磨削加工中聲發(fā)射監(jiān)測技術研究進展

陳敬強 鄧朝暉 卓榮錦 呂黎曙 葛吉民

（1 湖南科技大學機電工程學院，湘潭 411201）

（2 華僑大學制造工程研究院，廈門 361021）

（3 湖南科技大學難加工材料高效精密加工湖南省重點實驗室，湘潭 411201）

文摘 從磨削加工聲發(fā)射監(jiān)測原理、特征提取與選擇、監(jiān)測模型和監(jiān)測系統(tǒng)開發(fā)4 個方面系統(tǒng)地闡述了磨削加工聲發(fā)射監(jiān)測技術的研究現(xiàn)狀。首先針對磨削中聲發(fā)射信號源及特性進行綜述，重點闡述不同磨削狀態(tài)下聲發(fā)射監(jiān)測的原理；隨后對比了磨削加工聲發(fā)射監(jiān)測中常見的特征提取與選擇方法和監(jiān)測模型，比較各方法的優(yōu)缺點，概括了現(xiàn)有監(jiān)測系統(tǒng)的開發(fā)情況；最后對以上幾方面研究的發(fā)展趨勢進行了展望。

0 引言

磨削加工是利用磨料去除材料的加工方法，通常作為精密零部件加工的最后一道工序，被廣泛應用于航空航天、國防軍工、汽車工業(yè)等領域［1］。近年來隨著智能制造的發(fā)展，對磨削加工的質量與效率提出了更高要求。然而現(xiàn)有的數(shù)控磨床智能化程度較低，難以及時發(fā)現(xiàn)加工過程中出現(xiàn)的意外情況。因此有必要對磨削加工展開監(jiān)測研究，開發(fā)配備可靠的監(jiān)測系統(tǒng)［2］。

磨削加工監(jiān)測技術可分為兩類：直接監(jiān)測法和間接監(jiān)測法。直接監(jiān)測法對被測量進行直接測量，具有較高的準確性；但易受到加工環(huán)境影響且只能進行離線監(jiān)測［3］。間接監(jiān)測法通過各種先進傳感器獲取加工過程中產(chǎn)生的信號，建立信號與加工狀態(tài)間的映射關系從而實現(xiàn)在線監(jiān)測［4］。間接監(jiān)測法的測量精度比直接監(jiān)測法略低，但是可以及時準確地發(fā)現(xiàn)加工問題以便提前采取措施進行干預，保證加工的安全性和可靠性，具有很大的實際應用價值。

間接監(jiān)測中常用的信號主要有振動信號、功率信號、溫度信號和聲發(fā)射（AE）信號等。其中AE信號對加工狀態(tài)的反應靈敏，寬廣的信號頻帶中帶有著大量有效的磨削信息，因此AE 監(jiān)測被國內外學者視為磨削加工在線監(jiān)測的重要手段［5］。目前，AE 已廣泛應用于磨削對刀［6］、砂輪磨損［7］、砂輪修整［8］、磨削燒傷［9］、工件表面粗糙度［10］等方面的監(jiān)測。

本文從磨削加工聲發(fā)射監(jiān)測原理、特征提取與選擇、監(jiān)測模型、監(jiān)測系統(tǒng)開發(fā)4個方面進行綜述，對目前的研究現(xiàn)狀及其不足展開分析，并進一步提出磨削加工AE監(jiān)測技術未來的發(fā)展方向。

1 磨削加工聲發(fā)射監(jiān)測原理

AE 是指材料在內外力作用下局部能量快速釋放產(chǎn)生的瞬態(tài)彈性波［11］。磨削加工產(chǎn)生的AE 信號與工況、砂輪狀態(tài)、工件材料有著密切的聯(lián)系，因此可通過AE對磨削過程進行在線監(jiān)測。

