金剛石砂輪與金剛石滾輪磨削接觸的聲發射監測

趙華東，劉 勇，朱振偉，張 瑞

（鄭州大學機械與動力工程學院，河南 鄭州 450001）

1 引言

金剛石滾輪是一種主要應用于成型砂輪修整的高精密超硬金剛石刀具。金剛石滾輪的精度直接決定了被修整的砂輪的精度，從而間接影響了砂輪所加工工件的精度。因此，對金剛滾輪的加工提出了較高的要求。受限于金剛滾輪自身材料的限制，可選用的加工方法也相對受限。目前常采用金剛石砂輪磨削法對金剛石滾輪進行精密修形。該方法嚴重依賴人工操作，成本高，效率低，行業內對自動加工的需求極為迫切。自動加工的實現，是在明確加工機理的基礎上才能進行的，但目前國內外在這一領域的研究較少。通過對金剛石砂輪磨削法磨削接觸狀態的研究，實現了磨削接觸狀態的準確識別，為自動加工需求的解決打下基礎。

聲發射信號具有頻率高，抗干擾性強和反應迅速等特點，所以聲發射技術是磨削接觸狀態監測常用的技術之一。文獻［1］發現和功率信號相比聲發射信號對磨削接觸的判別更加迅速。文獻［2］通過計算聲發射信號有效值的閾值來識別工件和砂輪的接觸狀態。文獻［3］通過計算信號頻域的峰值，并采用PCA和費舍爾判別的方法對接觸狀態進行判斷。文獻［4］發現小波重構判別聲發射信號能量判別法可以減弱噪聲干擾的影響。

在磨削過程中，砂輪和滾輪的材料去除率小，聲發射幅值的變化不如傳統磨削明顯。因此僅以有效值做指標的磨削接觸狀態判別方法準確性受噪聲影響較大。小波重構的效果也受到預設的固定小波基的影響，無法對信號進行自適應處理。為解決上述問題，本試驗先通過模態分解將聲發射信號自適應分解為若干IMF分量并用相關性分析去掉一部分IMF分量，再提取剩余IMF的有效值、方差值構建數據集并結合支持向量機實現對磨削接觸狀態的識別。

2 實驗流程概述

根據金剛石砂輪磨削金剛石滾輪的特點，利用聲發射信號監測磨削接觸狀態的總體流程，如圖1所示。首先對聲發射信號進行采集，再用EEMD模態分解和相關性分析對采集的信號進行處理，并提取特征值建立數據集。最后利用支持向量機建立金剛石砂輪磨削金剛石滾輪的磨削接觸狀態識別模型。

圖1 磨削接觸狀態識別模型建立流程Fig.1 Process of Grinding Contact State Recognition Model Establishment

3 聲發射信號采集

實驗設備為上海三機床廠的MK9025A曲線磨床。被修整的滾輪為采用燒結工藝制造的成型修整刀具。磨削滾輪的金剛石砂輪為陶瓷結合劑砂輪，滾輪、砂輪的參數和正常生產中采用的加工參數，如表1所示。磨削液會影響到光學投影系統的工作，因此磨削過程中沒有使用磨削液，信號中不存在由磨削液帶來的背景噪聲。

表1 實驗參數表Tab.1 Table of Experimental Parameters

聲發射信號采集實驗平臺，如圖2所示。如圖所示，磨削過程中的聲發射信號通過安裝在靠近磨削區域附近的富士AE204DH傳感器進行采集。傳感器的諧振頻率為200±20%kHz，靈敏度為71±3dB，工作溫度在（-20～+200）℃之間。所采集的信號經過PXPA6放大器放大后通過NI6361數據采集卡轉換為數字信號用LabVIEW 進行采集［5］。PXPA6放大器的帶寬為（0.01～3.4）MHz，增益為40dB。磨削過程中的聲發射信號頻率在（1～500）kHz 之間，根據采樣定理將采樣率設置為2MHz。聲發射信號的采集門檻為46dB。LabVIEW 保存的文件格式為TDMS，經過轉換后導入MATLAB中進行分析處理。

圖2 實驗平臺Fig.2 The Experiment Platform

在采集數據時，用高速相機同步錄下磨削區域和光學投影顯示屏上的影像?？梢杂^察到整個過程明顯存在三個不同的階段：第一個階段，砂輪為空轉狀態，金剛石砂輪和滾輪沒有接觸，將這個階段定義為未接觸磨削階段；第二個階段，金剛石砂輪和滾輪相互接觸，但是磨削區域只有極少量的結合劑和金剛石粉末脫落，將這個階段定義為欠接觸階段；第三個階段，磨削區域有持續大量的粉末脫落，將這個階段定義為接觸磨削階段。采集的聲發射原始信號和處理后的頻譜圖，如圖3、圖4所示?？梢钥闯觯何唇佑|階段時聲發射的信號的集中在（10～100）kHz，這部分信號主要是由除塵裝置和機床內部運轉產生的。金剛石砂輪和滾輪接觸磨削時，滾輪和金剛石砂輪的磨粒、結合劑破碎脫落，會產生更高頻的聲發射信號，這部分信號頻率主要集中在100kHz 和200kHz附近。欠接觸磨削階段以滑擦等非切除磨削為主，沒有產生大量的材料去除，因此該階段中100kHz和200kHz頻率所占的比例小于接觸磨削階段。

