基于声发射的磨削表面粗糙度模型及实验验证＊

2023-12-21尹国强丰艳春韩华超李东旭

金刚石与磨料磨具工程 2023年5期

尹国强，丰艳春，韩华超，李东旭，李超

（沈阳仪表科学研究院有限公司,沈阳 110043）

近年来，难加工材料如高温合金、钛合金、复合材料等被广泛应用。其磨削加工过程中，材料表面粗糙度不易控制，甚至会产生磨削烧伤和微裂纹[1-2]。因此，迫切需要可以准确预测工件磨削表面粗糙度的方法，以提高生产效率。同时，随着磨削加工向自动化、智能化发展，通过传感器采集磨削加工中的状态信息，可以利用人工神经网络分析判断其磨削过程[3]。

声发射技术作为一种成熟的无损监测方法，灵敏度高、抗干扰能力强，常用于磨削监测。此外，声发射（acoustic emission，AE）信号中包含了丰富的磨削过程信息，其信号的时域和频域特征与砂轮和工件的接触状况、工件的表面质量等都有着非常紧密的联系，因此利用AE信号对磨削过程进行监测是可行的[4-5]。DING等[6]使用AE传感器收集磨削信号，构建了基于模糊神经网络算法的表面粗糙度预测模型，探究了表面粗糙度与砂轮磨削参数和磨损状况的关系。ARUN等[7]建立了由压电式AE传感器、外圆磨床以及相关的信号处理软硬件组成的实验装置，将采集到的AE信号特征与工件的表面粗糙度进行了比较和关联，发现二者之间有很强的相关性。LIU等[8]将AE信号监测用于蓝宝石晶圆的抛光，发现AE信号的有效值和材料去除率密切相关，并开发了预测加工结果的数学模型，其误差<12%。HWEJU等[9]建立了3个不同的用AE信号预测表面粗糙度的模型并进行比较，根据模型误差衡量AE信号参数与表面粗糙度预测精度的相关程度，进而给出了部分加工参数和表面粗糙度的相关程度。郭力等[10]开展硬质合金PA30的高速深磨AE实验，发现随着工件速度升高和磨削切深增大，AE信号特征参数均方根和磨削力变大；随着砂轮速度升高，二者同时减小。

采用单一特征参量监测磨削状态时，精度较低。为了提高磨削监测的精度，对多信息融合的原理和方法进行了大量研究，认为其在磨削加工监测方面具有广阔的应用前景。PANDIYAN等[11]利用加速度传感器、AE传感器和力传感器监测砂带磨削过程，利用遗传算法优化从传感器采集的信号，得到输入特征较少的子集，并利用k最紧邻（k-nearest neighbor，kNN）技术的分类精度作为遗传算法的适应度函数，将子集特征在MATLAB中进行训练。通过实验验证，该研究提出的加工过程中砂带状态的监测模型具有较高准确率。MAHATA等[12]等提出了一种利用Hilbert变换对外圆磨削砂轮磨损量进行准确、及时识别的新方法，并采用加速度传感器和动力电池的振动信号和功率信号来识别砂轮的磨损状态。经验证，该方法在高、低切削深度下均能达到100%的精度。QI等[13]建立了由力、振动、声、AE传感器组成的并行多传感器集成磨削系统，提出了一种基于改进的马氏距离和卷积神经网络的多信息融合的砂带状态监测方法。实验结果表明，采用该方法对16种工况下的砂带磨损阶段识别精度不低于94%，对其他砂带磨损阶段的识别精度在86%以上。WANG等[14]采用视觉与声音融合的多传感器方法对磨削过程中的材料去除率进行监测，分别采集不同磨削参数下的砂带磨削实验图像和声音信号，并对其进行特征提取，选择最优特征子集。利用所选特征子集和改进的LightGBM算法建立了材料去除率预测模型，其误差<3%。