磨削過程中的AE 源主要包括：砂輪與工件的接觸、磨粒與工件的摩擦、砂輪結合劑破碎、工件裂紋的形成與擴展、磨粒破碎等［12］，如圖1 所示。大量學者圍繞不同AE 源的信號分布特性進行研究，為磨削AE 監(jiān)測提供了理論依據(jù)。KIM等［13］發(fā)現(xiàn)與磨削相關的AE 信號頻率主要分布在100～1000 kHz之內，而機械噪聲在100 kHz 以下，電氣噪聲則在1 MHz 之上。張學學［14］等指出中頻帶的AE 信號主要源于磨具對工件的成型作用，其能量占比能夠反映磨具的磨損程度。LIU等［15］使用激光加熱工件，發(fā)現(xiàn)其溫升曲線與磨削加工時的溫升曲線高度相似，如圖2 所示。提出可用激光熱誘導的方法模擬磨削燒傷，以排除無關AE 源的干擾，僅對與燒傷相關的AE 信號進行分析，并通過實驗指出高溫下AE 信號的能量集中在高頻段，當溫度降低時，能量會向低頻段發(fā)生轉移。

圖1 磨削過程中的AE源［12］Fig.1 AE sources in grinding process［12］

圖2 激光熱誘導與磨削加工時的工件溫升曲線對比［15］Fig.2 Comparison of temperature rise curves of workpiece in laser-induced and grinding processes［15］

AE 信號主要受到兩方面因素的影響：一是磨削工藝參數(shù)、工件形狀大小和砂輪等工藝條件；二是材料的物理力學性能和微觀組織結構，如材料強度、晶粒大小與排布和金相組織等［16］。王龍［17］等通過分析單晶硅的破碎損傷形貌特征，發(fā)現(xiàn)AE 信號與材料去除方式有密切關系，其強度與材料的破碎損傷程度呈正相關。CHEN等［18］在單顆磨粒劃擦實驗中指出磨粒滑擦和切削階段產(chǎn)生的AE 信號集中在中低頻段，而耕犁階段產(chǎn)生的AE 信號集中在高頻段。由此可知，AE 信號對磨削時產(chǎn)生的非穩(wěn)態(tài)特征有著很強的識別能力。可通過建立磨削物理現(xiàn)象與AE 信號間的映射關系，實現(xiàn)對磨削狀態(tài)的監(jiān)測。

綜上所述，當磨削加工狀態(tài)改變時，AE 信號會隨之有規(guī)律地發(fā)生變化，因此結合磨削機理對其映射關系展開具體分析，能對磨削加工狀態(tài)進行有效監(jiān)測。但目前的研究多是定性分析AE 信號與磨削狀態(tài)間的關系，對于結合加工機理量化AE 信號與磨削狀態(tài)間關系的研究還很缺乏，急需建立完整的AE監(jiān)測理論模型。

2 特征提取與選擇

磨削時采集到的AE 原始信號數(shù)據(jù)量大且混入了大量噪聲，因此不能直接用于磨削狀態(tài)的辨識。需對信號進行處理以消除干擾，提取與監(jiān)測目標具有高相關性和可靠性的特征以表征磨削狀態(tài)。

2.1 特征提取

根據(jù)分析手段的區(qū)別，常用的AE 信號特征提取方法可分為兩大類：參數(shù)法和波形法［19］。

2.1.1 參數(shù)法

參數(shù)法是利用簡化的波形特征參數(shù)對信號進行統(tǒng)計分析，從而描述磨削加工狀態(tài)的方法，其對硬件設備的要求較低，響應迅速，在實時監(jiān)測中具有很大優(yōu)勢，因此在早期工程實踐中得到廣泛使用［20］。

常用的AE 特征參數(shù)包括振鈴計數(shù)、幅度、能量、持續(xù)時間、上升時間、平均信號電平、有效值電壓（RMS）等，其含義及用途如表1所示。由于單一參數(shù)對加工參數(shù)和環(huán)境因素敏感，為提高準確性和可靠性，通常將多種特征參數(shù)混合作為監(jiān)測模型輸入。

表1 常用AE特征參數(shù)的含義及用途Tab.1 Meaning and use of common AE characteristic parameters

參數(shù)法簡單易用，但它只是將AE 信號轉為簡化的波形特征對加工狀態(tài)進行描述，并沒有對信號進行系統(tǒng)地分析與降噪，因此存在監(jiān)測精確度不高、選取依賴經(jīng)驗和參數(shù)間相互關系難以確定等問題，一般只適用于對精度要求較低的監(jiān)測中或與其他方法結合使用。

