. J. Adv. Manuf. Technol., vol. 37, no. 3–4, pp. 250–255, May 2008. http://dx.doi.org/10.1007/s00170-007-0981-4

(18) M. Y. Liu, C. F. Cheung, X. Feng, L. T. Ho, and S. M. Yang. Gaussian process machine learning-based surface extrapolation method for improvement of the edge effect in surface filtering. Meas. J. Int. Meas. Confed., vol. 137, pp. 214–224, Apr. 2019. http://dx.doi.org/10.1016/j.measurement.2019.01.048

(19) A. Kumar Parida and K. Maity. Modeling of machining parameters affecting flank wear and surface roughness in hot turning of Monel-400 using response surface methodology (RSM). Meas. J. Int. Meas. Confed., vol. 137, pp. 375–381, Apr. 2019. http://dx.doi.org/10.1016/j.measurement.2019.01.070

(20) L. Guedes de Oliveira, C. Henrique de Oliveira, T. Gonçalves de Brito, E. José de Paiva, A. Paulo de Paiva, and J. R. Ferreira. Nonlinear optimization strategy based on multivariate prediction capability ratios: Analytical schemes and model validation for duplex stainless steel end milling. Precis. Eng., vol. 66, pp. 229–254, 2020. http://dx.doi.org/10.1016/j.precisioneng.2020.06.005

(21) T. Misaka et al. Prediction of surface roughness in CNC turning by model-assisted response surface method. Precis. Eng., vol. 62, no. December 2019, pp. 196–203, 2020. http://dx.doi.org/10.1016/j.precisioneng.2019.12.004

(22) D. Manivel and R. Gandhinathan. Optimization of surface roughness and tool wear in hard turning of austempered ductile iron (grade 3) using Taguchi method. Meas. J. Int. Meas. Confed., vol. 93, pp. 108–116, Nov. 2016. http://dx.doi.org/10.1016/j.measurement.2016.06.055

Descargas

Los datos de descargas todavía no están disponibles.