近些年的研究建立了很多AE信号与加工过程联系的方法，为难加工材料加工过程中的AE信号预测模型的建立奠定了基础。因此，在借鉴相关研究的基础上，通过分析3种典型难加工材料的磨削过程，探究磨削参数对AE信号不同特征参量和频谱的影响；并采用BP神经网络算法，建立磨削表面粗糙度多信息融合预测模型，进而总结出AE信号各特征参量与磨削加工后表面粗糙度的对应关系，以期为实际生产加工提供一种预测和辅助监测方法。

1 磨削实验

磨削实验系统包括AE采集系统和2M9120工具磨床，如图1、图2所示。其中，AE信号采集系统包括鹏翔科技生产的PXDAQ12204标准版数据采集卡，富士株式会社生产的AE144S谐振式高灵敏度声发射传感器和鹏翔科技生产的PXPA III低频声发射前置放大器。数据采集卡的数据传输速度为132 Mb/s，信号带宽为5 kHz～4 MHz；声发射传感器的灵敏度为(70 ± 3) dB，谐振频率为(140 ± 28) kHz；前置放大器的带宽为5～200 kHz，增益为40 dB。

图1 磨削实验系统Fig.1 Grinding test system

图2 2M9120型工具磨床Fig.2 2M9120 tool grinding machine

仪器采集到的AE信号经由传感器、放大器和数据采集卡再传输到电脑中，然后软件处理输出为AE参数。AE信号的有效值与信号的大小有关，主要用于连续型AE信号活动的评价；振铃计数值指的是AE信号超过检测门槛的次数，能反应AE信号的强度和幅度。磨削用砂轮为树脂结合剂和陶瓷结合剂CBN砂轮2种（分别用A和B命名），砂轮磨粒的尺寸范围为125～150 μm（粒度号为100/120），浓度为100%，磨料层宽度和厚度均为5 mm，砂轮直径为180 mm，内孔直径为32 mm，砂轮采用铝合金基体。

分别用砂轮A和砂轮B磨削GH4169高温合金、TC4合金以及SiCp/Al复合材料（分别用1、2、3命名）等3种工件，得到A1、A2、A3和B1、B2、B3共6种磨削组合。采用干磨削方式，工件宽度为18 mm，长度为40 mm，厚度为25 mm。采用单因素实验方法，分别研究不同磨削深度、砂轮速度、工件进给速度等磨削工艺参数、工件材料、砂轮种类，对AE信号有效值，AE信号振铃计数值和快速傅里叶变换（fast Fourier tansform，FFT）峰值的影响。单因素磨削实验参数见表1。

表1 单因素实验参数Tab.1 Single factor experimental parameters

2 实验结果及分析

2.1 磨削AE信号的频谱分析

在磨削过程中，磨削参数的变化也会导致AE信号频谱发生一定程度的变化。以树脂结合剂CBN砂轮磨削GH4169高温合金为例，将实验过程中采集的声发射信号时域波形进行FFT，分析各磨削参数对声发射信号频谱的影响。发现不同磨削参数对应的AE信号频谱的主要能量集中频段的峰值差别较大，如图3、图4、图5所示。

图3 磨削深度对AE信号频谱的影响Fig.3 Influences of grinding depths on AE signal spectrum

图4 砂轮线速度对AE信号频谱的影响Fig.4 Influences of grinding wheel linear speeds on AE signal spectrum

图5 进给速度对AE信号频谱的影响Fig.5 Influences of feed speeds on AE signal spectrum

由图3可知：以不同磨削深度磨削GH4169高温合金时，对应的频谱幅值都主要分布在90～140 kHz，其他频段的频谱幅值都非常小；随着磨削深度的增大，该频段的频谱幅值在逐渐增大。这是因为频谱幅值的大小代表了磨削过程中释放能量的大小，磨削深度越大，磨削过程中释放的能量越多，故频谱幅值就越大。

