CN105415191B - 一种基于声发射的磨削状态测控方法及装置 - Google Patents

Abstract

本发明涉及一种基于声发射的磨削状态测控方法及装置，在学习阶段计算不同滤波频段的特征参数，获取工作阶段所需的最佳滤波频段，在工作阶段与学习阶段存储的特征参数实时对比，精确判断磨削加工状态，并把状态反馈信号输出给数控系统，使磨削加工中砂轮或工件采用分段磨削逐次完成，即完成单个工件的加工数控系统控制砂轮有多次进刀和退刀；空程阶段采用快速进给，磨削阶段采用慢速进给，从而缩短空程时间达到消空程的目的；同时检测磨削过程中的异常情况，防止造成设备损坏达到防碰撞目的。该系统实现了消空程、防碰撞的在线监测，提高磨削加工效率，实现磨削加工的自动化、智能化。

Description

一种基于声发射的磨削状态测控方法及装置

技术领域

本发明属于精密机械加工领域，涉及声发射技术、高速数据采集与处理、模式识别领域，涉及一种属于磨床加工中消空程、防碰撞实时在线监控装置，具体涉及基于声发射的磨削状态测控方法及装置。

背景技术

磨床状态测控系统的实现方法现状是：用于砂轮与工件的磨削状态的间接检测法，是通过传感器检测磨削过程中能反应砂轮与工件接触状态的某些参数，能够实现磨削状态的在线实时监测。

(1)振动信号检测技术

磨削过程产生的振动信号包含丰富的磨削振动状态信息，通过分析振动信号在时域和频域的特点，提取信号特征判断磨削工作状态。但各种因素造成的异常震动不容易排除，振动信号受磨削过程中颤振现象影响大，受外界低频干扰大使磨削状态检测精度低，在高精度的磨削加工中应用受到限制。

(2)电机功率检测技术

在磨削加工过程中，随着砂轮与工件的接触程度加大，磨削力逐渐变大，驱动砂轮电机的工作电流也随之发生变化，使之可以采用检测电机工作的实时功率判断砂轮与工件的接触状态。但在线监测时受电网的波动影响大，且对磨削状态检测灵敏度低、精度低，判断的延迟时间长，在粗磨加工中广泛应用，在高精度磨削中无法使用。

(3)声发射信号检测技术

声发射信号具有频率高、频带范围宽、灵敏度高、信噪区分能力强等优点，包含了丰富的与磨削状态直接相关的特征信息，而且在不同的磨削阶段声发射信号的幅值差别也非常明显，利用AE传感器将声发射信号转换成电压信号，通过滤波器可以直接除去机械振动和周围环境噪声的低频干扰，容易得到较纯净的AE信号。

在声发射信号处理技术方面，主要有以下的方法：

1、特征参数分析法：主要在时域中分析和处理声发射信号，AE传感器检测到的声发射信号经过信号调理电路预处理后，由声发射处理仪器提取声发射信号的特征(主要包括幅度值、振铃计数、持续时间、门槛阀值和能量等)，见文献“袁哲.DSP在声发射信号模式识别中的应用研究[D].南京林业大学,2009.”。为了更精确的描述声发射信号在时域的数字特征，又引入了幅值域(均值、均方值、方差等)来表示声发射信号的平均能量强度。

(1)计数分析法：通过记录单位时间内声发射信号超过预先设定阈值的次数，用来判断事件状态。缺点是易受放大器、滤波器和阈值电压工作状况的影响，见文献“刘磊.高温高压下金刚石生长的声发射实时动态检测与长大机制研究[D].山东大学,2011.”

(2)幅度分析法：通过分析信号峰值幅度和幅度分布来判断声发射强度。通过应用对数放大器，可以消除传感器的响应频率、阻尼特性等对其的影响，实现对声发射信号的峰值幅度精确测量。

(3)能量分析法：能量与声发射信号波形包络线下的面积成正比，通常用均方根电压Vrms表示。声发射信号的能量与材料的物理参数有关，不需要建立数学模型就可直接计算。

2、波形分析方法

把记录的时域波形、频谱特征和相关函数与测试材料的声发射机理对应起来，通过分析频谱特征获取有关声发射源信息。波形分析方法对声发射信号易于识别和区分，其更好的去噪能力和对声发射源更精确的定位能力，但利用波形分析方法分析的信号应是周期性的平稳信号，而AE信号往往是非平稳随机信号。在实际工程应用中，对真实存在的环境噪声没有考虑，同时该方法计算量大、实时性差，仍处于实验室研究阶段，难以做到在线监测。

3、将建立在硬件基础上的各种检测手段同现代信号处理方法相结合，运用频谱分析、分形理论、统计学习方法对声发射信号进行处理，提取隐含信息。见文献”刘国华.声发射信号处理关键技术研究[D].浙江大学,2008.”

