CN108037034B

CN108037034B - 砂轮磨削性能的多传感器在线检测及数据处理系统

Info

Publication number: CN108037034B
Application number: CN201711396707.9A
Authority: CN
Inventors: 姚鹏; 王起硕; 张振中; 黄传真; 刘含莲
Original assignee: Shandong University
Current assignee: Shandong University
Priority date: 2017-12-21
Filing date: 2017-12-21
Publication date: 2019-03-15
Anticipated expiration: 2037-12-21
Also published as: CN108037034A

Abstract

本发明公开了一种砂轮磨削性能的多传感器在线检测及数据处理系统，包括磨削力检测装置，用于检测砂轮的磨削力的大小；磨削区功率检测装置，用于检测砂轮磨削区功率信号的大小；声发射检测装置，用于检测砂轮在磨削过程中发出的声音大小；砂轮地貌检测装置，用于检测砂轮的地貌；工件表面粗糙度检测装置，用于检测工件表面的粗糙度；计算机处理装置，对所述的磨削力检测装置、磨削区功率检测装置、声发射检测装置、砂轮地貌检测装置、工件表面粗糙度检测装置检测的数据进行处理。

Description

砂轮磨削性能的多传感器在线检测及数据处理系统

技术领域

本发明公开了一种基于多传感器融合的砂轮磨削性能在线检测系统及数据处理系统。

背景技术

磨削加工作为一种常用的精密和超精密加工工艺，是决定工件加工精度和表面质量的关键因素之一，在生产加工中发挥着越来越重要的作用。而在影响磨削加工的多种因素中，砂轮的磨削性能是决定磨削加工质量的重要因素之一。传统的通过磨削加工机理研究、离线或在位检测砂轮磨削性能的方法，越来越难以胜任变参数、多品种自动化加工生产的需求。为达成磨削过程的最优控制，提高磨削加工的质量和经济性，发明了一种关于砂轮磨削性能的在线检测系统与方法。

通过对现有技术的研究发现，对于砂轮磨削性能的在线检测尚存在不足之处：

(1)虽然不同学者已经使用不同的单一传感器针对砂轮磨削性能的在线检测展开了研究，但在线检测得到的数据往往需要后续复杂的人工处理和选用算法进行离线融合，缺乏一套对于砂轮磨削在线检测的自动化系统，难以做到真正在磨削加工过程中对砂轮磨削性能的在线检测；

(2)现有的研究往往只针对砂轮磨削性能的某一方面，如砂轮的磨损程度或磨削工件的表面质量等，但砂轮的磨削性能是涉及多方面的综合评价，单从某一方面进行评价难以满足实际生产加工中的要求；

(3)现有应用多个传感器与多种信号特征进行在线检测的研究多集中在车削、铣削领域，尚无对砂轮磨削性能进行在线检测的应用。

发明内容

本发明基于实际生产的砂轮磨削性能的评价可从磨削加工效率、工件加工表面质量、磨削加工成本三方面考虑，此三方面又可通过磨削比、工件表面纹理与表面层物理力学性能、砂轮耐用度等评价指标来反映，这些评价指标又受砂轮的固有特性、砂轮的表面形貌、磨削用量、磨削液的使用、磨削加工环境以及砂轮的磨损状态等方面的影响，而砂轮的表面形貌和磨损状态又可通过磨削过程中的磨削力、磨削功率、声发射(AE)等在线检测信号间接反映。因此，本发明基于激光测微仪、多分量测力仪、声发射传感器和功率计，借助LabVIEW的开发平台和MATLAB的工具包设计开发了一套多传感器融合系统，完成了信息融合各流程的自动处理，实现了包括砂轮磨损状态的在线识别、磨削工件表面粗糙度和磨削比的在线预测在内的砂轮磨削性能的在线检测。

本发明采用的技术方案如下：

砂轮磨削性能的多传感器在线检测系统,包括：

磨削力检测装置，用于检测砂轮的磨削力信号；

磨削区功率检测装置，用于检测砂轮磨削区功率信号；

声发射检测装置，用于检测砂轮在磨削过程中的声发射信号；

砂轮地貌检测装置，用于检测砂轮的地貌；

工件表面粗糙度检测装置，用于检测工件表面的粗糙度；

计算机处理装置，对所述的磨削力检测装置、磨削区功率检测装置、声发射检测装置、砂轮地貌检测装置、工件表面粗糙度检测装置检测的数据进行处理。

进一步的，所述的磨削力检测装置为多分量测力仪平台；所述的多分量测力仪平台将检测的磨削力经电荷放大器放大后，发送给数据采集卡，所述的数据采集卡与计算机处理装置相连。