由图4知：随着砂轮线速度升高，主要能量集中频段90～140 kHz的频谱幅值在逐渐减小。这是因为随着砂轮线速度升高，材料的应变率减小、塑性变形程度减轻，释放的能量减少，所以对应的频谱幅值逐渐减小。

由图5可知：随着进给速度升高，主要能量集中频段90～140 kHz的频谱幅值在逐渐增大。这是因为随着进给速度升高，单位时间内的材料去除量增多，材料的应变率随之增大，释放的能量随之增多，故频谱幅值逐渐增大。

2.2 工艺参数对AE信号特征参数的影响

2.2.1 磨削深度ap的影响

磨削深度ap对AE信号有效值的影响如图6所示。从图6中可知：AE信号有效值都随ap的增大而增大。这是因为随着磨削深度增大，材料的去除体积逐渐变大，而砂轮线速度、工件进给速度和工件的外廓尺寸保持不变，使单位材料去除率增大，磨屑变形增大，释放能量增多，所以AE信号有效值增大。另外，增大磨削深度会使砂轮与工件的接触面积增大，磨削力增大，砂轮与工件之间的相互作用增强，这对AE信号有效值也有增大的作用。

图6 磨削深度对AE信号有效值的影响Fig.6 Influences of grinding depths on effective values of AE signal

从图6中还可看出，不同磨削材料对应的AE信号有效值差别较大。磨削TC4钛合金对应的AE信号有效值要明显高于磨削GH4169高温合金对应的AE信号有效值；而在磨削SiCp/Al复合材料时，由于SiC颗粒的破碎会释放大量的能量，故其AE信号有效值很大。使用不同砂轮进行磨削时，树脂结合剂CBN砂轮磨削对应材料的AE信号有效值比陶瓷结合剂CBN砂轮的更大。这是因为树脂砂轮的刚性较弱，参与磨削的磨粒数量更多，会产生更大的磨削力，磨粒与材料之间的相互作用更强，材料的塑性变形更大，因此其对应的AE信号有效值就更大。

磨削深度ap对AE信号振铃计数值的影响如图7所示。从图7中可知，AE信号振铃计数值随着ap的增大而增大。这是因为随着磨削深度的增大，单颗磨粒与材料的接触面积增大，与材料的挤压接触强烈，材料去除明显，产生的AE信号增强，从而导致AE信号的振铃计数值增大。另外，增大磨削深度会使砂轮表面有更多的磨粒参与磨削，导致更多的磨粒与材料发生接触、划擦、碰撞等，进而导致振铃计数值增大。

图7 磨削深度对AE信号振铃计数值的影响Fig.7 Influences of grinding depths on ringing count values of AE signal

从图7中还可看出：磨削不同材料对应的AE信号振铃计数值的大小有一定差别。磨削TC4钛合金的AE信号振铃计数值相较于磨削GH4169高温合金的AE信号振铃计数值会更大一些；而在磨削SiCp/Al复合材料时，大量铝基体黏附在砂轮表面，使参与磨削的磨粒数变少，从而导致磨削时对应的AE信号振铃计数值变小。使用不同砂轮进行磨削时，树脂结合剂CBN砂轮磨削对应材料的AE信号振铃计数值比陶瓷结合剂CBN砂轮的更大。这是因为，树脂结合剂砂轮有良好的自锐性，参与磨削的有效磨粒数多；而陶瓷结合剂砂轮磨削时其表面的黏附现象较严重，因此参与磨削的有效磨粒数更少，进而导致其AE信号的振铃计数值相对较小。

2.2.2 砂轮线速度vs的影响

砂轮线速度vs对AE信号有效值的影响如图8所示。从图8中可知，AE信号有效值都随着vs的升高而减小。这是因为随着砂轮线速度升高，单位时间内通过磨削区的磨粒数增多，单颗磨粒的最大未变形切屑厚度减小，材料的应变率减小，单颗磨粒所受到的磨削力减小，工件表面上的划痕相对较浅，材料来不及产生足够的塑性变形就已经被去除。而磨削加工中材料的塑性变形越小，其释放的能量就越少，因其产生的AE信号有效值就越小。对比不同材料或不同砂轮时对应的AE信号有效值，可得到与上节图6相同的结论，这里不再赘述。

