关键词：磨削防过载；特征提取；声发射；诊断

 

　　在磨削加工领域，高速旋转的砂轮和工件的过载一旦发生，将会对财产和人生安全造成重大伤害．随着磨削加工自动化程度的日益提高，过载的自动识别和预防成为保证磨削加工安全性的重要课题．防过载的难点在于如何快速稳定和可靠地识别砂轮与工件的过载，尤其是如何提前预判过载的发生．防过载的研究主要从两方面进行，首先是砂轮与工件的接触过程，需要判断是正常接触还是过载性接触；然后是砂轮的磨削过程，需要区分是正常磨削还是发生了过载．所谓防过载就是在磨削过程中需要快速识别最好预判是否发生过载，并将诊断结果迅速通知数控加工设备进行动作响应来避免过载或者减轻过载的危害，因此防过载的难点和首要任务在于快速、有效地识别砂轮过载点，为设备的快速响应提供决策依据．

       为了能够快速、准确判断磨削过程是否过载，首先需要选择合适的过程监测信号．相对于电流、负载和能量变化等常用监测手段，声发射信号（Acoustic Emission,AE)以其响应快、价格低等特点成为间接测量的首选方案．当前，从事相关研究和产品研发的企业主要有意大利MARPOSS和美国SBS公司，但未见相关研究文献报道．但是，国内外针对砂轮磨削过程监控和砂轮钝化识别已经开展了广泛深入的研究．例如：Liao等［1］通过对声发射信号进行分析、特征提取及建立增强分类来在线监测砂轮的磨损Xun等［2］采用支持向量机作为对不同条件下砂轮磨损进行分类的工具，结果表明，支持向量机在识别砂轮磨损上很有效；Xu等［3］基于能量百分比对砂轮磨损信号进行识别,通过提取不同磨削状态下的能量变化特征来识别砂轮的磨损；巩亚东等［4］研究采用均方根值（RMS）电压、包络信号的微分值和振铃计数相结合作为声发射磨削接触检测的特征参量进行了磨削接触检测系统的研制，但未涉及对砂轮与工件的过载研究．

       本文结合时、频域分析方法对砂轮与工件磨削和过载过程的声发射信号进行了特征提取研究，提出了砂轮过载判据的评价指标，对不同特征提取方法获得的结果进行了对比，分析了提前预判过载发生的可能性及其预判方法．

 

１　试验数据采集

１．１　试验平台

       磨削试验在MKA1620数控端面外圆磨床上进行．试验用富士公司1045S声发射传感器，频率带宽为0.1~1.5MHz，灵敏度为51dB，传感器安装在机床尾架上（试验分析所得接收信号的最佳位置），如图1所示．声发射宽带前置放大器的带宽0.015~1.5MHz，增益40dB；数据采集卡选用美国NI公司的USB6259，最大采样率为1.25MHz.磨削采

用白刚玉大气孔砂轮，型号为PSX1-500×75×203,、中软80目.工件的材料为45号钢，直径为50mm、磨削长度为25mm的圆柱体，硬度HRC51．数据采集采用NI公司的Labview软件，数据处理采用Matlab软件．

１．２　数据采集

       过载试验鉴于其危险性需要仔细设计．试验开始前，让砂轮和冷却液开启达到正常磨削状态，保持砂轮与工件未接触，同时采集1ｓ的环境信号作为背景噪声．为了逼近过载效果，从砂轮接触试验开始，依次采用从低到高的进给速度对工件外圆进行磨削，进给深度固定为50μｍ，从而达到每次试验逐渐增加接触强度的目的．试验分6组，进给速度分别取0.5、1.0、1.5、2.0、2.5、3.0mm/min，其中第6组进给速度已经超出了正常进给的最大范围，需要在试验中做好充分的防护措施，随时停止机床的运行．试验中砂轮转速为1900r/min，砂轮线速度为50m/s，对6组磨削试验的信号进行采集，根据前期试验研究确定采样率为400kHz．试验结果表明，试验6在磨削过程中由于进给速度过大，在接触进给后期砂轮和工件发生了超出正常范围的振动和声响，即达到了非正常过载的效果．磨削试验是通过对MKA1620数控端面外圆磨床的数控编程自动进行，磨削过程中由操作技工检查砂轮是否钝化，如钝化，则对砂轮进行修整后再继续磨削试验，直至第6组的试验结束．

 

２　信号处理

２．１　信号处理间隔和样本容量

       信号处理间隔和样本容量的选取直接关系到信号的处理效率、处理精度和频率分辨率．考虑到硬件成本和实际需求，信号能在10ms内处理完毕并通知数控机床（CNC）系统，选取的信号处理间隔为5ms，为了满足对信号较宽的频率分辨范围，每次处理样本容量为10ms的数据，该条件下的频率分辨率为100Hz，满足特征提取的要求．