进一步的，所述的磨削区功率检测装置为功率计；所述的功率计与数据采集卡相连，所述的数据采集卡与计算机处理装置相连。

进一步的，所述的声发射检测装置为声发射传感器，所述的声发射传感器与数据采集卡相连，所述的数据采集卡与计算机处理装置相连。

进一步的，所述的砂轮地貌检测装置为激光位移传感器，所述的激光位移传感器与激光位测微仪控制器相连，所述的激光位测微仪控制器与数据采集卡相连，所述的数据采集卡与计算机处理装置相连。

进一步的，工件表面粗糙度检测装置为手持粗糙度检测仪，所述的手持粗糙度检测仪与计算机处理装置相连。

本发明还提供了一种基于所述的在线检测系统的数据处理系统，包括

数据存储模块，用于存储大量的在线数据；

预处理模块，包括在线检测信号的降噪处理模块以及频谱显示模块、用于判断砂轮与工件的磨削开始时间和持续时间的模块、判断功率信号相对于磨削开始的延迟时间模块、AE信号的特征频段选取模块；

特征提取模块，包括在线模块和在位模块；

所述的在线模块用于提取在线检测信号特征；

所述的在位模块包括砂轮地貌数据计算模块、磨削性能表征量计算模块；所述的砂轮地貌数据计算模块用于提取平均砂轮表面磨粒突出高度；所述的磨削性能表征量计算模块用于提取出磨砂比与磨砂工件表面粗糙度；

特征选择与信息融合模块，包括神经网络训练模块、在线识别与预测模块，所述的神经网络训练模块完成主成分分析方法和径向基网络的调试与训练；所述的在线识别与预测模块完成砂轮磨损状态的在线识别、在线预测磨削比值以及在线预测工件表面粗糙度值。

进一步的，所述的数据存储模块进行数据存储的方法是：所述的数据存储模块采用优化的“生产者-消费者”结构，生产者结构按照采样时间的发生顺序将采集的声发射、磨削力以及功率时域信号置入采样缓冲区，同时消费者结构按照循环采样的顺序分块从采样缓冲区中提取数据写入格式文件。

进一步的，磨削力信号的预处理处理方法：

多分量测力仪平台中的压电感应传感器感知到磨削力的变化后，输出信号经电荷放大器处理后，转换为8通道模拟电压信号被采集卡完成信号采集；由于最终研究对象为3方向磨削力(轴向力F_a、切向力F_t及法向力F_n)，故首先根据多分量测力仪设置的各方向分力量程，将8通道电压信号转化为3通道力信号。选定法向力F_n为观察对象，设定阈值，确定砂轮磨削开始时间和持续时间。在测力仪开始工作后，稳定采集一定时间的磨削力信号，通过“提取部分信号Express.VI”和“数组”函数，设定基准信号段开始时间点和持续时间(本系统中取1s)，提取并计算信号均值，然后通过信号均值对采集信号完成去漂移修正。最后，通过LabVIEW的“频谱测量Express.VI”完成FFT变换，实现磨削力信号的频谱显示。

进一步的，功率信号的预处理方法：

检测数据读取后，考虑到外部电磁环境与设备电源的噪声干扰，首先以磨床开机状态为基准对功率信号进行归零处理，处理过程设计同磨削力信号零点漂移去除。其次，因采集卡采样频率设置为2MSamples/s，为减少信息传输的数据量，节省内存开支，完成对功率信号的数据压缩，同样通过滤波器完成低通滤波，并以磨削力确定的磨削开始时间t₀为提取信号开始时间，取远大于磨削持续时间Δ_t的信号段，确定该段功率信号的峰值出现时间t_p，t₀-Δt/2的时间即为功率延迟时间；低通滤波后，通过频谱测量完成FFT变换，实现功率信号的频谱显示。

进一步的，所述的网络训练模块通过不同磨损状态的砂轮磨削工件时提取的在线检测信号特征值作为输入，以径向基节点构成隐含层，以砂轮的不同磨损状态以及特征提取模块处理得到的磨削比值和磨削工件表面粗糙度Ra值作为教师信号，完成网络的训练。

进一步的，在线识别与预测模块通过在实际磨削加工中在线检测信号处理得到的特征，使用已调试好的PCA方法完成特征选择，并输入训练成功的RBF神经网络，从而实现砂轮磨损状态的在线识别以及磨削比值和磨削工件表面粗糙度Ra值的在线预测。

本发明的有益效果如下：

1).本发明设计开发了基于激光测微仪、多分量测力仪、AE传感器以及功率计的多传感器融合的砂轮磨削性能在线检测系统，完成了信号特征提取与磨削性能评价的自动处理，系统调试与训练完成后，可实现磨削力信号、磨削功率信号与磨削中声发射信号的降噪时域与频谱显示，可实现砂轮磨损状态的在线识别、磨削工件表面粗糙度Ra值和磨削比值的在线预测，提高了关于砂轮磨削性能在线检测的效率。