(1)小波分析法：用一个适当的时间-频率窗，使信号在这个窗内能够体现频率信息，而窗和窗之间则反映频率随时间的变化，提供了一种自适应的时域和频域同时局部化的方法。但此方法需要有较高的时域、频域精度，且大多数研究仍处于在实验室条件下，在工程应用中对声发射信号的检测处理还有很多困难。

(2)盲源分离：在源信号与传输信道参数均未知的条件下，仅通过声发射传感器采集到的观测信号来估计原信号和传输信道参数。通过该方法可以得到声发射信号、振动和噪声等源信号，从而可以准确的分析不同信源的特征，使磨削加工等故障诊断的准确性大大提高。

(3)信息融合：通过融合算法对采集数据进行综合处理，达到更优的处理结果，常用的融合算法包括：加权平均法、贝叶斯网络方法、证据理论推理和神经网络等。

基于声发射的磨床状态测控系统的现状：

国内一些学者对将声发射技术应用于磨削状态测控系统的实现方面进行了探索和研究：(1)王丹提出了一种用DSP和CPLD设计高速数据采集处理系统的方法，用于声发射源的定位研究，设计了一个以DSP为核心处理器、CPLD为系统控制器的脱机发射信号采集处理系统，见文献“王丹.基于DSP的光纤声发射传感系统研究[D].2007.“；(2)采用LabVIEW编制图形化界面，利用串口通信进行现场数据的采集，采用跨平台的多数据库访问工具包LabSQL技术进行数据库的访问，建立了系统的实现模型，见文献“滕家绪,胡仲翔,时小军.基于LabVIEW的磨削加工声发射监测系统设计[J].电子质量,2004,11:3-7.”；(3)基于LabVIEW软件设计和ARM+DSP硬件平台的磨削监测系统，DSP软件模块包括HPI通信设计、采样、滤波、参数计算等函数的设计，见文献“盛炜佳.磨床AEMS系统的LabVIEW仿真与DSP实现[D].浙江大学,2010.”；(4)基于WinCE的磨床AEMS监控系统，采用DSP和ARM组成的双处理器实现，通过HPI接口进行通信，ARM中采用嵌入式WinCE操作系统作为软件运行的平台，实现了AEMS系统的整体逻辑功能，见文献”赵勍波.基于WinCE的磨床AEMS监控系统的设计与实现[D].浙江大学,2010.”。

现有技术的缺陷：国外现已研制的AEMS系统销价昂贵，投入使用成本高，返修费用昂贵，针对某些特定无损检测方面的使用缺乏专用性。国内磨床状态测控系统中，部分基于LabVIEW、ARM和DSP的实现平台对于高速数据采集存在缺陷，声发射信号的采集和处理不能实时同步进行，对高速数据的连续采集存储和远程管理存在不足，且大多数磨床监控系统属于专用系统，其开放性较差，对磨削状态检测精度低、存在误判现象，系统的状态响应灵敏度低、时延长。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于声发射的磨削状态测控方法及装置。

技术方案

一种基于声发射的磨削状态测控方法，其特征在于：将声发射AE传感器安装到磨床上，安装地点不会受到切屑以及外界物质的影响，测控步骤如下：

步骤1：将AE传感器检测的磨削加工过程中的声发射信号，进行信号调理对AE信号放大和滤波处理得到磨削加工AE信号所处的频段信号50Khz-450Khz，再经过A/D数据变换后输入到FPGA，并在FPGA中采用双乒乓缓存的异步FIFO保证数据采集和数据传输的同步进行；

步骤2：将50Khz-450Khz的磨削加工AE信号均分为四个不同频段信号，分别采用带通滤波器滤除信号的直流分量和部分干扰噪声；

步骤3：对四个不同滤波频段信号分别进行特征参数RMS的提取，方法为：采用宽度为N的滑动窗口，对四个不同滤波频段信号，采用离散型均方根电压值的计算方式分别进行RMS值的并行计算：

其中：V_RMS1、V_RMS2、V_RMS3和V_RMS4为四个不同滤波频段的特征参数RMS；x表示声发射信号采样值,N表示滑动窗口的宽度；

步骤4：以四个不同滤波频段信号的RMS值作为待检测模式的样本数据，进行去均值、归一化处理得到特征向量q(0)，根据求出序参量的初始值ξ_k(0)，利用学习阶段得到原型模式向量和伴随向量，且按照序参量的动力学方程：

ξ_k(n+1)-ξ_k(n)＝γ[λ_k-D+Bξ_k ²(n)]ξ_k(n)

演化后最终只会有一个序参量的值达到稳定，即ξ_k＝1；其余随着迭代步数的增加逐渐趋于0；那么ξ_k＝1时的k值为当前磨削的工作状态，k为1是空程，k为2是正常磨削，k为3是碰撞

是三种状态的原型模式向量V_k的伴随向量V_k ⁺，原型模式向量V_k所对应的：V₁为空程的原型模式向量、V₂为正常磨削的原型模式向量、V₃为碰撞的原型模式向量。

所述学习阶段得到原型模式向量和伴随向量的过程为：在同一工件、同一设备进行，在空程、正常磨削和碰撞三种状态下分别进行以下步骤：

步骤(1)：将AE传感器检测的磨削加工过程中的声发射信号，进行信号调理对AE信号放大和滤波处理得到磨削加工AE信号所处的频段信号50Khz-450Khz，再经过A/D数据变换后输入到FPGA；

步骤(2)：将50Khz-450Khz的磨削加工AE信号均分为四个不同频段信号，分别采用带通滤波器滤除信号的直流分量和部分干扰噪声；

步骤(3)：对四个不同滤波频段信号分别进行特征参数RMS的提取，方法为：采用宽度为N的滑动窗口，对四个不同滤波频段信号，采用离散型均方根电压值的计算方式分别进行RMS值的并行计算：

其中：V_RMS1、V_RMS2、V_RMS3和V_RMS4为四个不同滤波频段的特征参数RMS；x表示声发射信号采样值,N表示滑动窗口的宽度；

步骤(4)：对序参量动力学方程ξ_k(n+1)-ξ_k(n)＝γ[λ_k-D+Bξ_k ²(n)]ξ_k(n)中的B、C、注意参数λ_k和迭代步长γ进行初始化。一般取B＝C＝1，选择合适的λ_k和γ使ξ_k趋于稳定，且达到快速收敛，式中下标k代表三种状态：值为1是空程，值为2是正常磨削，值为3是碰撞；