２．２　信号处理方法

       考虑到防过载对响应速度的需求，为了选取合适的特征量以快速、有效地反应砂轮与工件的过载，在信号处理方法上主要基于时域和频域，优先考虑处理效率．时域方法主要采用时域方差和时域RMS，频域分析则基于快速傅里叶变换．过载发生的确定通过所提取特征量的阈值及其变化速度（即斜率）来反映．下面给出了2种特征提取的方法．

     （1）信噪特征比方法．信噪特征比指的是基于时域方差、时域RMS、功率谱峰数和功率谱最大值从信号中提取的4种特征量．环境噪声信号的特征量需预先学习获得，工作信号的特征量为实时处理结果，信噪特征比即为工作信号与环境噪声相应特征量之比．

       假设x（t）表示信号样本，m 为x（t）中样本容量，则时域方差和时域RMS分别为：

 

　　假设工作信号x1（t）和环境噪声x2（t）的时域方差分别为，时域RMS分别为和，求得信噪特征比中时域方差信号特征比阈值和时域RMS信号特征比阈值分别为：

 

      信噪特征比中时域方差斜率和时域RMS斜率分别为：

 

式中，t为选取的处理间隔时间（t=5ms）．

       假设工作信号和环境噪声的功率谱峰数分别为Ｎ１和Ｎ２，功率谱最大值分别为和求得信噪特征比中功率谱峰数特征比阈值和功率谱最大值特征比阈值分别为：

 

信噪特征比中功率谱峰数斜率和功率谱最大值斜率分别为：

 

 

　　（２）信噪能量比方法．对信号进行快速傅里叶变换，求得信号功率谱，各点功率积分求得信号的能量，然后把信号的频率段平均分成ｍ组，求得工作信号与环境噪声信号各分频段对应能量占总能量的百分比，它们的比值就是信噪能量比．

      假设信号x（t）经过快速傅里叶变换后均分为m组信号，由Ｆｉ表示（ｉ＝1，2，…，m），能量向量：

 

式中，Ｔ 为所求功率信号的时间，总能量：

 

将式（11）标准化为

 

各频率段能量占总能量的百分比即能量占比：

 

　　假设工作信号为，环境噪声信号为，由式（15）可求得工作信号各频段能量占比，环境噪声各频段能量占比，则信噪能量比阈值：

 

斜率

 

 

３　试验结果

       6组试验的磨削信号电压如图2所示．前5组为正常磨削试验，磨削电压幅值都在0.5V以内．从试验6信号分析，过载发生时（约个采集点处）电压会在正常磨削的基础上有短时间的逐步递增然后到达过载，且过载电压远高于正常磨削．

 

３．１　信噪特征比

３．１．１　信噪特征比阈值法　

       为了节约篇幅，选择正常接触中接触强度最大的试验5的采样信号进行分析．选取砂轮与工件从接触到正常磨削的采样信号，计算求得试验5的信噪特征比值．图3所示为试验5砂轮由未接触工件到正常磨削过程中基于信噪特征比阈值方法的特征量变化情况．由图可见，趋势上各特征量由小到大，到达正常磨削约第80个特征点后，趋于一定范围内有规律波动．

 

       对比试验1~4条件下提取的特征量，研究发现具有相似的规律．试验1~6所提取的信噪特征比最大值见表1．表中，试验6的数据为过载瞬间的值（过载点定义为特征点跳跃最大的点）．由表可见，在正常磨削下，不同进给速度对应的各特征量的最大值都较小．设定4种特征量的过载阈值为前组正常磨削试验最大值的200%，分别为80、12、6和50，图4所示为试验6从正常磨削到过载的信噪特征比值．

 

 

　　由图4可知，除了功率谱峰数信噪比外，其他3种特征量的值都较正常磨削增加明显．其中，图4（d）中基于时域方差的第13个特征点处的信噪特征比为211，已经是正常磨削的6倍左右，在4种特征量中敏感度最高，而理论过载点位于19点（为信号突变点）．可见，选取时域方差信噪特征比可以根据设定的过载阈值提前6个点约30ms预判过载的发生．

３．１．２　信噪特征比斜率法　

       图５所示为试验5的信噪特征比斜率特征量变化．由图可见，到达正常磨削约第80个特征点后，4种信噪特征比斜率除功率谱峰数外，都在一定范围内有规律地振荡．研究发现，试验1~4在正常磨削时都具有相似规律．

 

　　6组试验的时域方差、时域RMS、功率谱峰数和功率谱最大值的斜率振荡范围如表2所示．表2中试验6的特征量是过载点处的值，在正常磨削下5种进给速度的信噪特征比斜率振幅都较小．试验6中由正常磨削到过载的特征量斜率如图6所示．由图可见，在过载前后，信噪特征比斜率中除功率谱斜率外，在经过4~5个特征点的少量增加后发生剧

