网络的磨削声监控研究

1、网络的磨削声监控研究     平面磨削是加工高精度零件的一个重要加工方法，磨削效果的好坏直接影响到产品的最终质量和性能。在平面周边磨削加工中表面粗糙度在线检测、砂轮状态监控、砂轮接触有效识别等直接影响磨削的效率和磨削的质量。如何有效的实现磨削过程的智能监控，以更好的提升磨削过程效率，改善磨削质量，提高磨削过程的智能化程度具有很重要的研究价值。材料或结构受外力或内力作用产生变形或断裂，以弹性波形式释放出应变能的现象称为声发射。在磨削监测领域，声发射可应用于工件的磨削烧伤检测、磨削裂纹检测、粗糙度监测，及磨削力检测、对刀判断、砂轮磨损检测等多种功能检测是进行

2、磨削过程智能监控的有效技术。很多学者采取了诸如神经网络1、粗糙集理论2、专家系统3等方法对磨削过程中的声发射信号进行了分离、辨识，以研究不同特征的声发射信号和各种磨削状态间的关系，也获得了很多成果。虽然上述一些理论已取得一定成果，但其故障诊断精度对磨削过程中的样本数据的依赖都比较大，当在样本数据较难以获得时，智能诊断技术的实现存在很大困难。贝叶斯网络是贝叶斯方法与图模型理论的有机结合，由于其能够将先验知识与样本信息相结合、依赖关系与概率表示相结合，使得贝叶斯网络在训练数据不完整、不确定性推理等情况下可以获得较好的结果，因而在信息滤波、车辆自动导航、武器制导、医疗诊断等诸多领域获得了广泛的应用4

3、。考虑到磨削过程中声发射信号和磨削状态间也存在诸多不确定性，本文基于贝叶斯网络来构建磨削过程智能监控模型。1贝叶斯网络模型贝叶斯方法认为任何一个未知变量都可看作是一个随机变量，可用一个概率分布去描述它的未知状况。这个概率分布是在抽样前就有的关于变量的先验信息的概率描述，称为先验分布。贝叶斯学习与推理都可用概率规则来实现。在定性层面，贝叶斯网用一个有向无圈图描述了变量之间的依赖和独立关系。在定量层面上，贝叶斯网用条件概率分布刻画了变量对其父节点的依赖关系。在语义上，贝叶斯网是联合概率分布分解的一种表示，把各变量所附的概率分布相乘得到联合分布5。对于一个包含多个变量的联合分布PX1，X2，Xn，由

4、链规则可得i由变量集中所有或部分变量的状态构成的向量称为数据样本，简称样本。若干数据样本一起组成了数据组。当数据样本中，所有变量的状态都已知时，该样本称为完整样本;当有些变量的状态未知时，称为缺值样本。贝叶斯网络可以进行基于完整样本的学习和基于不完整样本的学习以建立合理的贝叶斯推理机制。2声发射监控系统磨削过程中砂轮与工件接触形成的冲击、工件塑性变形、砂轮粘接剂破裂、砂轮磨粒崩碎、工件裂纹、砂轮与工件摩擦等均可发射出弹性波这些弹性波就称其为声发射6，声发射示意如图1所示。声发射信号采集系统的原理是:声发射源发出的弹性波，经介质传播到达被检物体表面，引起表面的机械振动;经声发射传感器将表面的瞬态

5、位移转换成电信号;声发射信号再经放大器进行放大、处理后，形成其特性参数，并被储存;最后经数据的解释，评定出声发射源的特性。磨削智能监控系统的目标是通过监控声发射信号实现预测工件粗糙度、监测砂轮钝化、砂轮接触判断等磨削智能功能。磨削产生的声发射信号与砂轮的磨削状态相关，影响因素有磨削用量、砂轮材料、工件材料等。在工厂加工过程中，磨床往往长期加工同一种零件，所以工件材料、砂轮材料一般固定不变。因此，本文确定变量集为砂轮与工件的接触状态、砂轮钝化的状态和工件粗糙度，磨削深度、工作台进给速度、砂轮速度、轴向进给量和声发射信号特征值。而网络中的节点分别代表这个变量集中的各个变量。整个磨削智能监控系统主要