步骤(5)：对三种状态的数据分别选择300个4个频段的RMS值组成协同神经网络训练的模式样本，分别去均值、归一化处理，获得三种状态的原型模式向量V_k，再利用伪逆法求出满足正交性关系的V_k的伴随向量V_k ⁺，最后对计算获得的V_k和V_k ⁺进行存储。

所述N取51

一种实现所述基于声发射的磨削状态测控方法的装置，其特征在于包括AE传感器、信号调理电路、AD7622数据采集卡、AE信号处理模块FPGA、GPIO模块和ARM控制器；安装在数控磨床上的AE传感器检测磨削加工过程中的声发射信号，输出至与其连接的信号调理电路对AE信号进行放大和滤波；然后通过AD7622数据采集卡采集十六位数字信号和转换控制信号输入至AE信号处理模块FPGA的A/D接口；AE信号处理模块FPGA对AE信号进行处理，计算AE信号的RMS值，利用学习阶段训练好的分类器检测磨削状态，并通过DMA接口将状态信号以DMA方式的数据传输至ARM控制器，通过并口把状态反馈信号输出至数控磨床CNC；ARM处理器在linux操作系统中完成TCP/IP协议的移植和DM9000网卡的驱动编写，通过以太网将数据传输到PC机，在PC机上设计SOCKET网络接口，完成数据的远程存储管理。

所述AD7622为2MSPS*16bit的并行转换模式。

所述AE信号处理模块FPGA系统时钟是外部50Mhz晶振时钟经过内部PLL倍频之后得到的100Mhz，时钟周期为10ns。这样满足每50个时钟周期500ns完成一次采样数据转换。

所述AE信号处理模块FPGA内部采用双乒乓缓存的异步FIFO解决数据采集和数据传输的同步进行，将每次转换完成的16位数字量存在预先定义的16bit*512的FIFO1，直到FIFO1存满了之后开始读，同时实时采集的数据存到另一个16bit*512的FIFO2，使得数据采集能实时连续进行。

所述AE信号处理模块通过LCD接口连接LCD液晶显示单元。

所述AE信号处理模块通过LED接口连接LED显示单元。

所述AE信号处理模块通过GPIO扩展口连接GPIO模块。

有益效果

本发明提出的一种基于声发射的磨削状态测控方法及装置，采用Altera公司的Cyclone IV系列FPGA，充足的硬件资源，高达百兆级的系统时钟，实现AE信号的高速采集和实时并行处理。该系统在学习阶段计算不同滤波频段的特征参数，获取工作阶段所需的最佳滤波频段，在工作阶段与学习阶段存储的特征参数实时对比，精确判断磨削加工状态，并把状态反馈信号输出给数控系统，使磨削加工中砂轮或工件采用分段磨削逐次完成，即完成单个工件的加工数控系统控制砂轮有多次进刀和退刀；空程阶段采用快速进给，磨削阶段采用慢速进给，从而缩短空程时间达到消空程的目的；同时检测磨削过程中的异常情况，防止造成设备损坏达到防碰撞目的。该系统实现了消空程、防碰撞的在线监测，提高磨削加工效率，实现磨削加工的自动化、智能化。

附图说明

图1：本发明方法流程图

图2：本发明方法中学习阶段得到原型模式向量和伴随向量的过程流程图

图3：本发明装置方框示意图

图4：本发明装置数据采集存储数据系统硬件接口图

图5：FPGA和ARM的DMA传输流程图

图6：FPGA与ARM9的DMA通信测试时序图

图7：滤波及RMS计算的Modelsim时序仿真结果

图8：特征提取时各功能模块延时的Modelsim时序设计

图9：磨削状态测控系统的Modelsim时序仿真结果

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明实施例包括AE传感器、信号调理电路、AD7622数据采集卡、AE信号处理模块FPGA、GPIO模块和ARM控制器；安装在数控磨床上的AE传感器检测磨削加工过程中的声发射信号，输出至与其连接的信号调理电路对AE信号进行放大和滤波；然后通过AD7622数据采集卡采集十六位数字信号和转换控制信号输入至AE信号处理模块FPGA的A/D接口；AE信号处理模块FPGA对AE信号进行处理，计算AE信号的RMS值，利用学习阶段训练好的分类器检测磨削状态，并通过DMA接口将状态信号以DMA方式的数据传输至ARM控制器，通过并口把状态反馈信号输出至数控磨床CNC；ARM处理器在linux操作系统中完成TCP/IP协议的移植和DM9000网卡的驱动编写，通过以太网将数据传输到PC机，在PC机上设计SOCKET网络接口，完成数据的远程存储管理。见图3。

(1)高速数据采集存储模块

高速数据采集存储模块主要完成把AE传感器输出的模拟信号转换成数字信号，利用FPGA和片外SDRAM对数字信号进行采集和缓存，与ARM9的AMBA系统总线进行DMA方式的数据传输，ARM9处理器在linux操作系统中完成TCP/IP协议的移植和DM9000网卡的驱动编写，通过以太网将数据传输到PC机，在PC机上设计SOCKET网络接口，完成数据的远程存储管理。其硬件结构主要包括AE信号调理电路和AD7622高速数据采集电路，FPGA信号采集和SDRAM数据缓存模块，ARM9的DMA控制器模块和以太网传输模块，以及PC机的网络接口模块。设计该模块主要考虑AE传感器信号输出的频带范围是50Khz-950Khz，所以选择Analog Devices公司高转换率高精度的AD7622，保证采集信号不失真。因此，ARM9处理器上采用DMA方式实现高速数据传输，与FPGA的数据采集保持同步，保证数据实时采集与传输。选用三星公司的S3C2440A处理器以及10/100M自适应的DM9000网卡，在PC机上编写SOCKET网络接口，实现与ARM9处理器的网络通信，最终实现高速数据的实时采集和远程存储管理，使工作人员可以实时远程掌控磨削加工现场状况。

