磨削烧伤声发射智能监测的研究进展

郭 力 郭君涛 王 艺 王伟程

(湖南大学机械与运载工程学院/国家高效磨削工程技术研究中心, 湖南 长沙 410082)

磨削加工属于机械加工中的精加工，通常是制造链的最后一道工序。磨削加工过程复杂，随着对加工质量与加工效率的要求日益严格，磨削过程中的的监控和检测变的十分重要。在过去的20年中已经引入了各种技术，如用磨削力、振动、声发射(acoustic emission, AE)等各种信号来监测磨削过程。

磨削加工中刀具工件局部材料结构会发生改变，发射弹性波，产生声发射现象。基于这种AE信号在磨削过程产生的机理，AE检测被认为是最适合于磨削过程的监测技术。在磨削过程中AE信号的发射源主要有：工件的弹塑性变形和裂纹的形成；砂轮磨粒与工件之间的摩擦、弹性接触；磨粒的掉落和破碎、粘接剂的掉落；砂轮堵塞、切削液噪声和电气噪声等。这些AE信号与磨削加工中砂轮的状态、工件表面质量、磨削加工参数精密相关，因此可以通过AE信号对磨削加工进行检测与分析，实现对磨削加工过程的监控和加工质量的评估。研究表明，磨削过程中塑性变形引起的AE信号的主要频率范围在100～300 kHz之内，其他噪声如砂轮堵塞、切削液噪声主要频率范围在100 kHz之下，电气噪声的主要频率范围在1 000 kHz之上，这些频率分布特性为研究磨削过程中AE信号提供了良好的条件[1]。

AE检测技术在磨削加工的应用开始于1984年，加州伯克利分校的Doerfeld教授发现AE信号的RMS(有效值)会随着砂轮的磨损而增大，其敏感度更胜于磨削力的检测。在此之后有大量学者和机构对AE检测在磨削中的应用进行了大量的研究，除了在磨削烧伤中的应用外，在砂轮接触监控、工件表面粗糙度、砂轮的钝化和修整等方面也取得了不错的成果。近些年来，基于AE的磨削在线智能监测系统已经成为了研究的热点。

1 磨削加工中的AE信号的分析

磨削加工中的声发射检测的目的是将传感器采得的信号进行分析，尽可能完整地找出磨削加工中的有关特征值，并进行提取识别，建立它与声发射源状态间的映射关系，从而实现对磨削状态的识别与监控。磨削加工过程中的声发射检测一般有4个过程：AE信号采集、信号处理分析、特征提取、智能识别。AE信号的采集是声发射检测中的重要一环,使用信号采集系统实现，声发射传感器对声发射的信号采集至关重要。全波形全数字化多通道声发射检测系统，诸如德国VALLEN公司的VS系列，美国PAC公司的SAMOS系统等在实际中得到了广泛的应用。声发射信号的分析、特征值提取以及智能识别的方法，在本文中归纳为经典和现代声发射分析方法两类。

经典声发射信号分析方法是简化波形的特征参数分析，包括计数分析、能量分析、幅度分析以及声发射信号参数分布分析和关联分析。参数分析法测量简单，操作方便，分析结果简便快捷，在AE实验与工程应用中应用广泛。但参数分析法只是针对AE信号波形的某几个特征进行分析；而AE信号中包含的大量磨削信息没有分析处理，这制约了其在智能磨削AE信号分析中的应用。

1.1 现代AE信号分析技术

频谱分析是将采集到的时域AE信号在频域展开并提取信号特征，分析AE源的信息。频谱分析技术主要分为以傅里叶分析为主的经典谱分析和以非傅里叶分析为主的现代谱分析。经典谱分析中快速傅里叶变换FFT和离散傅里叶变换DFT是最常用的波形分析方法，但不能反映局部的信号频率变化，只能有效地分析周期平稳信号或者查看整体的频率信息。短时傅里叶变换STFT的出现一定程度上解决了这个问题，它采用时域移动的窗函数与功率谱来处理信号，描述AE信号特征值在时频面上的分布，但窗函数一经选定就不再改变，不适用于对信号的多分辨率分析。