6、由磨削监测软件、声发射检测系统及信号预处理和数控平面磨床构成，如图2所示。声发射处理部分采用SR150C型AE传感器，其频率范围为60kHz400kHz，谐振频率为150kHz，灵敏度峰值65dB。后接声华PAI型前置放大器以实现阻抗匹配和提高信噪比，信号未经滤波后直接接入采集卡作后续处理。选用DAQ-2010高速同步数据采集卡其传输速率为132MB/s，有14位的A/D转换可以满足磨削过程监控的要求。由于磨削监测系统贝叶斯网络需要实现的功能包括网络的构建、学习和推理，因此本系统包含了网络构建、顺序网络学习、批量网络学习和网络推理这4个模块。此外的还有一些辅助功能模块主要提供各种人机界面，进行

7、文件的存储等。该系统的设计给贝叶斯网络的建立和推理提供了有效的、便利的通用环境，力求界面简单、直观、易于操作和掌握，同时该平台所包含的基本功能能够用于实际网络的建立和推理。图3所示是磨削智能监控软件结构。平面磨削的工艺参数包括砂轮线速度、工作台进给速度、轴向进给量和磨削深度，分别作为贝叶斯网络N的4个节点vs，vw，ap，fa。磨削参数在实际生产过程中，由磨削工艺员制定，且是离散的，在本文建立模型中，为研究方便，各磨削参数分别只有两个离散值，即3个节点分别只有两个状态。设定3个节点的变量域vs=15，20m/s，vw=10，20m/min，ap=10，20m，fa=2，5mm。图4是磨削状态贝

8、叶斯网络构建界面，图5是磨削监测中贝叶斯网络的有向无环图。其中砂轮线速度、工作台进给速度、轴向进给量和磨削深度，分别作为贝叶斯网络N的4个节点vs，vw，ap，fa，砂轮磨损状态设为变量wd，砂轮接触状态设为变量cd，Ra和AErms分别为节点的粗糙度和声发射信号的值。考虑到节点状态划分的必要条件是满足变量域穷尽变量的所有状态，又尽量使划分简单、方便，故本文以等宽区间法为主，辅以等频区间法，声发射信号AErms及粗糙度Ra的划分状态如表1及表2所示，而其它变量的状态值和实际值的取值如表3和表4所示。3实验研究实验以数控平面磨床磨削工件的粗糙度、砂轮磨损状态、砂轮接触状态与磨削工艺参数、磨削声发

9、射信号之间的关系为研究对象7。基于数控平面磨床ML3010，粗糙度仪Surtronic25。磨削用砂轮为白刚玉砂轮，其宽度为100mm，外径为500mm。磨削方式采用平面周边磨削，冷却液为水基冷却液，工件为Q235钢件，长度为300mm，宽度为50mm。因实验用工件宽度小于砂轮宽度，且为了方便实验验证故简化模型，在实验中无轴向进给量，即轴向进给量在贝叶斯网络中为恒定值，一直处于某一状态。考虑到平面磨削的工艺特点，砂轮线速度选用15m/s，25m/s;工作台进给速度选用10m/min，20m/min;磨削深度选用10m，20m;轴向进给量节点删去，砂轮有修整后及磨损后两种状态，每加工一次零件，都

10、采集一次全部磨削过程(从进刀、磨削到退刀)的声发射信号。磨削后的每个零件，都使用粗糙度仪在磨削表面采用测两点求平均值的方法。网络参数学习中，各点的先验概率如表5所示。为建立样本数据库及验证智能监控模型的有效性，总共进行了48组不同网络状态下的实验。其中前32组实验用于贝叶斯网络的学习及推理，而后16组用于监控模型的验证。由于其中声发射信号可以分段提取，包括空行程和磨削阶段的信号值，所以每组实验可得到砂轮接触cd节点两个状态下的贝叶斯网络参数的样本。将样本数据输入磨削监测系统软件学习界面中，进行批量学习。通过磨削监测系统软件的批量学习模块后，实现贝叶斯网络的参数学习。最终监控模型对后16组数据进

11、行了表面粗糙度、砂轮钝化、砂轮接触识别的预测结果分别如图6图8所示。对于砂轮钝化的识别，除11及12号工件磨削时没有识别出钝化外，其它情况均得到很好的预测。图8可见，对于砂轮接触识别所有工件的实测及预测值吻合的较好。在数控磨床磨削状态智能监测的贝叶斯网络中，其网络推理准确度很高，在上述的3个功能验证中，相对误差值都较低，可达到工程应用要求。由于条件限制，本文中对砂轮钝化下相对于在砂轮未钝化下采集的样本数量较少，但并没有造成贝叶斯网络的失效，说明贝叶斯网络在样本数据较少的情况下，其概率推理仍然具有很高的可信度，这一特点证明了贝叶斯网络的方法很适合用在数控磨削的智能监测建模中。4结束语本文中研究并设