(2)AE信号处理模块

AE信号处理模块是磨削状态测控系统的核心，以FPGA为核心处理器实现软硬件设计，主要功能是对采集的AE数字信号进行分析与处理。信号处理模块分为学习阶段和工作阶段，利用Verilog HDL硬件描述语言进行模块化设计，学习阶段提取AE信号的特征参数RMS值，计算最佳滤波频段，训练磨削状态分类器；工作阶段实时计算AE信号的RMS值，利用学习阶段训练好的分类器检测磨削状态，并把状态反馈信号输出给数控系统，使其控制磨床运行，提高磨削加工效率，实现磨削监控的智能化。

(3)人机交互模块

人机交互模块主要实现操作人员对仪器的输入控制和显示观察，获取必要信息，辅助设置仪器的参数。主要包括按键输入单元、LCD液晶显示单元、LED显示单元以及状态输出标准接口等。其中，按键输入单元有控制系统启动开始数据采集，启动空程阶段和磨削阶段的学习，计算最佳频段和特征对比参数，启动工作阶段开始磨床加工等功能；LED显示单元对应于按键单元，保证工作人员能清楚的掌握系统所处的运行阶段；LCD液晶显示单元实时显示四个不同滤波频段的AE信号的强度，随着磨削强度大小的变化而实时动态的显示，并且显示空程和碰撞门限，与实时计算的RMS值进行对比，判断磨削工作状态，工作人员可以直观的了解不同批次工件在加工过程中产生AE信号在不同频段的强度差异；状态输出接口用于把系统的状态反馈信号输出给数控系统，实现磨削状态测控系统与数控系统的无缝连接。

高速数据采集工作过程见图4：利用AE传感器检测磨削加工过程中的声发射信号，经过信号调理电路对AE信号放大、滤波处理，AE传感器的输出信号直接传送给A/D数据采集卡的信号接收接口，并将两者共地降低干扰。FPGA工作在100Mhz的时钟频率下，控制AD7622的cnvst启动转换引脚(低电平表示启动转换)，实时检测busy信号的下降沿(高电平表示AD7622正在转换)，以2M*16bit速率并行采样。FPGA同时与ARM9的系统总线接口通信，ARM9配置数据传输方式为内存直接存取(DMA)方式，其中FPGA的16位并行数据输出给ARM9的数据总线LDATA接口，其它DMA通信用到的信号线包括：DMA外部请求DREQ，DMA外部响应DACK，S3C2440的存储器BANK3的使能信号nGCS3和读写控制信号nEW、nOE，DMA的数据读写时钟CLKOUT和一次单服务模式DMA开始信号start，并移植TCP/IP协议和编写DM9000网卡驱动实现高速数据实时传输。最后，在PC机端通过SOCKET网络接口实现数据接收，将大容量的数据写入PC机硬盘的TXT文件中，实现高速数据实时采集存储。

FPGA和ARM9的DMA传输过程，见图5：

高速数据采集存储模块利用FPGA和ARM9开发平台联合实现，FPGA和ARM9采用DMA的方式进行高速数据传输，并在FPGA内部采用双乒乓缓存的异步FIFO解决数据采集和数据传输的同步进行。当系统上电启动时，首先在FPGA内部利用Verilog HDL硬件编程语言初始化各端口的值，令FIFO的计数个数初值count＝0，DMA外部硬件请求端DREQ＝1，初始化之后开始数据采集，控制AD7622的数据转换，把每次转换完成的16位数字量存在预先定义的16bit*512的FIFO1，直到FIFO1存满了之后开始读，并且令DREQ产生下降沿，计数器计数count++，同时实时采集的数据存到另一个16bit*512的FIFO2，这样保证数据采集能实时连续进行。每当FPGA发生一次DREQ的下降沿请求时，ARM9的DMA控制器立即检测到外部请求并申请系统总线，申请成功便产生DACK的下降沿作为DMA的响应信号，FPGA在200Mhz时钟下检测DACK的下降沿，同时检测nGCS和nOE的低有效信号，只有当ARM9端DMA操作内存选通并可以读写时，FPGA才把从FIFO读出的数据放到ARM9系统总线的数据总线端口，其他时刻令数据总线端电平为高阻态，保证系统总线读取数据不受污染。FPGA内部FIFO的读时钟是由S3C2440经过倍频配置，通过时钟输出引脚CLKOUT提供，时钟频率为100Mhz。直到ARM9的DMA操作完成512次(count＝512)之后，把count清零，此时FPGA不断检测ARM9发送的下次传送启动信号start的上升沿，当检测到了下一次启动传输信号，便开始下一个512次DMA的数据传送。

FPGA在高速数据采集和并行算法处理方面具有单片机和DSP所不具备的优点。FPGA内部有丰富的可编程逻辑单元、大量的硬件乘法器模块、充足的I/O引脚资源，以及多个锁相环(PLL)可以把系统输入时钟倍频到几百兆赫兹，以提供给系统内部时序电路使用。采用FPGA实现磨削状态测控系统，既能保证AE信号的高速采集，又能实时并行处理，实现系统在线学习和实时监控，具有开发周期短、集成度高、功耗低、工作频率高(时钟延时为ns级)、可现场反复编程、可靠性高等一系列优点，针对高速数据处理和复杂算法控制，可以选用FPGA+ARM方式满足系统需求。