小波变换WT继承了STFT的局部化思想，同时又克服了窗函数不随频率变化的局限，可以在时域和频域同时表征信号局部特征，非常适合分析含有瞬态特征的声发射信号。将小波分解系数的均值、方差、小波系数局部极大值、小波分解部分的相关系数、功率等作为特征值的小波分析技术广泛应用于各类工程领域。实际加工中，磨削中的声发射信号是一种非周期性非平稳信号，因此利用WT技术可以很好的对其进行分析。

希尔伯特黄变换(Hillbert-Huang Transform，HHT)是一种较新的信号时频分析技术，特点是基于信号局部特征，适用于分析实际应用中的非线性非平稳磨削AE信号[2]。

模态声发射MAE是利用Lamb板波理论中声发射波的特点，将特定的物理过程和状态与声发射波形相联系[3]。它易于识别与分离AE源信号，具有准确的定位与较好的去噪能力，有良好的应用前景。但模态分析对探测装置的要求较高且对诸多环境因素十分敏感，因此模态分析的处理方法仍处于实验室研究阶段。

1.2 模式识别技术

模式识别技术通过找出适合提供样本特征值的分类器，并对其余的样本进行识别和分类。当前在磨削声发射检测技术中的模式识别方法主要有统计特征法，人工神经网络模式识别和支持向量机等多种识别手段。

统计特征法是从已知类别的样本特征中选取有助于分类的特征，分类学习不同类别的统计特征值，按照贝叶斯最小误差准则设计出决策超平面，然后通过这个决策平面方程对未知样本对应的特征值进行提取和分析，从而实现样本模式的分类[4]。

支持向量机SVM就是以统计学习理论与结构风险最小原理为基础，在训练样本识别误差最小的前提下，尽可能提高其分类能力[5]。SVM擅长于解决小样本，非线性以及高纬模式识别等问题，并在文本识别，生物信息等方面都有了成功的应用。最小二乘支持向量机LS-SVM具有比SVM运算快的优点。

模拟人脑对复杂信息的处理机制的模型称为人工神经网络ANN，简称神经网络。在输入与输出值之间没有明显线性关系或者明确数学模型表示时，神经网络通过对系统输入输出样本训练学习，在两者之间建立合适的映射关系。它具有很强的自适应、自学习以及容错能力，广泛应用于系统辨识、过程控制、系统故障诊断等领域。传统的神经网络如BP算法等在磨削过程中的声发射信号分析处理的应用中已经取得了巨大的成果[11]。

2006年，Hinton等人提出了深度学习的概念，大型记忆存储检索(LAMSTAR)神经网络可以更加接近人大脑的工作过程，已经成功地应用了一个LAMSTAR网络的AE信号全陶瓷轴承故障诊断[6]。深度学习神经网络擅长大规模数据的快速分析处理，将用于磨削加工中的AE信号在线监测中。

2 磨削烧伤的声发射监测

磨削烧伤是磨削过程中工件表层组织在瞬态高温作用下发生变化，在部分加工表面出现氧化变色，造成材料性质变差的现象。磨削烧伤十分复杂，包括了金相组织变化，磨削力和力比变化，显微硬度变化，残余应力变化等多种表现形式。传统的磨削烧伤的检测方法是针对不同的情况，选择不同的判别方法。常见的判别方法有表面颜色法、金相判别法、显微硬度法、酸洗法和涡流检测法等。但这些方法都需要检测被磨削表面才能判别烧伤是否发生，无法实现磨削烧伤的智能在线间接监测。