图8 砂轮线速度对AE信号有效值的影响Fig.8 Influences of grinding wheel linear speeds on effective values of AE signal

砂轮线速度vs对AE信号振铃计数值的影响如图9所示。从图9中可知，AE信号振铃计数值都随着vs的升高而增大。这是因为随着砂轮线速度升高，磨削区单位时间内参与磨削的磨粒数增多，磨粒与材料之间的碰撞和划擦次数增多，所以AE信号振铃计数值增大。对比不同材料或不同砂轮时对应的AE信号的振铃计数值，可得到与上节图7相同的结论，此处不再赘述。

图9 砂轮线速度对AE信号振铃计数值的影响Fig.9 Influences of grinding wheel linear speeds on ringing count values of AE signal

2.2.3 进给速度vw的影响

进给速度vw对AE信号有效值的影响如图10所示。从图10中可知，AE信号有效值都随vw的升高而增大。这是因为当进给速度升高时，单颗磨粒与材料的接触弧长增大，材料的未变形切屑厚度随之增大，进而导致磨削力增大。另外，随着进给速度增加，单位工件材料去除量增大，释放的能量增加，AE信号有效值也随之增大。对比不同材料或不同砂轮时对应的AE信号有效值，可得到之前图6、图8中相同的结论。

图10 进给速度对AE信号有效值的影响Fig.10 Influences of feed speeds on effective values of AE signal

进给速度vw对AE信号振铃计数值的影响如图11所示。从图11中可知，AE信号振铃计数值都随vw的升高而增大。这是因为随着进给速度升高，单位时间内材料的去除量增多，材料去除越来越明显，AE信号逐渐增强，故AE信号振铃计数值呈逐渐增大的趋势。对比不同材料或不同砂轮时对应的AE信号振铃计数值，可得到之前图7、图9中相同的结论。

图11 进给速度对AE信号振铃计数值的影响Fig.11 Influences of feed speeds on ringing count values of AE signal

2.3 磨削表面粗糙度与AE信号特征之间的对应关系

为了给后续表面粗糙度的预测模型增加预测的可靠性和提供可靠的输入参数，有必要探究AE信号的有效值、振铃计数值、FFT峰值和表面粗糙度的对应关系。

仍以树脂结合剂CBN砂轮磨削GH4169高温合金为例，采集其实验对应的AE信号特征参数，并对声发射时域波形进行FFT变换，得到实验对应的FFT峰值。用Micromeasure三维轮廓仪检测每次磨削后工件的表面粗糙度，得到13组磨削表面粗糙度Ra与AE信号特征参数间的对应关系，如图12所示。

图12 表面粗糙度与AE信号特征参数之间的关系Fig.12 The relationship between surface roughness and characteristic parameters of AE signal

观察图12a可以发现：磨削加工过程中不同的AE信号有效值对应的工件表面粗糙度值不同，且有效值越大，表面粗糙度值就越大。观察图12b可以发现：不同的AE信号振铃计数值对应的工件表面粗糙度值也不同，从总体的变化趋势来看，AE信号的振铃计数值越大，对应的表面粗糙度值就越大。观察图12c可以发现：不同的FFT峰值对应的工件表面粗糙度值不同，且FFT峰值越大，对应的表面粗糙度值就越大。综合来看，AE信号有效值、振铃计数值以及FFT峰值与磨削表面粗糙度值之间具有很好的对应关系，可以作为后续磨削表面粗糙度多信息融合预测模型的输入参数。

