1、網(wǎng)絡(luò)的磨削聲監(jiān)控研究     平面磨削是加工高精度零件的一個重要加工方法，磨削效果的好壞直接影響到產(chǎn)品的最終質(zhì)量和性能。在平面周邊磨削加工中表面粗糙度在線檢測、砂輪狀態(tài)監(jiān)控、砂輪接觸有效識別等直接影響磨削的效率和磨削的質(zhì)量。如何有效的實(shí)現(xiàn)磨削過程的智能監(jiān)控，以更好的提升磨削過程效率，改善磨削質(zhì)量，提高磨削過程的智能化程度具有很重要的研究價值。材料或結(jié)構(gòu)受外力或內(nèi)力作用產(chǎn)生變形或斷裂，以彈性波形式釋放出應(yīng)變能的現(xiàn)象稱為聲發(fā)射。在磨削監(jiān)測領(lǐng)域，聲發(fā)射可應(yīng)用于工件的磨削燒傷檢測、磨削裂紋檢測、粗糙度監(jiān)測，及磨削力檢測、對刀判斷、砂輪磨損檢測等多種功能檢測是進(jìn)行

2、磨削過程智能監(jiān)控的有效技術(shù)。很多學(xué)者采取了諸如神經(jīng)網(wǎng)絡(luò)1、粗糙集理論2、專家系統(tǒng)3等方法對磨削過程中的聲發(fā)射信號進(jìn)行了分離、辨識，以研究不同特征的聲發(fā)射信號和各種磨削狀態(tài)間的關(guān)系，也獲得了很多成果。雖然上述一些理論已取得一定成果，但其故障診斷精度對磨削過程中的樣本數(shù)據(jù)的依賴都比較大，當(dāng)在樣本數(shù)據(jù)較難以獲得時，智能診斷技術(shù)的實(shí)現(xiàn)存在很大困難。貝葉斯網(wǎng)絡(luò)是貝葉斯方法與圖模型理論的有機(jī)結(jié)合，由于其能夠?qū)⑾闰?yàn)知識與樣本信息相結(jié)合、依賴關(guān)系與概率表示相結(jié)合，使得貝葉斯網(wǎng)絡(luò)在訓(xùn)練數(shù)據(jù)不完整、不確定性推理等情況下可以獲得較好的結(jié)果，因而在信息濾波、車輛自動導(dǎo)航、武器制導(dǎo)、醫(yī)療診斷等諸多領(lǐng)域獲得了廣泛的應(yīng)用4

3、。考慮到磨削過程中聲發(fā)射信號和磨削狀態(tài)間也存在諸多不確定性，本文基于貝葉斯網(wǎng)絡(luò)來構(gòu)建磨削過程智能監(jiān)控模型。1貝葉斯網(wǎng)絡(luò)模型貝葉斯方法認(rèn)為任何一個未知變量都可看作是一個隨機(jī)變量，可用一個概率分布去描述它的未知狀況。這個概率分布是在抽樣前就有的關(guān)于變量的先驗(yàn)信息的概率描述，稱為先驗(yàn)分布。貝葉斯學(xué)習(xí)與推理都可用概率規(guī)則來實(shí)現(xiàn)。在定性層面，貝葉斯網(wǎng)用一個有向無圈圖描述了變量之間的依賴和獨(dú)立關(guān)系。在定量層面上，貝葉斯網(wǎng)用條件概率分布刻畫了變量對其父節(jié)點(diǎn)的依賴關(guān)系。在語義上，貝葉斯網(wǎng)是聯(lián)合概率分布分解的一種表示，把各變量所附的概率分布相乘得到聯(lián)合分布5。對于一個包含多個變量的聯(lián)合分布PX1，X2，Xn，由

4、鏈規(guī)則可得i由變量集中所有或部分變量的狀態(tài)構(gòu)成的向量稱為數(shù)據(jù)樣本，簡稱樣本。若干數(shù)據(jù)樣本一起組成了數(shù)據(jù)組。當(dāng)數(shù)據(jù)樣本中，所有變量的狀態(tài)都已知時，該樣本稱為完整樣本;當(dāng)有些變量的狀態(tài)未知時，稱為缺值樣本。貝葉斯網(wǎng)絡(luò)可以進(jìn)行基于完整樣本的學(xué)習(xí)和基于不完整樣本的學(xué)習(xí)以建立合理的貝葉斯推理機(jī)制。2聲發(fā)射監(jiān)控系統(tǒng)磨削過程中砂輪與工件接觸形成的沖擊、工件塑性變形、砂輪粘接劑破裂、砂輪磨粒崩碎、工件裂紋、砂輪與工件摩擦等均可發(fā)射出彈性波這些彈性波就稱其為聲發(fā)射6，聲發(fā)射示意如圖1所示。聲發(fā)射信號采集系統(tǒng)的原理是:聲發(fā)射源發(fā)出的彈性波，經(jīng)介質(zhì)傳播到達(dá)被檢物體表面，引起表面的機(jī)械振動;經(jīng)聲發(fā)射傳感器將表面的瞬態(tài)