当磨削烧伤产生并恶化时磨削AE信号的会相应的发生变化，因此磨削烧伤的在线监测可以通过检测AE信号的变化来实现。早在1989年日本学者Eda H 等人[7]研究了在磨削精细陶瓷过程中产生的磨削裂纹是否可以通过监测AE信号检测到的问题，通过对比是否产生裂纹时的AE信号发现了以下现象：当有磨削裂纹产生时，能检测到1.0～1.2 MHz的AE信号，不产生磨削裂纹时，检测不到这个频段的AE信号。然后Eda H等[8]论述了声发射信号监测烧伤的可行性。他们根据磨削中采集的AE信号频谱的变化，将信号分为通过10 kHz高通滤波器的信号B与通过100～30 kHz带通滤波器的信号A两路,发现磨削烧伤程度与两路信号的比率A/B有很好的对应关系，磨削烧伤的在线监测可以利用这种关系来实现。Qiang liu等[9]利用小波包变换提取磨削中AE信号的特征值，并用模糊模式识别优化特征并识别磨削烧伤，成功将声发射技术用于磨削烧伤的监测中。之后Qiang liu等[10]通过磨削实验确定了CMSX4材料的临界烧伤温度，首次用激光照射模拟方法加热工件，将磨削中热诱导的AE信号与其他AE信号区分开来，利用小波包变换提取热诱导AE信号特征值，发现高温下热膨胀AE信号的能量分布主要集中在高频波段，当温度下降时，能量转移到低频带，这为AE检测在磨削烧伤中的应用奠定了基础。Xun Chen等[11]通过单颗磨粒划痕试验、拉伸试验和激光照射的一系列试验，将磨削过程中的声发射信号的机械特性和热特性分离开来，针对磨削过程中磨削烧伤的声发射特征较弱容易被其他声源合并的问题，通过一系列的实验并利用WPT小波包变换成功提取出代表温度的AE特征，发现机械诱发信号的辐射能量集中在100～550 kHz之间，磨削温度低时，AE能量集中在低频段即500 kHz左右，当磨削温度上升到可能导致磨削烧伤的高温时，热AE信号的能量将向高频带750 kHz显著移动。James Marcus Griffin等[12]针对磨削烧伤和磨削过程中的颤振问题，对STFT提取的AE特征值，采用遗传算法进行了多重分类，将磨削烧伤和颤振有效地识别出来。考虑到磨削烧伤的主要原因是砂轮的磨损，监测磨削热行为可以反应砂轮的磨损程度，Xun Chen等[13]进行了热声发射特征监测砂轮磨损性能的可行性研究，发现不论是激光或者磨削的热源诱导的热声发射信号都具有类似的特征。用激光照射实验训练的人工神经网络用于监测磨削过程中砂轮的磨损，可以有效减少训练神经网络的磨削实验次数，节省了成本。Arif Mohammed[14]通过用STFT提取激光照射试验中的AE信号特征值，训练出了可识别高温和低温AE数据的人工神经网络，并用于高温合金Inconel718材料的磨削烧伤识别，达到了71%的分类精度，表明激光照射试验中的AE信号特征可用于磨削烧伤的监测。杨振生[15]对磨削烧伤中的的AE信号分析检测，分析了磨削过程中AE信号，发现了烧伤中AE信号高频峰值高于低频峰值，与正常加工过程相反。然后提出基于AE信号“频谱矩心”的磨削烧伤恒特征值的表达方式。然后杨振生等[16]用Hilbert-Huang变换的时间频率分析方法来处理AE和振动信号时，发现烧伤发生时固有模态特征值IMF的前三个组分的边际谱幅值和第四、第五个IMF分量的边际谱频率增大，并将这两个特征值作为磨削烧伤检测的指标。Chen Xun等[17]通过单颗磨粒磨削等磨削机理的研究发现了声发射监测磨削效率的理论依据并解释了磨削中的声发射可以监测磨削热性能的原因。

由于磨削过程中影响因素复杂多变且收集到的AE信号的数据规模过大，提取反映磨削烧伤的AE特征值以及排除其他的干扰因素一直是磨削烧伤声发射检测的难点。目前采用激光模拟磨削烧伤，并运用时频域特征分析法分离和提取该过程中磨削烧伤特征值取得了良好效果。

3 AE监测在磨削其他方面的应用

大量的研究表明，当砂轮与工件接触时AE信号会发生明显变化，提取合适的阈值可作为精密磨削加工对刀的信号。潘永成[18]通过比较Cr12钢粗修砂轮时的Aerms值与特定阈值比较，判断Cr12钢与砂轮是否接触。郭力等[19]发现高效深磨中AE信号与磨削力信号的密切关系，可以用其特征值表征磨削力。利用声发射技术监测砂轮与工件的接触状态，可以准确判断，并防止碰撞，提高加工效率与加工安全性。当前，我们团队采用小波包分析陶瓷磨削AE信号，发现磨削接触时小波信号会有明显的变化，在陶瓷磨削接触的监测方面取得了成果。