高速数据采集存储模块能解决高速大量数据的实时采集和远程存储管理问题，不仅可以保证FPGA功能仿真和时序仿真的数据真实有效性，而且可以使远端工作人员实时掌控磨削加工现场。

该模块利用FPGA和ARM9开发平台联合实现，FPGA和ARM9采用DMA的方式进行高速数据传输，并在FPGA内部采用双乒乓缓存的异步FIFO解决数据采集和数据传输的同步进行。(具体传输流程见图)

FPGA工作在100Mhz的时钟频率下，控制AD7622的启动转换引脚(低电平表示启动转换)，实时检测正在转换信号的下降沿(高电平表示AD7622正在转换)，以2M*16bit速率并行采样。FPGA同时与ARM9的系统总线接口通信，ARM9配置数据传输方式为内存直接存取(DMA)方式，其中FPGA的16位并行数据输出给ARM9的数据总线LDATA接口，并移植TCP/IP协议和编写DM9000网卡驱动实现高速数据实时传输。最后，在PC机端通过SOCKET网络接口实现数据接收，将大容量的数据写入PC机硬盘的TXT文件中，实现高速数据实时采集存储。

AE信号处理：

将存储在TXT文件中的16位十六进制的AE数字信号，利用MATLAB转换成能在Quartus/Tools/MegaWizard Plug-In Manager Function下的宏功能模块库MemoryCompiler中调用的.mif文件，作为FPGA特征提取的仿真数据。

锁相环(PLL)设计

设计4个时钟，其中inclk0是外部晶振时钟50Mhz，输入给FPGA的时钟引脚；c0(clk_100Mhz)用于FPGA处理器的主频，AD7622的采样控制，与ARM9完成DMA的通信设计以及系统各功能模块之间的时序联接；c1(clk_20Mhz)作为六阶巴特沃斯滤波器和FIFO模块的输入时钟，并保证该模块有充足的延时时间；c2(clk_50Mhz)作为SQRT的输入时钟，满足平方根的时序设计延时要求；c3(clk_100Mhz_SDRAM)作为片外缓存SDRAM的驱动时钟，并满足SDRAM硬件布线的设计和各个管脚的延时要求，设计相位偏移-75°，保证与FPGA主时钟的同步处理。

FIFO设计

在AE信号的特征提取时设计输入/输出同时钟的同步FIFO；SDRAM作缓存实现DMA通信的高速数据采集存储时，设计双时钟的异步FIFO，其中输入时钟作为FIFO的写时钟，输出时钟是ARM9提供的CLKOUT，时钟频率都为100Mhz。

SQRT设计

ALTSQRT属于数学运算IP核，用于计算整数的平方根，结果表示为商和余数，支持的数据位宽范围为1-255位，支持可选的异步复位和时钟使能输入，支持流水，输出延时可配置。

ROM设计

在FPGA设计中，根据512点RMS的数学计算公式，并利用MegaWizard Plug-InManager宏功能模块库Memory Compiler中的FIFO模块和Arithmetic中的ALTSQRT模块，来计算RMS值。由于声发射信号是高频信号，需要精确的获取信号的动态特征，所以，在FPGA中采用异步时钟FIFO设计RMS，实现滑动窗口的计算。仿真过程中，首先设计Testbench的输入时钟是100Mhz，相当于时钟周期是10ns，保证在2M采样率的前提下，在50个时钟周期内完成一次采样信号的实时滤波和处理。

磨削状态检测是将系统实时检测的磨削状态归类为空程、正常磨削或碰撞。需要进行声发射信号特征提取和协同神经网络磨削状态检测。

声发射信号特征提取：声发射源与工件材料、磨削参数、磨削条件以及砂轮状态有关，改变这些因素必然会引起声发射信号特征值的变化。因此，通过监测声发射信号的变化和利用声发射技术来判断磨削工作状态。

采用声发射信号的特征参数分析法中的能量分析法(RMS)，其中均方根电压RMS用于表示随机信号的平均能量或平均功率，能量与声发射信号波形包络线下的面积成正比，离散型均方根电压值通常用表示，其中x表示声发射信号采样值,N表示滑动窗口的宽度。

在MATLAB中实现信号特征的提取。先读取AE信号，然后编写MATLAB模块对信号进行缓存后分为四路输入到不同滤波频段的带通滤波器中，滤除信号的直流分量和部分干扰噪声。然后把滤波后的信号分别输入到MATLAB下一模块，在该模块中设计滑动窗口实现四个频段的RMS值并行计算，并进行显示。

协同神经网络磨削状态检测：

针对磨削加工状态的分类问题，利用协同神经网络对声发射信号的特征参数进行学习，计算原型模式向量和伴随向量，进而对输入的未知参量进行动力学演化和序参量的重构，最终检测出磨削的工作状态。

根据协同学动力系统的一般模型，Haken提出了适用于模式识别的动力学方程：

式中，q是以输入模式q(0)为初始值的状态变量；q⁺是q的伴随向量；λ_k是注意参数，当λ_k>0时，对应的模式才能被识别；v_k和称为学习矩阵即原型向量和伴随向量，实现q的线性变换；右端第二项用于模式间的辨别，表征不同模式间的相互竞争，产生模式吸引子；右端第三项用于抑制λ_k为正时导致q的指数级增长；F(t)是涨落力，常忽略；B、C为大于0的基本常数。