2.1.2 波形法

波形法是對AE 信號波形進行時域、頻域和時頻域分析方法的總稱，主要包括頻域與時頻域分析［21］。它能完整地反映出AE 源信息，分析AE 源的物理機制，具有精度高、指向性強等優(yōu)點［22］。

頻域分析以傅里葉變換（FT）為基礎對信號的頻率進行剖析，不同AE 源的信號特征可通過頻譜分布進行區(qū)分，但它只適合處理平穩(wěn)信號，無法描述時變非平穩(wěn)的信號。

時頻分析對時域和頻域均有較好的表征能力，適合分析非平穩(wěn)信號，是目前AE 信號特征提取的主要方法。以下為幾種常用的時頻分析方法，見表2。

表2 STFT、WT及EMD比較Tab.2 Comparison of STFT，WT and EMD

（1）短時傅里葉變換（STFT）在時域和頻域上都具有較好局部性［23］，能直觀地描述信號在時頻面上的分布及頻率構成。TORRES等［24］將STFT應用于氧化鋁單顆磨粒劃擦實驗中，結果表明STFT 能很好地分離出不同材料去除機制的AE 信號。LOPES等［25］提出了一種基于Kaiser 窗的STFT 參數(shù)調整算法，以便確定最佳的時頻分辨率。

（2）小波變換（WT）通過小波基和尺度函數(shù)對信號頻段進行多層次劃分，可通過計算小波分解后各頻段的特征值，選擇敏感成分作為監(jiān)測模型的輸入［26］。GAO等［27］應用交叉小波變換和小波相干性揭示了熱誘導AE 信號與磨削燒傷AE 信號間的相干關系。朱歡歡等［28］發(fā)現(xiàn)小波包分解后的AE 能量分布趨勢與工件溫度分布趨勢一致，指出可將其用于磨削區(qū)溫度的監(jiān)測。

（3）經(jīng)驗模態(tài)分解（EMD）按照信號本身的時間尺度進行分解，分解出的本征模態(tài)函數(shù)（IMF）分量體現(xiàn)了原信號在不同的時間尺度上的局部特征，適用于分析非線性非平穩(wěn)信號。YANG等［29］提出一種基于平均能量百分比的IMF選擇標準，篩選出的IMF分量的邊際譜振幅均方根值和頻譜矩心值對磨削燒傷反應敏感。

相較于參數(shù)法，波形法能更加深度地剖析AE信號，突出AE 源特征。但使用波形法提取特征時，需要豐富的信號處理知識且耗時較長，且對硬件資源提出了更高的要求。通過大量磨削實驗，構建磨削加工AE 特征數(shù)據(jù)庫、知識庫，將會是解決該問題的關鍵。

2.2 特征選擇

磨削加工AE 信號通過現(xiàn)代分析方法可以提取出大量的統(tǒng)計特征參數(shù)。面對海量的特征參數(shù)，若不加區(qū)分地把所有特征輸入到監(jiān)測模型中，將大大增加識別難度、占用大量硬件資源，很難反映出磨削過程的真實情況。為保證AE 監(jiān)測精度，提升系統(tǒng)運算效率，可通過特征選擇技術對特征進行篩選，保留與磨削狀態(tài)高相關的特征，獲取最佳特征子集［30］。

目前，國內外學者對特征選擇進行了大量的研究。LAJMERT等［31］使用主成分分析法對磨削AE 信號特征進行降維處理，處理后AE 特征減少了40%。PANDIYAN等［32］在機器人砂帶磨削中通過遺傳算法（GA）與近鄰算法（KNN）相結合，考慮特征空間的hamming 距離，將特征從162 個降低到26 個。GUO等［33］提出了一種兩階段的特征選擇方法。如圖3 所示，首先采用ReliefF 過濾器篩選特征，過濾器根據(jù)特征對磨削燒傷的重要性進行排序，生成高權重的低維度特征子集，再采用SSAE 網(wǎng)絡進行驗證有效性。結果表明基于ReliefF-SSAE 的模型訓練準確率達到100%，測試準確率達到97.5%。

圖3 基于ReliefF-SSAE的特征選擇［33］Fig.3 Feature selection based on ReliefF-SSAE［33］

特征選擇技術可有效降低AE 監(jiān)測系統(tǒng)的計算成本，提高算法的泛化能力。但面對磨削AE 監(jiān)測中的高維度、不均衡、小樣本數(shù)據(jù)進行高質量特征選擇，還有待進一步展開研究。