3.1 砂轮钝化的监测

砂轮磨损是磨削过程中的常态，随着砂轮的磨损AE信号的强度会不断增强。PaweSutowski和Krzysztof Nadolny[20]通过对磨削过程中的AE信号波形进行相似性对比分析，来确定不同力引起的磨粒脱落对应的不同波类型，基于这种方法提出了一种新的砂轮钝化检测的方法。D. F. G. Moia[21]等人对AE信号通过神经网络进行深度学习，将砂轮状况分为锋利和钝化，在减少时间、成本和磨料过度磨损方面取得了很好的成果。Jeffrey Badger等[22]对磨削砂轮修整中砂轮主轴功率与AE信号强度之间的关系进行了分析，并提出了一种量化修整效率和砂轮锋利度的参数。Wenderson Nascimento Lopes等[23]利用计数率统计的方法对磨削加工中的AE信号进行分析，从而识别砂轮钝化情况。Mauricio Eiji Nakai等[24]人研究了金刚石刀具磨削陶瓷时的磨损时，用不同磨削深度下的声发射和切削功率信号训练四种神经网络组成的智能系统，自动获得最佳的估计模型，从而识别磨损状态。T.Warren Liao等[25]人通过收集磨削过程中的AE信号，通过自回归建模或离散小波分解提取特征参数，通过三种不同的特征选择方法找出最佳特征子集，包括两个基于蚁群优化的基于不同搜索策略的特征选择方法、顺序前向浮动选择法，用于砂轮状态监测。杨振声[5]提出了一种基于小波和支持向量机的砂轮磨损监测系统，对磨削加工中AE信号进行小波分析处理提取系数，结果输入使用SVM算法构造的分类系统中，实验结果表明在一些分类中精度能达到99%以上。

3.2 磨削表面粗糙度的监测

使用声发射技术能实现加工中磨削过程的在线检查，可以及时发现加工恶化，降低废品率。长春理工大学石建等[26]提出，首先利用小波分析的方法提取磨削AE信号的特征参数，输入到砂轮磨损状态识别模型BP神经网络中，然后将砂轮磨损状态、砂轮线速度、工件进给速度、磨削深度、磨削力比输入到BP神经网络，通过这些输入来训练BP神经网络，建立了磨削表面粗糙度在线监测模型。郭力等[27]利用BP神经网络从AE信号的特征值中提取了QT700-2材料表面粗糙度的信息并达到了较高的精度。Everaldo Araújo Dias等[28]通过实验对磨削加工中的AE信号与粗糙度进行对比，发现较低的修整速度产生了低的AE信号，而且还产生了较低的表面粗糙度值。认为声发射检测是检测表面粗糙度的一种较好的方法，确定了较低的AE信号会产生较好的表面粗糙度。陈冰等[29]发现超精密非球面磨削加工中的AE信号经过滤波和增强后发现可以对加工中的一些状态比如砂轮空程与加工定性监测，虽然由于噪声干扰没能将与表面粗糙度的AE特征提取出来，但这确是声发射监测在超精密非球面磨削加工中的有益探索。

4 智能磨削系统

自德国的工业4.0发表后，智能制造的概念出现在人们的视线之中。当前中国提出的《中国制造2025》的一个主攻方向也是“智能制造”，而智能检测是智能磨削领域的关键技术。

智能磨削系统能在磨削加工中在线监测加工质量，进而实时调整加工参数，实现对磨削过程的自动控制。在当前的智能磨削系统中，基于如AE传感器、力传感器、加速度传感器等多传感器融合的智能在线监测系统是最关键的一部分。通过例如模式识别、神经网络以及模糊理论等对多传感器采集的信号进行分析处理，从而实现对磨削加工的状态进行判断与识别。巩亚东,吕洋等[30]人提出了多传感器融合系统结构，将如图1所示系统分为信号层、模型层和融合层。声发射、功率、力等信号通过信号层处理传到模型层建立各种的过程模型，融合层基于前面的处理结果采用神经网络对特征数据进行融合。王起硕[31]通过LabVIEW和MATLAB，用AE传感器、激光测微仪、功率计以及多分量测力仪开发了一套多传感器融合系统，实现了磨削过程的在线检测。Niranjan Subrahmanya等人[32]基于expert knowledge/literature review的实验方法设计一个磨削实验，利用ESS来消除对AE传感器、加速度传感器和功率传感器信号中不相关的特征参数，从而留下一小部分保证精度的特征值。这种方法可以开发简单的基于可视化的模型以供工业中的使用。