基于协同神经网络的磨削状态检测的实现过程包括两个阶段：神经网络的学习训练阶段、网络的检测阶段。

具体采用上述装置进行磨削状态测控步骤：

一、进行学习阶段得到原型模式向量和伴随向量：在同一工件、同一设备进行，在空程、正常磨削和碰撞三种状态下分别进行以下步骤：

步骤(1)：将AE传感器检测的磨削加工过程中的声发射信号，进行信号调理对AE信号放大和滤波处理得到磨削加工AE信号所处的频段信号50Khz-450Khz，再经过A/D数据变换后输入到FPGA；

步骤(2)：将50Khz-450Khz的磨削加工AE信号均分为四个不同频段信号，分别采用带通滤波器滤除信号的直流分量和部分干扰噪声；

步骤(3)：对四个不同滤波频段信号分别进行特征参数RMS的提取，方法为：采用宽度为N的滑动窗口，对四个不同滤波频段信号，采用离散型均方根电压值的计算方式分别进行RMS值的并行计算：

其中：V_RMS1、V_RMS2、V_RMS3和V_RMS4为四个不同滤波频段的特征参数RMS；x表示声发射信号采样值,N表示滑动窗口的宽度；

所述N取512

步骤(4)：对序参量动力学方程ξ_k(n+1)-ξ_k(n)＝γ[λ_k-D+Bξ_k ²(n)]ξ_k(n)中的B、C、注意参数λ_k和迭代步长γ进行初始化。一般取B＝C＝1，选择合适的λ_k和γ使ξ_k趋于稳定，且达到快速收敛，式中下标k代表三种状态：值为1是空程，值为2是正常磨削，值为3是碰撞；

步骤(5)：对三种状态的数据分别选择300个4个频段的RMS值组成协同神经网络训练的模式样本，分别去均值、归一化处理，获得三种状态的原型模式向量V_k，再利用伪逆法求出满足正交性关系的V_k的伴随向量V_k ⁺，最后对计算获得的V_k和V_k ⁺进行存储。

二、磨削状态测控步骤：

步骤1：将AE传感器检测的磨削加工过程中的声发射信号，进行信号调理对AE信号放大和滤波处理得到磨削加工AE信号所处的频段信号50Khz-450Khz，再经过A/D数据变换后输入到FPGA，并在FPGA中采用双乒乓缓存的异步FIFO保证数据采集和数据传输的同步进行；

步骤2：将50Khz-450Khz的磨削加工AE信号均分为四个不同频段信号，分别采用带通滤波器滤除信号的直流分量和部分干扰噪声；

步骤3：对四个不同滤波频段信号分别进行特征参数RMS的提取，方法为：采用宽度为N的滑动窗口，对四个不同滤波频段信号，采用离散型均方根电压值的计算方式分别进行RMS值的并行计算：

其中：V_RMS1、V_RMS2、V_RMS3和V_RMS4为四个不同滤波频段的特征参数RMS；x表示声发射信号采样值,N表示滑动窗口的宽度；

步骤4：以四个不同滤波频段信号的RMS值作为待检测模式的样本数据，进行去均值、归一化处理得到特征向量q(0)，根据求出序参量的初始值ξ_k(0)，利用学习阶段得到原型模式向量和伴随向量，且按照序参量的动力学方程：

ξ_k(n+1)-ξ_k(n)＝γ[λ_k-D+Bξ_k ²(n)]ξ_k(n)

演化后最终只会有一个序参量的值达到稳定，即ξ_k＝1；其余随着迭代步数的增加逐渐趋于0；那么ξ_k＝1时的k值为当前磨削的工作状态，k为1是空程，k为2是正常磨削，k为3是碰撞

是三种状态的原型模式向量V_k的伴随向量V_k ⁺，原型模式向量V_k所对应的：V₁为空程的原型模式向量、V₂为正常磨削的原型模式向量、V₃为碰撞的原型模式向量。

仿真结果：

利用Quartus II内部的SingalTap II Analyzer对系统性能进行分析与验证，系统工作时序图如图6所示。DMA方式的数据传输满足2MSPS采样率下高速数据的实时传输，达到系统的设计要求。

RMS特征参数提取的Modelsim时序仿真结果如图7所示。

特征参数提取时各功能模块信号输入输出延时的Modelsim时序设计如图8所示。整个延时时间在一个采样周期500ns内完成，保证与前端AD同步。

对Verilog HDL设计的磨削状态测控系统进行时序仿真，在Testbench中初始化100Mhz的FPGA主频时钟以及顶层模块的输入端口等。Modelsim的时序仿真结果如图9所示。Modelsim时序仿真选取空程阶段、磨削阶段的AE信号各4096个，作为系统学习阶段的测试数据，工作阶段选择碰撞状态的AE信号4096个，对系统进行仿真验证。

特征参数RMS计算需要256us(512x500ns)，Modelsim仿真结果与系统设计要求完全一致，验证了FPGA软件仿真设计的正确性。

具体实施例：

磨削加工中砂轮或工件采用分段磨削逐次完成，即完成单个工件的加工数控系统控制砂轮有多次进刀和退刀，为提高加工效率，空程阶段采用快速进给，磨削阶段采用慢速进给，从而缩短空程时间达到消空程的目的，系统同时检测磨削过程中的异常情况，防止造成设备损坏达到防碰撞目的。