5、位移轉(zhuǎn)換成電信號;聲發(fā)射信號再經(jīng)放大器進(jìn)行放大、處理后，形成其特性參數(shù)，并被儲存;最后經(jīng)數(shù)據(jù)的解釋，評定出聲發(fā)射源的特性。磨削智能監(jiān)控系統(tǒng)的目標(biāo)是通過監(jiān)控聲發(fā)射信號實(shí)現(xiàn)預(yù)測工件粗糙度、監(jiān)測砂輪鈍化、砂輪接觸判斷等磨削智能功能。磨削產(chǎn)生的聲發(fā)射信號與砂輪的磨削狀態(tài)相關(guān)，影響因素有磨削用量、砂輪材料、工件材料等。在工廠加工過程中，磨床往往長期加工同一種零件，所以工件材料、砂輪材料一般固定不變。因此，本文確定變量集為砂輪與工件的接觸狀態(tài)、砂輪鈍化的狀態(tài)和工件粗糙度，磨削深度、工作臺進(jìn)給速度、砂輪速度、軸向進(jìn)給量和聲發(fā)射信號特征值。而網(wǎng)絡(luò)中的節(jié)點(diǎn)分別代表這個變量集中的各個變量。整個磨削智能監(jiān)控系統(tǒng)主要

6、由磨削監(jiān)測軟件、聲發(fā)射檢測系統(tǒng)及信號預(yù)處理和數(shù)控平面磨床構(gòu)成，如圖2所示。聲發(fā)射處理部分采用SR150C型AE傳感器，其頻率范圍為60kHz400kHz，諧振頻率為150kHz，靈敏度峰值65dB。后接聲華PAI型前置放大器以實(shí)現(xiàn)阻抗匹配和提高信噪比，信號未經(jīng)濾波后直接接入采集卡作后續(xù)處理。選用DAQ-2010高速同步數(shù)據(jù)采集卡其傳輸速率為132MB/s，有14位的A/D轉(zhuǎn)換可以滿足磨削過程監(jiān)控的要求。由于磨削監(jiān)測系統(tǒng)貝葉斯網(wǎng)絡(luò)需要實(shí)現(xiàn)的功能包括網(wǎng)絡(luò)的構(gòu)建、學(xué)習(xí)和推理，因此本系統(tǒng)包含了網(wǎng)絡(luò)構(gòu)建、順序網(wǎng)絡(luò)學(xué)習(xí)、批量網(wǎng)絡(luò)學(xué)習(xí)和網(wǎng)絡(luò)推理這4個模塊。此外的還有一些輔助功能模塊主要提供各種人機(jī)界面，進(jìn)行

7、文件的存儲等。該系統(tǒng)的設(shè)計給貝葉斯網(wǎng)絡(luò)的建立和推理提供了有效的、便利的通用環(huán)境，力求界面簡單、直觀、易于操作和掌握，同時該平臺所包含的基本功能能夠用于實(shí)際網(wǎng)絡(luò)的建立和推理。圖3所示是磨削智能監(jiān)控軟件結(jié)構(gòu)。平面磨削的工藝參數(shù)包括砂輪線速度、工作臺進(jìn)給速度、軸向進(jìn)給量和磨削深度，分別作為貝葉斯網(wǎng)絡(luò)N的4個節(jié)點(diǎn)vs，vw，ap，fa。磨削參數(shù)在實(shí)際生產(chǎn)過程中，由磨削工藝員制定，且是離散的，在本文建立模型中，為研究方便，各磨削參數(shù)分別只有兩個離散值，即3個節(jié)點(diǎn)分別只有兩個狀態(tài)。設(shè)定3個節(jié)點(diǎn)的變量域vs=15，20m/s，vw=10，20m/min，ap=10，20m，fa=2，5mm。圖4是磨削狀態(tài)貝