通过智能磨削系统可以实时获得磨削状态信息，对磨削接触、工件表面粗糙度、磨削烧伤、磨削裂纹、砂轮钝化等监控和判别，并反馈到控制系统中，根据反馈信息对加工程序和参数进行调整，平衡磨削质量与磨削成本，从而达到最佳效果。以声发射技术为主多传感器智能磨削系统可以极大地提高磨削过程中的智能化与自动化。

5 结语

虽然对AE信号的分析方法也有多种多样，提取AE信号中重要的特征参数仍然还是一个难点。基于磨削加工中海量AE信号与当前设备计算能力的限制，磨削智能AE在线检测方面的应用还是一种在实验室或者有限的条件下的应用。

当前，磨削加工中的声发射检测技术的发展方向主要在于通过对磨削加工中的声发射信号进行在线检测分析，从而确定磨削过程中的工件烧伤、裂纹、表面质量和刀具磨损状态等参数，实现磨削加工中智能在线监测，是磨削加工智能化和自动化的关键技术，能大幅降低成本，提高加工质量。除此之外，对声发射发生机理的研究和新的快速高效的信号处理技术的开发与应用也是一个十分重要且有难度的方向。同时，磨削声发射计算机仿真模拟也是研究智能磨削监测的一个很有意义的突破口。

未来声发射技术在磨削过程中的应用也将趋向于与多种传感器技术相结合，借助计算机汇总磨削过程中的各种信号，进行AE信号的综合处理分析，从而对磨削过程作出全面准确的判断，为磨削加工过程的工艺控制提供智能决策依据。

[1]Kim H Y, Kim S R,Ahn J H, et al. Process monitoring of centerless grinding using acoustic emission[J]. Journal of Materials Processing Tech,2001,111(1):273-278.

[2]孙惠斌,牛伟龙,王俊阳.基于希尔伯特黄变换的刀具磨损特征提取[J].振动与冲击,2015,34(4):158-164.

[3]耿荣生,沈功田,刘时风.模态声发射基本理论[J].无损检测,2002(7):302-306.

[4]沈功田．声发射检测技术及应用[M]．北京：科学出版社，2015.

[5]Yang Z, Yu Z. Grinding wheel wear monitoring based on wavelet analysis and support vector machine[J]. International Journal of Advanced Manufacturing Technology, 2012, 62(1-4):107-121.

[6]Yoon J M, He D,Qiu B. Full ceramic bearing fault diagnosis using LAMSTAR neural network[C]// Prognostics and Health Management. IEEE, 2013:1-9.

[7]Eda H,Kishi K, Xia S, et al. In process Detection of Grinding Cracks in Fine Ceramics by the Use of Acoustic Emissions[J]. Transactions of the Japan Society of Mechanical Engineers C, 1989, 55(511):797-801.

[8]Eda H,Kishi K, Usui N, et al. In-process Detection of Grinding Burn by Means of Utilizing Acoustic Emission[J]. Journal of the Japan Society of Precision Engineering, 1984, 49:1257-1262.

[9]Liu Q, Chen X,Gindy N. Fuzzy pattern recognition of AE signals for grinding burn[J]. International Journal of Machine Tools & Manufacture, 2005, 45(7-8):811-818.

[10]Liu Q， Chen X, Gindy N. Investigation of acoustic emission signals under a simulative environment of grinding burn. International Journal of Machine Tools and Manufacture, 2006, 46 (3-4): 284-292.

[11]Chen Xun. Mechanical and thermal behaviours of grinding acoustic emission.[J]. International Journal of Manufacturing Technology & Management, 2007, 12(1-3):184-199.

