氧化铝陶瓷磨削金刚石砂轮磨损的声发射监测

阐述了声发射监测工程陶瓷磨削的研究进展,发现目前对金刚石砂轮磨损监测研究基本上是选取声发射信号均方根(即有效值)进行分析,且金刚石砂轮磨损状态的声发射监测准确率不高.为提高金刚石砂轮磨损状态的声发射监测准确率,设计了氧化铝陶瓷磨削声发射实验,并采用支持向量机建立金刚石砂轮磨损状态的分类模型.分析发现氧化铝陶瓷精密磨削中声发射信号最强频谱能量在30~40kHz频段.金刚石砂轮轻度磨损、严重磨损钝化和修锐之后的磨削声发射信号频谱有明显不同;而且磨削声发射信号小波分解系数的方差值能够很好地反映金刚石砂轮磨损状态.结果表明采用磨削声发射信号的小波分解系数方差作为支持向量机判别金刚石砂轮磨损状态的输入特征,金刚石砂轮磨损状态分类测试的准确率达100%.     

基于声发射技术的砂轮磨损状况在线检测

为了实现砂轮磨损状态在线检测,提高砂轮磨损状态检测的准确性,研究了法向磨削力与砂轮磨损的对应关系;利用小波分解系数统计法对声发射(AE)信号进行了分析;把法向磨削力和统计小波分解系数的特征作为识别砂轮磨损状态的参数指标,建立了基于神经网络(BP)的砂轮磨损状态识别模型。实验结果表明,该方法可以辨识出砂轮的磨损状态,并且具有较高精度。     

基于声发射监测的砂轮磨损实验

难加工材料的高硬度和高耐磨性使得磨削加工过程中砂轮的损耗变快,目前主要依靠经验判断砂轮的修整和更换周期,很有可能导致修整不及时的情况发生.本文用声发射信号和磨削力信号共同精确监测砂轮磨损状态,通过分析不同磨损状态的砂轮磨削时对应的声发射信号的特征参数以及磨削力和磨削力比的变化情况,综合判断了实验过程中砂轮的磨损状态.结果表明:声发射信号特征参数都与砂轮磨损状态有一定相关性,且磨削力比与砂轮磨损程度的相关性最大,证明了声发射监测技术在砂轮修整中的有效性,为实际生产加工提供了理论指导.     

基于AE信号的新型砂轮点磨削状态监测方法

提出了一种基于声发射(AE)信号对新型点磨削砂轮磨削状态进行实时监测方法.建立了表面粗糙度与AE信号的对应关系,为监测磨削加工表面粗糙度提供了条件.采用单因素实验研究了各参数对AE信号RMS值的影响规律,结果进一步证明了AE信号与表面粗糙度的对应关系.对比分析了砂轮不同磨损状况下的AE信号,依据此信号可对磨削状态进行实时监测.为了区分声发射源性质的异同,对磨削过程中的AE信号进行了频谱分析,砂轮发生磨损时,AE信号在45~65kHz,80~90kHz,100~110kHz频段的能量升高显著,并且在15kHz附近出现了很高的尖峰,为监测磨削状态提供了一种可行且有效的方法.     

工程陶瓷高速深磨中声发射的实验研究

建立了工程陶瓷高速深磨中声发射的实验系统,自主开发了其中的声发射信号虚拟仪器采集系统.对部分稳定氧化锆(PSZ)和氧化铝进行了高速深磨声发射的实验研究,分析了磨削参数和工程陶瓷材料对声发射信号的影响.研究了砂轮修整前后声发射信号的变化.结果表明,即使在砂轮超高速和大切深下,声发射增加仍较小.选择砂轮超高速、大切深和小的工作台速度对高效低成本磨削工程陶瓷是有利的.运用声发射还可对砂轮磨损状态进行在线监测.     

局部均值分解在刀具故障诊断中的应用

为有效监测刀具磨损状态,提出一种基于局部均值分解的刀具故障诊断方法.将声发射信号自适应地分解为一系列乘积函数,选取包含主要故障信息的前8个乘积函数分量,获得每个乘积函数分量的平均能量,并组成特征向量.分别提取正常切削、中期磨损和严重磨损三种状态下的特征向量,利用频带能量的变化识别刀具磨损特征.实验结果表明,随着刀具的磨损,各乘积函数分量平均能量增加,并且在高频部分增加显著,该方法可以有效应用在刀具故障诊断中.     

磨削过程信号监测与砂轮磨损预测模型构建

针对磨削过程中砂轮磨损难以直接监测的问题,提出了基于多特征优化融合的随机森林(MFOF-RF)算法,以实现砂轮磨损的准确预测.对外圆纵向磨削中采集的功率、加速度和声发射信号进行预处理和特征提取,获得平均值、有效值以及峰值频率等多个时域和频域信号特征.以统计学指标为评价标准,对预测模型的参数进行调优,确定了最佳的砂轮磨损信号特征组合.结果表明,相比于使用单一特征预测砂轮磨损,MFOF-RF模型提高了信号特征与砂轮磨损的相关程度,预测误差降低了30%以上.     

基于麻雀搜索算法优化支持向量机的刀具磨损识别

针对微小深孔钻削刀具磨损状态检测的工程需求,提出了基于钻削声信号的麻花钻头磨损状态识别方法。根据不同磨损程度的麻花钻在钻削过程中的声信号,使用经验模态分解(empirical mode decomposition, EMD)将声信号分解成若干个固有模态函数(intrinsic mode functions, IMFs),通过时频联合分析探索刀具磨损与声信号特征之间的关联规律;再使用麻雀搜索算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的参数,并利用SVM实现基于声信号特征的刀具磨损状态识别。实验结果表明,微小深孔钻头磨损程度与钻削声信号特征之间存在非线性耦合关系,声信号高频特征对钻头磨损程度的变化非常敏感;采用经过SSA优化后的SVM算法,基于优选的IMF特征能够准确识别钻削刀具磨损状态,识别准确率可达98.246%。     

工程陶瓷高效深切磨削加工中声发射的实验研究

通过对部分稳定氧化锆(PSZ)和Al2O3两种工程陶瓷材料进行高效深切磨削加工中声发射的实验研究,分析了这两种材料在高效深磨过程中,在不同的砂轮线速度、工作台速度和磨削深度的条件下声发射信号变化的规律;同时也分析了在同一磨削参数下这两种材料对声发射信号的影响. 还分析了砂轮修整前后声发射信号的变化. 进一步在时域分析的基础上,对声发射信号进行了频谱分析. 分析了高效深磨过程中声发射信号的频谱分布范围. 实验研究结果表明,声发射信号与磨削过程有着良好的对应关系,可以利用磨削过程中声发射信号的变化规律实现对工程陶瓷材料高效深磨削过程的监测和控制.     

基于神经网络的磨削砂轮状态的在线监测

利用声发射(AE)传感器和功率传感器为信号源,固定时间间隔内的声发射信号幅值增量累加及砂轮碰撞破碎时电机功率信号的陡变为砂轮状态识别的特征值,应用BP神经网络建立信号特征值与砂轮状态之间的非线性关系模型,可以为小批量、多品种产品磨削加工中砂轮状态的智能化在线监测提供准确有效的途径·测试结果证明了该系统的可行性,为磨削加工实现智能控制奠定了基础,并能为砂轮修整确定最佳的周期