8、葉斯網(wǎng)絡(luò)構(gòu)建界面，圖5是磨削監(jiān)測中貝葉斯網(wǎng)絡(luò)的有向無環(huán)圖。其中砂輪線速度、工作臺進(jìn)給速度、軸向進(jìn)給量和磨削深度，分別作為貝葉斯網(wǎng)絡(luò)N的4個節(jié)點(diǎn)vs，vw，ap，fa，砂輪磨損狀態(tài)設(shè)為變量wd，砂輪接觸狀態(tài)設(shè)為變量cd，Ra和AErms分別為節(jié)點(diǎn)的粗糙度和聲發(fā)射信號的值。考慮到節(jié)點(diǎn)狀態(tài)劃分的必要條件是滿足變量域窮盡變量的所有狀態(tài)，又盡量使劃分簡單、方便，故本文以等寬區(qū)間法為主，輔以等頻區(qū)間法，聲發(fā)射信號AErms及粗糙度Ra的劃分狀態(tài)如表1及表2所示，而其它變量的狀態(tài)值和實(shí)際值的取值如表3和表4所示。3實(shí)驗(yàn)研究實(shí)驗(yàn)以數(shù)控平面磨床磨削工件的粗糙度、砂輪磨損狀態(tài)、砂輪接觸狀態(tài)與磨削工藝參數(shù)、磨削聲發(fā)

9、射信號之間的關(guān)系為研究對象7。基于數(shù)控平面磨床ML3010，粗糙度儀Surtronic25。磨削用砂輪為白剛玉砂輪，其寬度為100mm，外徑為500mm。磨削方式采用平面周邊磨削，冷卻液為水基冷卻液，工件為Q235鋼件，長度為300mm，寬度為50mm。因?qū)嶒?yàn)用工件寬度小于砂輪寬度，且為了方便實(shí)驗(yàn)驗(yàn)證故簡化模型，在實(shí)驗(yàn)中無軸向進(jìn)給量，即軸向進(jìn)給量在貝葉斯網(wǎng)絡(luò)中為恒定值，一直處于某一狀態(tài)。考慮到平面磨削的工藝特點(diǎn)，砂輪線速度選用15m/s，25m/s;工作臺進(jìn)給速度選用10m/min，20m/min;磨削深度選用10m，20m;軸向進(jìn)給量節(jié)點(diǎn)刪去，砂輪有修整后及磨損后兩種狀態(tài)，每加工一次零件，都

10、采集一次全部磨削過程(從進(jìn)刀、磨削到退刀)的聲發(fā)射信號。磨削后的每個零件，都使用粗糙度儀在磨削表面采用測兩點(diǎn)求平均值的方法。網(wǎng)絡(luò)參數(shù)學(xué)習(xí)中，各點(diǎn)的先驗(yàn)概率如表5所示。為建立樣本數(shù)據(jù)庫及驗(yàn)證智能監(jiān)控模型的有效性，總共進(jìn)行了48組不同網(wǎng)絡(luò)狀態(tài)下的實(shí)驗(yàn)。其中前32組實(shí)驗(yàn)用于貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)及推理，而后16組用于監(jiān)控模型的驗(yàn)證。由于其中聲發(fā)射信號可以分段提取，包括空行程和磨削階段的信號值，所以每組實(shí)驗(yàn)可得到砂輪接觸cd節(jié)點(diǎn)兩個狀態(tài)下的貝葉斯網(wǎng)絡(luò)參數(shù)的樣本。將樣本數(shù)據(jù)輸入磨削監(jiān)測系統(tǒng)軟件學(xué)習(xí)界面中，進(jìn)行批量學(xué)習(xí)。通過磨削監(jiān)測系統(tǒng)軟件的批量學(xué)習(xí)模塊后，實(shí)現(xiàn)貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)。最終監(jiān)控模型對后16組數(shù)據(jù)進(jìn)

11、行了表面粗糙度、砂輪鈍化、砂輪接觸識別的預(yù)測結(jié)果分別如圖6圖8所示。對于砂輪鈍化的識別，除11及12號工件磨削時沒有識別出鈍化外，其它情況均得到很好的預(yù)測。圖8可見，對于砂輪接觸識別所有工件的實(shí)測及預(yù)測值吻合的較好。在數(shù)控磨床磨削狀態(tài)智能監(jiān)測的貝葉斯網(wǎng)絡(luò)中，其網(wǎng)絡(luò)推理準(zhǔn)確度很高，在上述的3個功能驗(yàn)證中，相對誤差值都較低，可達(dá)到工程應(yīng)用要求。由于條件限制，本文中對砂輪鈍化下相對于在砂輪未鈍化下采集的樣本數(shù)量較少，但并沒有造成貝葉斯網(wǎng)絡(luò)的失效，說明貝葉斯網(wǎng)絡(luò)在樣本數(shù)據(jù)較少的情況下，其概率推理仍然具有很高的可信度，這一特點(diǎn)證明了貝葉斯網(wǎng)絡(luò)的方法很適合用在數(shù)控磨削的智能監(jiān)測建模中。4結(jié)束語本文中研究并設(shè)