增．其中：时域方差、时域RMS和功率谱最大值的斜率在第18个特征点（过载突变点）的值分别为6 704、42.7、0.19、1 203，而在第14个特征点的值分别为171、8.2、0.85、140，已明显区别于正常状态特征值．由此可得，时域方差斜率在识别过载信号的敏感度最高，且能够提前4~5个特征点约20~25ms实现预判．

 

 

３．２　信噪能量比

３．２．１　信噪能量比阈值法　

      在6组试验中分别对FFT分解获得的频域信号（0~200kHz）均分成8个频率段，并对每个频率段信号进行信噪能量比的特征量提取．经分析发现，50~75kHz频率段的信

噪能量比敏感度最高，求得试验1在该频率段中正常磨削的信噪能量比如图7所示．到达接触点后信号的信噪能量比值随着时间的增加趋于平稳．试验2~5所提取特征量变化趋势与试验1具有相似规律，5组试验中正常接触时信噪能量比的最大值分别为504,684,475,368,417.图8所示为试验6中过载点（18个特征量）附近信噪能量比变化，过载处

信噪能量比为1 402，可明显和正常磨削相区分．

 

３．２．２　信噪能量比斜率法　

      计算求得试验1正常磨削时50~75kHz频率段的信噪能量比斜率变化如图9所示．由图可见，当砂轮和工件稳定接触后，信噪能量比在一定范围内振荡．试验2~5的结果与

试验1具有相同规律，正常磨削情况下提取的信噪能量比斜率均低于400．试验6中，由正常磨削到过载的信噪能量比斜率如图10所示．由图可见，第18个点处特征点的信噪能量比斜率为1 012，远超出信噪能量比振荡范围，可以有效识别过载．对比发现，信噪能量比阈值和斜率只能在信噪突变处识别过载，而不具备信噪特征比特征量所显示的预判功能．

 

 

３．３　处理效率

       对2种特征提取方法在Matlab平台上的算法效率进行比较，处理电脑为Intel（R)Core（TM）i5-3210M 处理器、2.5GHz双核、4GB内存、64位操作系统的MacBook Pro笔记本，计算4 000个点时各特征量计算时间如表3所示．由表可见，信噪能量比的耗时要小于信噪特征比中的各特征量的耗时．

 

３．４　讨　论

       基于灵敏度、稳定性及处理效率3个原则对所提取的特征量进行比较．所述灵敏度正比于正常磨削与过载时对应的特征值比值，能可靠过载为稳定，反之为不稳定；效率则通过特征值的计算时间来表征．

       对比信噪特征比方法与信噪能量比方法的试验结果表明，基于前者所提取的时域方差、时域RMS、功率谱最大值这3个特征量在阈值和斜率上的敏感度都比后者高很多，其中时域方差信噪特征比约为后者的90倍；在稳定性方面，信噪特征比与信噪能量比都能有效地识别过载点，但信噪特征比中的时域方差、时域RMS、功率谱最大值3种特征值都可以提前5~6个处理点预判过载的发生；在处理效率方面，信噪能量比的处理时间要低于信噪特征比，约为后者的1/4．

      虽然信噪能量比处理效率高，但信噪特征比的预判能力强，可以比信噪能量比提前25~30ms的识别过载，而且信噪特征比具有很高的敏感度．因此，兼顾敏感度、效率和可靠性3个原则，可以将信噪特征比中的时域方差的阈值与斜率共同作为优选的防过载特征量，当阈值与斜率中有一个达到过载阈值就可以诊断发生过载，如此进一步提高诊断的可靠性．

 

４　结　论

       本文针对砂轮磨削过载的快速诊断需求提出了2种特征量提取方法，并进行了磨削试验研究，其结论如下．

     （1）通过试验研究确定了信噪能量比法的特征敏感频率段范围，通过合理选择采样间隔、处理样本容量和采样频率，使采样信号满足防过载对实时性和分辨率的要求．

     （2）将工作信号的实时处理和环境信号的自学习相结合，将工作信号与环境噪声的特征值之比作为最终特征量，可有效提高特征量的鲁棒性．

     （3）提出了评估砂轮过载特征量有效性的3个指标即灵敏度、稳定性和算法效率，并基于该评价体系对不同特征提取方法获得的特征量进行了量化比较研究．综合分析，可以将信噪特征比中的时域方差的阈值与斜率联合作为优选的防过载特征量，进一步提高诊断的可靠性．

    （4）基于信噪特征比方法的时域方差特征量具备预判过载的能力，为砂轮过载的快速诊断提供了一种新的途径．