磨床完整的工作过程如下：

(1)声发射信号采集

将声发射AE传感器(选用美国SCHMITT公司的SB-4200，谐振频率是300Khz，频带范围是50Khz-950Khz)安装到机器铸件或其它硬质机器装置上，安装点务必平坦，并可以阻止像切屑等外界物质的影响。经过信号调理电路对AE信号放大、滤波处理，AE传感器的输出信号直接传送给A/D数据采集卡(高速数据采集AD7622)的信号接收接口，并将两者共地降低干扰。FPGA(Altera公司的FPGA芯片EP40E40F23C6)工作在100Mhz的时钟频率下，控制AD7622的cnvst启动转换引脚(低电平表示启动转换)，实时检测busy信号的下降沿(高电平表示AD7622正在转换)，以2M*16bit速率并行采样。

(2)学习阶段和工作阶段

学习阶段(是系统在磨床开始加工之前，砂轮与工件所处的空程状态和磨削状态进行学习)，在空程阶段计算四个不同频段滤波RMS值，磨削加工AE信号所处的频段范围是50Khz-450Khz，为了获取磨削最佳滤波频段，提高状态判断精度，对AE信号进行四个不同频段(50Khz-150Khz、150Khz-250Khz、250Khz-350Khz、350Khz-450Khz)的并行滤波，并求取四个频段分别对应的特征参数(RMS1max、RMS1min、RMS2max、RMS2min、RMS3max、RMS3min、RMS4max、RMS4min)，经过每个频段特征参数的分析对比，选取具有最大RMS比值的频段作为实际工作的实时数据采集和滤波处理频段。

工作阶段(主要实现功能是在磨削加工开始之后)，实时计算AE信号的RMS值，利用协同神经网络对声发射信号的特征参数进行学习，计算原型模式向量和伴随向量，进而对输入的未知参量进行动力学演化和序参量的重构，与学习阶段获得的阈值进行对比，最终检测出磨削的工作状态，使磨削监测系统作出正确的状态判断。

通过FPGA的控制，使磨床完成工作。砂轮与工件由空程到初次接触时，磨削状态测控系统把检测到声发射信号的变化立即反馈给数控系统，使其控制砂轮慢速进给，进入正常磨削；在正常磨削阶段，数控系统控制砂轮慢速进给，若砂轮或工件在磨削过程中发生突发性材质破裂等意外情况，产生强度远超于正常磨削状态下的声发射信号，此时磨削状态测控系统把检测到的信号变化反馈给数控系统，使其控制磨床停止加工；若正常磨削时能够按照数控系统预先设定的磨削量和磨削时间正常完成，此时数控系统控制砂轮退刀，完成工件的单次加工。

(3)数据存储和传输

FPGA同时与ARM9的系统总线接口通信，ARM9配置数据传输方式为内存直接存取(DMA)方式，其中FPGA的16位并行数据输出给ARM9的数据总线LDATA接口，其它DMA通信用到的信号线包括：DMA外部请求DREQ，DMA外部响应DACK，S3C2440的存储器BANK3的使能信号nGCS3和读写控制信号nEW、nOE，DMA的数据读写时钟CLKOUT和一次单服务模式DMA开始信号start，并移植TCP/IP协议和编写DM9000网卡驱动实现高速数据实时传输。最后，在PC机端通过SOCKET网络接口实现数据接收，将大容量的数据写入PC机硬盘的TXT文件中，实现高速数据实时存储，以供远程数据分析。

(4)人机交互

人机交互模块主要实现操作人员对仪器的输入控制和显示观察，获取必要信息，辅助设置仪器的参数，可以保证磨削状态测控系统工作状态清晰的显示，实现了智能化操作。

主要包括按键输入单元、LCD液晶显示单元、LED显示单元以及状态输出标准接口等。其中，按键输入单元有控制系统启动开始数据采集，启动空程阶段和磨削阶段的学习，计算最佳频段和特征对比参数，启动工作阶段开始磨床加工等功能；LED显示单元对应于按键单元，保证工作人员能清楚的掌握系统所处的运行阶段；LCD液晶显示单元实时显示四个不同滤波频段的AE信号的强度，随着磨削强度大小的变化而实时动态的显示，并且显示空程和碰撞门限，与实时计算的RMS值进行对比，判断磨削工作状态，工作人员可以直观的了解不同批次工件在加工过程中产生AE信号在不同频段的强度差异；状态输出接口用于把系统的状态反馈信号输出给数控系统，实现磨削状态测控系统与数控系统的无缝连接。

效果：

(1)无需人工设置磨床操作参数，自学习获取特征参数，设定恰当的空程和碰撞门限及灵敏度系数，满足不同工件的加工需要；(2)精确判断磨削加工状态，并把状态反馈信号输出给数控系统，使系统完成消空程、防碰撞的在线监测，提高磨削加工效率，实现磨削加工的自动化、智能化；(3)磨削状态检测精度高、稳定性强、可高速数据采集和处理实时进行，采用Verilog HDL硬件描述语言在FPGA中实现磨削状态测控系统，具有算法并行处理速度快、系统集成度高、占用资源少、实时性强、磨削状态响应速度快的优点(对砂轮与工件初次接触产生状态反馈的响应时间小于15ms)；(4)具有良好的人机交互界面，使工作人员根据按键输入、LED状态显示和LCD信号强度显示等人机交互系统准确掌控磨床加工；(5)结合ARM的DMA控制器进行高速数据传输，并且移植TCP/IP协议实现网络传输功能，实现远程获取分析数据的功能。

Claims (3)

1.一种基于声发射的磨削状态测控方法，其特征在于：将声发射AE传感器安装到磨床上，安装地点不会受到切屑以及外界物质的影响，测控步骤如下：

步骤1：将AE传感器检测的磨削加工过程中的声发射信号，进行信号调理对AE信号放大和滤波处理得到磨削加工AE信号所处的频段信号50Khz-450Khz，再经过A/D数据变换后输入到FPGA，并在FPGA中采用双乒乓缓存的异步FIFO保证数据采集和数据传输的同步进行；