圖3 磨削聲發射信號Fig.3 Grinding Acoustic Emission Signals

圖4 聲發射信號頻譜圖Fig.4 Acoustic Emission Signal Spectrum Diagram

4 基于EEMD的聲發射信號分析

模態分解作為一種自適應的信號分解方法［6］，可以將信號按頻率高低分解為若干分量。避免了小波分解需要按照經驗預設小波基的缺點。EEMD 模態分解方法解決了EMD 模態分解對信號進行分解時由于采集的數據不是純的白噪聲而帶來的模態混疊問題［7］。

通過EEMD模態分解方法對采集的聲發射信號進行分解，三種磨削接觸狀態的數據都會分解得到9個IMF分量和1個殘余分量。9個分量的中心頻率依次降低，其中IMF1分量的頻率最高。采用相關性分析的方法來判定模態分量和原始信號的相關程度。相關性的計算公式如下：

信號分解后所得的模態分量與原始信號的相關性系數代表了該分量占原始信號有效成分的比例［8］?？梢钥闯鯥MF5之后的相關性系數都在0.02以下，如圖5所示。將這部分低頻分量作為噪聲去除，可以避免信號中幅值較大的低頻信號對后續接觸狀態識別的干擾，這相當于對信號進行了一次自適應濾波。IMF1-IMF6模態分量，如圖6所示?？梢钥闯?，從未接觸磨削、欠接觸磨削到接觸磨削，較高頻分量的幅值依次明顯變大。其中欠接觸磨削和接觸磨削過程增幅最大的IMF2、IMF3和IMF4分量對應的頻率為（100～200）kHz之間，它們和原始信號的關系最密切，相關性系數也最大。

圖5 相關性系數Fig.5 Correlation Coefficient

圖6 EEMD模態分解Fig.6 EEMD Modal Decomposition

5 聲發射信號特征提取

通過分析處理后的聲發射信號，用各IMF分量的有效值和方差值對接觸狀態進行識別。有效值和方差值的計算公式如下所示：其中，N—樣本點數；Xi—該樣本第i個數據值；μ—該段數據的平均值。

各分量的有效值和方差，如圖7所示。未接觸磨削狀態、欠接觸磨削狀態和接觸磨削狀態高頻分量的有效值和方差均有明顯變化。其中，IMF2、IMF3和IMF4分量的變化最為顯著。

圖7 模態分解RMS和方差值Fig.7 Modally Decompose RMS and Variance Values

6 基于支持向量機的磨削接觸狀態識別

對磨削接觸狀態的識別屬于分類問題［9］，常用的分類算法有人工神經網絡、支持向量機和決策樹等。支持向量機通過使用核函數解決了線性不可分的問題；用SMO求解原問題通過拉格朗日對偶轉換的對偶問題，這使其比其他分類方法具有更高的效率。

實驗采集了用相同加工參數加工同一類滾輪的聲發射信號數據。每20ms的數據為一個樣本段，提取一個樣本段的IMF1-IMF6模態分量的Vrms和Vvar值作為一個特征向量。從提取的所有特征向量中隨機選擇300組建立數據集，其中未接觸磨削，欠接觸磨削和接觸磨削各100組。從三組中各劃分80組為訓練集，其余為測試集。數據集，如表2所示。表中前100組為未接觸磨削狀態數據，后100組為接觸磨削狀態數據。為了避免特征值量級不同對結果的影響［10］，對數據進行標準化處理。將處理后的數據輸入支持向量機中進行訓練。金剛石砂輪磨削金剛石滾輪共有三種狀態，屬于三分類問題。采用一對一方案，訓練三個分類器對磨削接觸狀態進行識別。使用驗證集對訓練好的模型進行測試。測試結果，如表3所示?？梢钥闯鰧δハ鹘佑|狀態識別的準確率為98.3%，實現了對磨削接觸狀態的準確識別。

表2 磨削數據集Tab.2 Grinding Data Set（a）RMS值

表3 磨削接觸狀態支持向量機分類Tab.3 Grinding Contact State Classification by Support Vector Machine

7 結論

和未接觸磨削相比，欠接觸磨削和接觸磨削過程中增加的聲發射信號頻率均在100kHz和200kHz附近，為高頻信號。說明磨削過程中，發生材料去除時的聲發射信號頻率在100kHz 和200kHz附近。對金剛石滾輪磨削過程中的聲發射信號進行模態分解，發現在不同的磨削階段，IMF1-IMF6分量的有效值和方差均有明顯變化。通過計算各分量的有效值和方差值構建特征向量并利用支持向量機搭建分類模型，可以準確的進行磨削接觸狀態識別。