基于聲發射技術的砂輪磨損狀況在線檢測

石 建，丁 寧

(1.長春理工大學 機電工程學院，長春 130022;2.長春大學 機械與車輛工程學院，長春 130022)

0 引言

在磨削加工中，砂輪的磨損狀態是砂輪磨削性能好壞的重要指標之一，它影響著磨削加工的生產效率和加工質量。在實際加工中，為了避免工件磨削燒傷，一般采用定時修銳，在砂輪還沒有達到工作壽命極限時，就提前對其進行修整，這樣便有盲目性［1］。近幾年諸多學者用聲發射(AE)信號的小波分析法對砂輪磨損在線監測，并通過實驗證明了該方法的有效性［2-3］。但是在實踐中，我們發現在超精密磨削加工實驗研究中不同的砂輪磨損狀態下的聲發射(AE)信號小波能量系數分布情況十分相似，不易識別出砂輪磨損狀態。因此，我們在此基礎上，通過小波系數統計分析法和法向磨削力相結合的方法，基于人工神經網絡對砂輪磨損狀態進行識別。實驗證明，此方法可以簡單直觀的識別出砂輪的磨損狀態，并且準確性有很大的提高。

1 砂輪磨損狀態的神經網絡模式識別模型的建立

1.1 砂輪磨損狀態神經網絡識別模型結構

人工神經網絡(ANN-Artificial Neural Networks，簡稱神經網絡—Neural Networks)是由大量的信息處理單元(神經元)通過不同方式連接而成的網絡，是從微觀結構和功能上對人腦的抽象、簡化和模擬，它是一種自適應非線性的動態網絡系統，具有很強的知識獲取能力、聯想記憶能力、并行計算能力、良好的容錯能力、自適應能力。

BP(Back Propagation)網絡是在感知器模型的基礎上發展起來的，是目前應用得最廣泛的一種人工神經網絡。它利用輸出層的誤差來估計輸出層的直接前導層的誤差，再用這個誤差估計更前一層的誤差，如此下去，就獲得了所有其它層的誤差估計。

本文采用的是三層BP神經網絡模型，其神經網絡結構如圖1所示。輸入層有7個神經元，分別為AE信號特征小波系數個數N與最大值Fmax(C)共6個和1個法向磨削力。輸出層有4個神經元，分別是砂輪的未磨損狀態、初期磨損狀態、中期磨損狀態和嚴重磨損狀態，并且分別用001、010、100和111二進制編碼表示砂輪的四種狀態。隱層的神經元個數是通過學習訓練識別誤差最小來確定的，本文確定的隱層神經元個數為6個，將訓練樣本、驗證樣本和預測樣本按照總樣本的70%、15%和15%的比率進行訓練，用trainlm函數訓練。

1.2 砂輪磨損狀態小波分析

小波即小區域的波，是一種特殊的長度有限、平均值為0的波形。是一種時頻分析方法，它具有多分辨率分析的特點，在時頻兩域都具有表征信號局部特征的能力，很適合于探測瞬態反常現象并展示其成分。小波變換的含義為

圖1 砂輪磨損狀態神經網絡模式識別結構框圖

其中，a是尺度參數，在實際應用中a＞0，b是平移參數，其值可正可負，φx(xa-b)為母小波函數，f(x)為AE信號。

多分辨率分析建立在函數空間分解概念之上，對于多分辨分析的理解，我們可以用一個三層的分解來說明，其小波分解樹如圖2所示，將信號在不同尺度的函數空間進行分解，然后觀察各空間所包含的信號信息特征。多分辨率分析的目的是在不同尺度(頻域區間)下對信號進行觀察，信號的各個頻段的信息特征與砂輪狀態是一一對應的，由此可以根據小波分解信號的信息特征可以識別砂輪磨損狀態。

1.3 砂輪磨損對法向磨削力的影響

圖2 波分解結構圖

在砂輪磨損過程中，對法向磨削力是有一定影響的，這是因為當砂輪新修整時，磨粒的切削刃較為鋒利，切削性能較好，故磨削時的磨削力較小隨著砂輪磨削量的增加，砂輪磨損增加，磨粒的切削刃變鈍，切削能力減弱，從而法向磨削力增大。隨著砂輪的磨損法向磨削力的變化如圖3所示。

圖3 砂輪磨損過程中對法向磨削力的影響

由圖3可見，砂輪磨損狀態與法向磨削力有很好的對應關系，是用作砂輪磨損狀態識別最好的依據。

2 聲發射(AE)信號處理方法

2.1 小波能量系數分析法

聲發射信號f(n)經過J個尺度的小波分解可分解為J+1個頻率范圍的分量，即下列式子成立

式中A為低頻系數，D為高頻系數。

2.2 小波系數統計分析法

通過上文提出的小波能量系數分析法對聲發射信號進行分析，確定信號的特征頻帶，在特征頻帶設定一個小波分解系數閾值，則對于每一個特征頻帶，大于小波分解系數閾值的小波分解系數用參數Fc表示［4］，即:

其中，J為特征頻帶對應的尺度，T為小波分解系數閾值，一般情況選取范圍在0到1之間與小波分解系數最大值的乘積，閾值的選取要根據實際情況設置，本文設置為小波分解系數最大值的0.1倍。

把Fc中小波分解系數的個數N和小波分解系數最大值Fmax(C)分布關系進行統計，建立關系式:

若N比較大，說明信號的主要特征集是由多個小波分解系數來確定的，反之，則信號的主要特征中在較少的小波分解系數上。由此可見特征統計關系式的物理意義可以直接簡單的表現出信號的特的點，與小波能量系數分析法相比更為簡潔。

3 實驗研究

3.1 磨削實驗條件

本文采用的機床是杭州一機床產的SL500超精密平面磨床，磨削方式為手動磨削，具體磨削實驗工藝參數如表1所示。

表1 磨削實驗工藝參數

3.2 聲發射(AE)信號特征提取

聲發射信號采集本文采用的傳感器型號為SR800，中心頻率為800kHz;前置放大器為PAXII，增益值為40dB;聲發射采集卡型號為SAEU2采集卡，采集精度為16位，信號分析處理軟件用Matlab進行小波分析。系統方框如圖4所示。

圖4 聲發射系統基本構成圖

由于篇幅受限，本文只以實驗得到的砂輪未鈍化狀態下的信號為例進行小波分解，圖5為砂輪未磨損狀態磨削原始信號。

圖5 砂輪未鈍化狀態下降噪后的原始信號

利用小波對其進行5層閾值降噪分解，重構后得到的5層分解如圖6所示，a5是低頻小波近似系數，d1～d5是高頻小波細節系數。

圖6 降噪后的5層小波分解

把該信號各層(頻段)小波分解系數進行小波能量系數計算，小波能量系數分布如圖7所示。

圖7 砂輪未鈍化的各層小波能量系數分布

用同樣的方法對其他三種砂輪磨損狀態(砂輪初期磨損、中期磨損和嚴重磨損)進行5層小波閾值降噪分解，并且計算出對應的小波能量系數。如圖8所示，圖中a、b、c分別是砂輪初期、中期和嚴重磨損的小波能量系數分布情況。

圖8 其他三種砂輪狀態下的各個小波能量系數分布

從圖7和圖8可以看出小波分解能量系數分布主要集中在d1、d2和d3上，而且分布情況基本相似，在神經網絡中不易識別。為了避免這個問題，利用本文提出的小波系數特征統計分析法對d1、d2和d3進行小波系數統計如圖9所示，由此可見，可以直觀的將他們區分開，在神經網絡中可以達到最佳的識別判斷。在實驗中，我們提取了砂輪不同磨損狀態下的統計小波系數特征典型數據各30組，共計120組，為砂輪磨損狀態識別做準備。

圖9 特征小波系數統計分布圖

3.3 磨削力測量系統與測量

本文采用瑞士Kistler公司的三向測力儀對磨削力信號進行采集，型號為9257B，測量范圍在-12～25KN，測量精度在0.05%，分辨率為0.02N。磨削力測量系統如圖10所示。

本文對砂輪磨損過程中各個階段進行磨削實驗，其砂輪為鈍化的法向磨削力信號如圖11所示，并且提

圖10 磨削力測量系統示意圖

取與聲發射(AE)信號對應的法向磨削力數據各30組，共計120組，為不同砂輪磨損狀態下的識別做準備，如表2所示。

圖11 砂輪未鈍化時的法向磨削力

表2 不同砂輪磨損狀態下的法向磨削力

3.4 砂輪狀態識別

本文利用已訓練好的神經網絡模式識別模型對砂輪磨損狀態進行識別，其砂輪磨損狀態識別結果如表3所示。

表3 砂輪磨損狀態識別結果

可見神經網絡模式識別非常準確，準確率可達98%以上，說明基于Matlab2011a版神經網絡模式識別工具箱可以實現最佳的識別效果。

4 結語

本文利用法向磨削力與小波系數特征統計法相結合的方法，基于人工神經網絡，對砂輪磨損過程中砂輪磨損進行監測。實驗結果表明此方法可以簡單、直接識別出砂輪磨損情況，這樣就可以及時對砂輪進行修整，同時可以保證最佳的磨削加工質量，與小波能量系數法相比也大大提高了識別準確率。

［1］Karpuschewski B.，Wehmeier M.，Inasaki I.Grinding monitoring system based on power and acoustic emission sensors［J］.Annals of the CIRP，2000，49(1):235-240.

［2］王強.劉貴杰.王宛山，基于小波包能量系數法的砂輪狀態監測［J］.中國機械工程，2009(3):285-287.

［3］劉貴杰.鞏亞東.王宛山，聲發射(AE)信號在砂輪鈍化程度檢測中的應用［J］.精密制造與自動化，2002(3):24-25.

［4］張平.集成化聲發射信號處理平臺的研究［D］.北京:清華大學，2002.