步骤2：将50Khz-450Khz的磨削加工AE信号均分为四个不同频段信号，分别采用带通滤波器滤除信号的直流分量和部分干扰噪声；

步骤3：对四个不同滤波频段信号分别进行特征参数RMS的提取，方法为：采用宽度为N的滑动窗口，对四个不同滤波频段信号，采用离散型均方根电压值的计算方式分别进行RMS值的并行计算：

其中：V_RMS1、V_RMS2、V_RMS3和V_RMS4为四个不同滤波频段的特征参数RMS；x表示声发射信号采样值,N表示滑动窗口的宽度；

步骤4：以四个不同滤波频段信号的RMS值作为待检测模式的样本数据，进行去均值、归一化处理得到特征向量q(0)，根据求出序参量的初始值ξ_k(0)，利用学习阶段得到原型模式向量和伴随向量，且按照序参量的动力学方程：

ξ_k(n+1)-ξ_k(n)＝γ[λ_k-D+Bξ_k ²(n)]ξ_k(n)

演化后最终只会有一个序参量的值达到稳定，即ξ_k＝1；其余随着迭代步数的增加逐渐趋于0；那么ξ_k＝1时的k值为当前磨削的工作状态，k为1是空程，k为2是正常磨削，k为3是碰撞

其中，λ_k满足

是三种状态的原型模式向量V_k的伴随向量V_k ⁺，原型模式向量V_k所对应的：V₁为空程的原型模式向量、V₂为正常磨削的原型模式向量、V₃为碰撞的原型模式向量；

所述学习阶段得到原型模式向量和伴随向量的过程为：在同一工件、同一设备进行，在空程、正常磨削和碰撞三种状态下分别进行以下步骤：

步骤(1)：将AE传感器检测的磨削加工过程中的声发射信号，进行信号调理对AE信号放大和滤波处理得到磨削加工AE信号所处的频段信号50Khz-450Khz，再经过A/D数据变换后输入到FPGA；

步骤(2)：将50Khz-450Khz的磨削加工AE信号均分为四个不同频段信号，分别采用带通滤波器滤除信号的直流分量和部分干扰噪声；

步骤(3)：对四个不同滤波频段信号分别进行特征参数RMS的提取，方法为：采用宽度为N的滑动窗口，对四个不同滤波频段信号，采用离散型均方根电压值的计算方式分别进行RMS值的并行计算：

其中：V_RMS1、V_RMS2、V_RMS3和V_RMS4为四个不同滤波频段的特征参数RMS；x表示声发射信号采样值,N表示滑动窗口的宽度；

步骤(4)：对序参量动力学方程ξ_k(n+1)-ξ_k(n)＝γ[λ_k-D+Bξ_k ²(n)]ξ_k(n)中的B、C、注意参数λ_k和迭代步长γ进行初始化， 一般取B＝C＝1，选择合适的λ_k和γ使ξ_k趋于稳定，且达到快速收敛，式中下标k代表三种状态：值为1是空程，值为2是正常磨削，值为3是碰撞；

步骤(5)：对三种状态的数据分别选择300个4个频段的RMS值组成协同神经网络训练的模式样本，分别去均值、归一化处理，获得三种状态的原型模式向量V_k，再利用伪逆法求出满足正交性关系的V_k的伴随向量V_k ⁺，最后对计算获得的V_k和V_k ⁺进行存储。

2.根据权利要求1所述基于声发射的磨削状态测控方法，其特征在于：所述N取512。

3.一种实现权利要求1～2所述任一项基于声发射的磨削状态测控方法的装置，其特征在于包括AE传感器、信号调理电路、AD7622数据采集卡、AE信号处理模块FPGA、GPIO模块和ARM控制器；安装在数控磨床上的AE传感器检测磨削加工过程中的声发射信号，输出至与其连接的信号调理电路对AE信号进行放大和滤波；然后通过AD7622数据采集卡采集十六位数字信号和转换控制信号输入至AE信号处理模块FPGA的A/D接口；AE信号处理模块FPGA对AE信号进行处理，计算AE信号的RMS值，利用学习阶段训练好的分类器检测磨削状态，并通过DMA接口将状态信号以DMA方式的数据传输至ARM控制器，通过并口把状态反馈信号输出至数控磨床CNC；ARM处理器在linux操作系统中完成TCP/IP协议的移植和DM9000网卡的驱动编写，通过以太网将数据传输到PC机，在PC机上设计SOCKET网络接口，完成数据的远程存储管理；

所述AD7622为2MSPS*16bit的并行转换模式；

所述AE信号处理模块FPGA系统时钟是外部50Mhz晶振时钟经过内部PLL倍频之后得到的100Mhz，时钟周期为10ns， 这样满足每50个时钟周期500ns完成一次采样数据转换；

所述AE信号处理模块FPGA内部采用双乒乓缓存的异步FIFO解决数据采集和数据传输的同步进行，将每次转换完成的16位数字量存在预先定义的16bit*512的FIFO1，直到FIFO1存满了之后开始读，同时实时采集的数据存到另一个16bit*512的FIFO2，使得数据采集能实时连续进行；

所述AE信号处理模块通过LCD接口连接LCD液晶显示单元；

所述AE信号处理模块通过LED接口连接LED显示单元；

所述AE信号处理模块通过GPIO扩展口连接GPIO模块。