[12]Griffin J M, Chen X. Multiple classification of the acoustic emission signals extracted during burn and chatter anomalies using genetic programming[J]. International Journal of Advanced Manufacturing Technology, 2009, 45(11-12):1152-1168.

[13]Chen X, Mohamed A,Folkes J. Grinding monitoring through thermal acoustic emission signatures[J]. Advanced Materials Research, 2011, 325:287-293.

[14]Arif Mohammed, Janet Folkes, Xun Chen. Detection of grinding temperatures using laser irradiation and acoustic emission sensing technique[J]. Advanced Manufacturing Processes, 2012, 27(4):395-400.

[15]杨振生. 面向磨削烧伤问题的间接监测技术研究[D]. 杭州：浙江大学, 2013.

[16]Zhensheng Yang, Zhonghua Yu, Chao Xie, et al. Application of Hilbert-Huang transform to acoustic emission signal for burn feature extraction in surface grinding process[J]. Measurement,2014, 47(1):14-21.

[17]Chen X,Öpöz T T. Effect of different parameters on grinding efficiency and its monitoring by acoustic emission[J]. 2016, 4(1):190-208.

[18]潘永成. 金刚石砂轮精密修整及其声发射在线监测技术研究[D].哈尔滨：哈尔滨工业大学, 2014.

[19]郭力,杜厚斌,邓喻.硬质合金PA30高速深磨过程中声发射信号特征的变化研究[J].金刚石与磨料磨具工程,2017,37(3):35-39.

[20]Sutowski P, Nadolny K. The identification of abrasive grains in the decohesion process by acoustic emission signal patterns[J]. International Journal of Advanced Manufacturing Technology, 2016, 87(1-4):1-14.

[21]Moia D F G, Thomazella I H, Aguiar P R, et al. Tool condition monitoring of aluminum oxide grinding wheel in dressing operation using acoustic emission and neural networks[J]. Journal of the Brazilian Society of Mechanical Sciences & Engineering, 2015, 37(2):627-640.

[22]Badger J, Murphy S, O'Donnell G E. Acoustic emission in dressing of grinding wheels: AE intensity, dressing energy, and quantification of dressing sharpness and increase in diamond wear-flat size[J]. International Journal of Machine Tools & Manufacture, 2017.

[23]Lopes W N, Ferreira F I, Alexandre F A, et al. Digital signal processing of acoustic emission signals using power spectral density and counts statistic applied to single-point dressing operation[J].Iet Science Measurement & Technology, 2017, 11(5):631-636.

[24]Nakai M E, Aguiar P R, Jr H G, et al. Evaluation of neural models applied to the estimation of tool wear in the grinding of advanced ceramics[J]. Expert Systems with Applications, 2015, 42(20):7026-7035.

[25]Liao T W. Feature extraction and selection from acoustic emission signals with an application in grinding wheel condition monitoring[J]. Engineering Applications of Artificial Intelligence, 2010, 23(1):74-84.

[26]石建. 基于声发射技术磨削表面粗糙度在线检测研究[D].长春：长春理工大学, 2014.

[27]郭力,李波.高速深切磨削曲轴材料QT700-2表面粗糙度的在线监测[J].精密制造与自动化,2013(4):19-21, 26.

[28]Dias E A, Pereira F B,Filho S L M R, et al. Monitoring of through-feed centreless grinding processes with acoustic emission signals[J]. Measurement, 2016, 94:71-79.

[29]陈冰,李时春,邓朝晖,等.基于旋转声发射的非球面超精密磨削在线监测研究[J]. 兵器材料科学与工程，2018，41(1)：8-12.

[30]巩亚东, 吕洋, 王宛山,等. 基于多传感器融合的磨削砂轮钝化的智能监测[J]. 东北大学学报, 2003, 24(3):248-251.

[31]王起硕. 基于多传感器融合的微晶刚玉砂轮磨削性能在线检测系统的研究[D]. 济南：山东大学, 2017.

[32]Subrahmanya N, Shin Y C. Automated Sensor Selection and Fusion for Monitoring and Diagnostics of Plunge Grinding[J]. Journal of Manufacturing Science & Engineering, 2008, 130(3):876-877.