3 監(jiān)測模型

由于磨削過程具有時變、非線性和非平穩(wěn)性，目前還難以建立一個顯性的數(shù)學方程去表征信號特征與加工狀態(tài)間的映射關系。通常通過機器學習算法，將其看作一個黑箱，忽略復雜的分析過程，僅對輸入輸出進行觀測和建立模型。常用的機器學習算法包括：人工神經(jīng)網(wǎng)絡（ANN），支持向量機（SVM），隱馬爾可夫模型（HMM），卷積神經(jīng)網(wǎng)絡（CNN）等。

3.1 人工神經(jīng)網(wǎng)絡

ANN 是模擬神經(jīng)元信息傳遞機制構建的一種數(shù)學模型，是通過不斷調整網(wǎng)絡的權值與偏差從而獲得最小化輸出誤差的過程［34］。由于ANN適于從不完全的、無序的數(shù)據(jù)中識別不同的成分，因此在磨削AE監(jiān)測中得到廣泛應用。

BP 神經(jīng)網(wǎng)絡是目前最常用的ANN，其一般由輸入層、隱含層和輸出層組成，如圖4 所示。BP 模型采用誤差反向傳播學習算法，能夠高精度地擬合數(shù)據(jù)。KWAK等［35］將RMS峰值和FFT峰值作為AE 特征，結合靜動態(tài)功率作為BP 模型的輸入，對磨削過程中的顫振和燒傷現(xiàn)象進行識別，該模型的準確率高達95%。由于BP 模型存在全局搜索能力弱、收斂速度慢等問題，大量學者對其進行了改進。胡仲翔等［36］針對磨削表面粗糙度BP 預測模型存在精度低、誤差大的問題，使用附加動量法和自適應學習速率法對其進行優(yōu)化，優(yōu)化后模型的收斂速度和預測精度得到明顯提升。YIN等［37］利用GA 的非線性尋優(yōu)能力來獲取BP 網(wǎng)絡的權值與閾值，改進后模型的預測精度得到明顯提升，如圖5所示。

圖4 BP神經(jīng)網(wǎng)絡基本結構Fig.4 BP neural network basic structure

圖5 GA優(yōu)化前后的相對誤差比較［37］Fig.5 Comparison of relative errors before and after GA optimization［37］

與BP 神經(jīng)網(wǎng)絡相比，徑向基神經(jīng)網(wǎng)絡（RBF）的收斂速度更快、泛化能力和逼近性能更強。NAKAI等［38］在金剛石砂輪的磨損監(jiān)測中，使用不同的神經(jīng)網(wǎng)絡進行測試，發(fā)現(xiàn)BP 網(wǎng)絡和RBF 網(wǎng)絡的預測準確率相似，但RBF網(wǎng)絡的學習速度更快。

雖然ANN 在監(jiān)測中表現(xiàn)出良好的學習能力，但其預測精度依賴于訓練樣本數(shù)據(jù)。當測試數(shù)據(jù)超出訓練樣本數(shù)據(jù)的上下限范圍時，會導致預測結果和實際結果的偏差較大，且ANN 模型的訓練時間相對于其他監(jiān)測模型也要更長。

3.2 支持向量機

SVM 是基于統(tǒng)計學理論的一種有監(jiān)督學習模型，它克服了一般ANN 中存在的過學習、欠學習、局部極值等問題，更適合對小規(guī)模樣本進行分類。由于工件和砂輪需要經(jīng)常更換等原因，實際加工中可供學習的樣本并不多，因此SVM非常適用［39］。

YANG等［40］建立了基于SVM 的磨削燒傷預測模型，結果表明該模型在同一磨削參數(shù)下正確率為96.88%，不同磨削參數(shù)下正確率為91.67%。ZHANG等［41］將SVM 理論與實驗相結合提出了插值-因子-支持向量模型，該模型克服了現(xiàn)有支持向量回歸模型輸出向量大多維數(shù)單一的缺點，實現(xiàn)了精密光學元件磨削過程的在線監(jiān)測。郭力等［42］利用GA優(yōu)化SVM 的懲罰因子和核參數(shù)，構建的GA-SVM 模型在砂輪磨損分類測試中準確率達到100%。