3 表面粗糙度预测模型

BP神经网络在训练过程中，输入层会接收给定的输入参数，经隐含层处理后传输到输出层。若网络的输入值与目标值之间的误差没有达到设定的目标误差，则调整权值和阈值等隐含层网络参数后重新传输到输出层，直到达到设定的目标误差[15-16]。

创建如图13所示的神经网络结构，其输入层共有6个单元：磨削深度、砂轮线速度、进给速度、AE信号有效值、AE信号振铃计数值和FFT峰值，输出层为表面粗糙度。

图13 BP神经网络的拓扑结构Fig.13 Topological structure of BP neural network

BP神经网络的隐含层根据层数可以分为单隐含层和多隐含层。一般认为，多隐含层的网络预测能力较强，可有效降低网络误差，但隐含层层数增多不仅会使网络变得更加复杂，而且还会增加网络的训练时长。所以在建立模型时，应优先考虑单隐含层的BP神经网络，通过设置隐含层中神经元的个数来获得较低的网络训练误差，因此该预测模型的隐含层层数确定为1。

隐含层神经元的个数不宜太少，也不宜太多。因为神经元个数太少，网络不能得到充分训练，难以建立复杂的映射关系，训练精度和预测精度都会相应变差；神经元个数太多，网络的训练时长会增加，反而会使网络泛化能力下降，预测误差增大。隐含层神经元个数的选取方法是首先利用式(1)初步确定神经元个数的大概范围，然后取尽可能少的神经元个数[17]。

式中：l为隐含层神经元个数，m为输出层神经元个数，n为输入层神经元个数，a为1～10的调节常数。

采用5层隐含层神经元进行计算，既可以保证误差在较小的范围内，又可以确保神经网络的训练速度。最终创建的神经网络结构如图13所示。

在整个BP神经网络训练或预测过程中隐含层输出值H可用式(2)进行计算：

根据确定的隐含层神经元个数，在建立的预测模型中，每次计算后共有5个隐含层输出值为H1～H5向后传导。计算出H后，再进一步由式(3)计算得出输出值O：

式（2）和式（3）中：ωij和ωjk是BP神经网络的权值，f1、f2为隐含层激励函数。

在本文的预测模型中，输出值O只有一个。然后再对输出值O和目标输出值进行比对。

BP神经网络开始训练之前需要设置一些训练参数，使网络能获得更好的预测结果。该预测模型的主要训练参数设置为：设置网络的训练次数为100次；设置网络的学习速率，取值应在[0,1]，设为0.05；设置网络的目标最小误差，该误差为每次训练后网络的预测值和期望值之间的均方值误差，这里设置为0.000 01；设置网络验证检查的最大失败次数为10次。

用实验所得的训练样本数据对图13所示的预测模型进行训练，训练之后对磨削表面粗糙度Ra进行预测，预测所用的样本数据和预测所得的Ra值见表2。将网络预测的表面粗糙度值与实验所得的表面粗糙度值进行对比，如图14所示。观察图14中每个样本对应两点的表面粗糙度值发现：预测值与实验值差距不大，且变化趋势完全一致。

表2 表面粗糙度预测模型的测试样本数据Tab.2 Test sample data of surface roughness prediction model

图14 预测值与实验值对比图Fig.14 Comparison diagram of predicted value and experimental value

根据预测值与实验值之间的绝对误差，对2组值进行回归分析，结果如图15所示。图15中的横轴表示实验所得的表面粗糙度值，纵轴表示网络模型的表面粗糙度预测值，且用不同的颜色表示了绝对误差的大小：如果图15中的点落在对角线（虚线）上，则表示预测值与实验值几乎相等，点的颜色呈深绿色；偏离对角线越远，则表示预测值与实验值之间的绝对误差越大，误差相对较大的点的颜色呈深红色。图15中蓝色的线是对图中所有的点进行线性回归后的拟合线，其相关系数R=0.987 42，说明网络预测值与实验值之间的绝对误差很小。