相較于ANN，SVM 的計算速度更快、泛化性能更好。但SVM 對接近分類邊界的相似特征容易出現(xiàn)誤判，在多重分類問題上存在一定的局限性。

3.3 隱馬爾可夫模型

HMM 是一種關于時間序列的概率模型，它的建模是利用觀測序列來找出隱藏狀態(tài)序列的過程并根據(jù)訓練樣本對模型參數(shù)進行不斷優(yōu)化［43］，主要應用在砂輪磨損監(jiān)測中。與一般的監(jiān)測模型不同，HMM不需預先對砂輪的磨損狀態(tài)進行標簽設置，而是通過自動聚類以完成對砂輪狀態(tài)的劃分，其流程見圖6。

鄭守紅等［45］通過連續(xù)HMM 清晰地反映出砂輪磨損狀態(tài)的轉移過程，識別精度可達95%以上。LIAO等［46］提出了一種基于HMM 的多變量序列數(shù)據(jù)聚類方法，結果表明聚類精度會隨著材料去除率的增加而提高。鐘利民等［47］提出了一種基于分層Dirichlet過程-隱半馬爾可夫模型的砂輪鈍化狀態(tài)檢測方法，該模型避免了HMM 狀態(tài)駐留時間呈指數(shù)衰弱的缺點，通過自適應聚類解決了如何將不斷變化的砂輪磨損狀態(tài)量化為幾個確定狀態(tài)的問題。

與ANN和SVM相比，HMM的自學習和泛化能力更強。但HMM 的建模難度較大，訓練時需要大量樣本來提高模型的分類精度。另外HMM 的應用范圍受到自身算法的限制，不適合用于表面粗糙度這類的定量預測。

3.4 卷積神經(jīng)網(wǎng)絡

傳統(tǒng)機器學習的關鍵問題在于特征提取，然而人工提取特征需要大量的時間與充足的經(jīng)驗，且不能保證提取的特征質量［48］。深度學習擺脫了對特征提取的依賴，可以自適應地從信號中學習有用的特征［49］。近年來，深度學習以CNN為代表，被逐漸應用在磨削AE監(jiān)測中。

CNN 能夠從復雜的AE 數(shù)據(jù)中自動地提取多維度空間特征，同時具有很強的穩(wěn)定性，其主要由輸入層、卷積層、池化層、全連接層和輸出層組成。HENRIQUE等［50］提出了一種基于AE 信號的CNN 模型監(jiān)測磨削燒傷，如圖7 所示，CNN 從輸入的時頻圖像中自動提取特征，模型測試準確率高達99.4%。BI等［51］將AE 信號的原始時域波形作為CNN 的輸入，實現(xiàn)了砂輪全生命周期的狀態(tài)分類，準確率超過90%。QI等［52］將改進的馬蘭諾比斯距離與CNN 相結合，建立了包含磨削工藝參數(shù)分類和砂帶磨損識別的多層分類模型，結果表明該多層模型比單層CNN模型的精度更高。

雖然CNN 在磨削AE 監(jiān)測領域中已取得一些初步進展，但它的缺點也很明顯：訓練時需要大量樣本，訓練時間遠超于傳統(tǒng)監(jiān)測模型，對硬件的計算要求高等。深度學習在工業(yè)環(huán)境下的實際應用還有待進一步研究。

4 監(jiān)測系統(tǒng)開發(fā)

磨削AE 監(jiān)測系統(tǒng)主要由AE 傳感器、前置放大器、信號采集處理系統(tǒng)和記錄分析系統(tǒng)組成，如圖8所示。由AE 源釋放的彈性波傳播到材料表面產(chǎn)生微弱的表面位移，被AE 傳感器捕獲后轉換為電信號，經(jīng)放大、處理、分析和記錄后，從而實現(xiàn)在線監(jiān)測。

圖8 AE監(jiān)測系統(tǒng)組成Fig.8 AE monitoring system components

盡管國內外學者圍繞磨削AE 監(jiān)測已做出了大量工作，但由于工控機在對高頻AE 信號的處理算力薄弱，使得許多AE 關鍵技術在監(jiān)測系統(tǒng)上難以得到應用［53］。隨著近年來高速數(shù)字信號處理技術的發(fā)展，磨削AE監(jiān)測系統(tǒng)開發(fā)方面的研究也逐漸展開。

蘇史博等［54］通過FPGA 芯片構建的采集模塊取代了昂貴的采集板卡，對磨床AE 信息進行實時采集。如表3所示，該嵌入式監(jiān)控系統(tǒng)大幅減小了系統(tǒng)的體積與重量，并顯著地降低了成本。為有效管理磨床數(shù)據(jù)，湯期林等［55］采用SQL 建立了磨床全信息數(shù)據(jù)庫，通過數(shù)據(jù)庫對AE 等數(shù)據(jù)進行快速、高效和主動管理。監(jiān)測系統(tǒng)還可借助通信技術實現(xiàn)遠程監(jiān)控，HUANG等［56］將采集到的AE 數(shù)據(jù)上傳至云端，使用者可在PC 端或移動端對磨削過程進行遠程監(jiān)控。

表3 嵌入式監(jiān)控系統(tǒng)優(yōu)勢對比［54］Tab.3 Comparison of the advantages of embedded monitoring systems［54］

多傳感器信息具有互補性，比單一傳感器信息更加可靠。將AE 監(jiān)測技術與多傳感器信息融合技術結合，可對AE 源做出更準確的評價，也是目前磨削監(jiān)測系統(tǒng)的主要發(fā)展方向。王起碩［57］基于AE、力、功率和激光位移傳感器構建了一套多傳感器融合的砂輪監(jiān)測系統(tǒng)，采用PCA-ANN 信息融合算法有效去除了多傳感器信息的冗余，提高了磨削性能評價的準確性。畢果等［58］通過訪問數(shù)控系統(tǒng)OPC 服務器，獲取了磨床運行狀態(tài)數(shù)據(jù)及加工參數(shù)等重要信息，并結合AE 等外置傳感器完成了磨床全生命過程大數(shù)據(jù)的智能監(jiān)控，系統(tǒng)架構如圖9所示。

圖9 磨床智能監(jiān)測總體架構［58］Fig.9 Overall architecture for intelligent monitoring of grinding machines［58］

綜上所述，磨削AE 監(jiān)測系統(tǒng)依托于硬件平臺與軟件技術，可確保磨削加工過程的高質高效。但單一AE 傳感器獲取信息的能力有限，應結合其他傳感器數(shù)據(jù)及數(shù)控機床系統(tǒng)的內部信息，構建面向加工過程的多信息融合存儲、分析及狀態(tài)監(jiān)測的智能磨削監(jiān)測系統(tǒng)。

5 結語

近年來國內外學者在磨削加工AE 監(jiān)測研究方面取得了一系列進展。但由于受到磨削條件、加工工件、外部環(huán)境等因素的影響，磨削加工AE 監(jiān)測技術在實際工業(yè)應用中仍存在一定的局限性，若要進一步提高監(jiān)測的精度與可靠性，還應在以下幾方面開展研究。

（1）目前，主要是通過AE 信號統(tǒng)計特征對磨削狀態(tài)進行評價，或是借助機器學習等工具建立各種關聯(lián)模型。少有從AE 信號產(chǎn)生機制出發(fā)，結合磨削加工機理，建立傳感數(shù)據(jù)與加工機理結合的動態(tài)模型，定量分析AE 信號與磨削狀態(tài)間關系。如何理解微觀層面的AE 信號與宏觀層面中磨削狀態(tài)之間的關聯(lián)關系仍是有待探索的課題。

（2）同一磨削狀態(tài)下AE 特征選擇的不同往往會導致監(jiān)測結果具有很大差異，而現(xiàn)有的特征選擇大多是依據(jù)人為經(jīng)驗選擇，缺乏統(tǒng)一的評價標準。因此，通過特征選擇算法對特征進行評價和篩選將是提高磨削加工在線監(jiān)測可靠性與準確性的有效途徑。

（3）基于機器學習算法構建磨削AE 監(jiān)測模型是實現(xiàn)磨削加工在線監(jiān)測的關鍵所在。深度學習能很好地克服傳統(tǒng)AE 監(jiān)測模型依賴于特征提取、分析人員經(jīng)驗的問題，基于深度學習的磨削AE 監(jiān)測將是今后研究的一個重要方向。