2).通过对磨削力信号、磨削功率信号以及AE信号的深入分析，对多个传感器获得的片面、冗余甚至矛盾、错误的信息充分利用，经基于PCA-RBF的信息融合模型实现信息的相互补充与印证，实现了单个传感器所不能完成的识别与预测任务，达到了优于融合系统各个部分简单叠加所得集合的效果。

3).以采用表1中所示微晶刚玉砂轮，表2中所示磨削工艺参数和砂轮磨损状态进行四因素三水平的全因素样本实验为例，每组参数进行3次重复实验，每次实验通过本发明设计的系统提取3次样本特征值与教师信号，共729组样本数据与对应教师信号。取其中2/3数据作为样本集，剩余1/3数据作为测试集，本发明实现了高精度(94.24％)的砂轮磨损状态的在线分类识别，高精度的磨削工件表面粗糙度Ra值(均方误差和0.0141μm)和磨削比值(均方误差和3.46)的在线预测。

表1本发明实验中平行砂轮参数

表2全因素样本实验参数

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1砂轮磨削性能评价指标及其影响因素；

图2系统的硬件布局；

图3系统的软件架构。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

正如背景技术所介绍的，如图1所示，基于实际生产的砂轮磨削性能的评价可从磨削加工效率、工件加工表面质量、磨削加工成本三方面考虑，此三方面又可通过磨削比、工件表面纹理与表面层物理力学性能、砂轮耐用度等评价指标来反映，这些评价指标又受砂轮的固有特性、砂轮的表面形貌、磨削用量、磨削液的使用、磨削加工环境以及砂轮的磨损状态等方面的影响，而砂轮的表面形貌和磨损状态又可通过磨削过程中的磨削力、磨削功率、声发射(AE)等在线检测信号间接反映。因此，本发明基于激光测微仪、多分量测力仪、声发射传感器和功率计，借助LabVIEW的开发平台和MATLAB的工具包设计开发了一套多传感器融合系统，完成了信息融合各流程的自动处理，实现了包括砂轮磨损状态的在线识别、磨削工件表面粗糙度和磨削比的在线预测在内的砂轮磨削性能的在线检测。

在线检测系统的硬件布局如图2所示。在线检测的信号主要有磨削过程中的磨削力信号、磨削区功率信号及声发射信号，在位检测的信号是激光位移信号(反映砂轮地貌)，各信号通过不同的传感器采集，然后经放大、滤波等处理后由数据采集卡转化为数字信号，与通过粗糙度仪采集的磨削工件表面粗糙度Ra值一起在计算机中进行进一步的分析处理。系统采用的硬件功能参数如表3和表4所示。

表3各传感器设备型号与主要功能参数

表4采集卡型号与主要功能参数

在线检测系统的软件模块架构如图3所示。软件主要分为数据存储模块、预处理模块、特征提取模块及特征选择与信息融合模块四部分。系统通过数据存储模块实现在线检测数据的实时存储，离线读取后通过预处理模块对信号记性滤波、去漂移和FFT变换等处理，实现在线检测信号的降噪和频谱显示，采用触发功能通过磨削力信号判断砂轮与工件的磨削开始时间和持续时间，通过功率信号判断功率信号相对于磨削开始的延迟时间，采用小波包能量系数法选定AE(声发射)信号的特征频段。系统通过特征提取模块提取在线检测信号的信号特征作为特征选择与信息融合模块的输入，使用该模块中完成调试的主成分分析(PCA)方法和训练成功的神经网络进行砂轮磨损状态的在线识别，磨削工件表面粗糙度和磨削比的在线预测。

(1)、由于信号的数据量巨大，采用普通的数据存储方式无法满足在线检测数据存储速度的要求。根据LabVIEW已有的数据存储模块，系统采用优化的“生产者-消费者”结构，设计开发了适用于在线检测数据存储的VI(虚拟仪器)。生产者结构按照采样时间的发生顺序将采集的声发射、磨削力以及功率时域信号置入采样缓冲区(采样频率为2MSamples/s，每次循环采样数为0.2M，缓冲区大小为每通道50M)，同时消费者结构按照循环采样的顺序分块从采样缓冲区中提取数据写入tdms格式(LabVIEW特有的文件格式)文件。其中驱动配置子VI首先创建采样任务，指定数据传输的虚拟通道，其次定义各通道名称、采集信号的类型(单端/差分)、信号大小和格式，接着通过配置采样时钟保证采样率和信号采集的同时性，在判断数据是否出错后，输出任务配置数据。

(2)、预处理模块主要针对在线检测信号的处理，即关于磨削力信号、功率信号以及AE信号的预处理。

1.关于磨削力信号的预处理

多分量测力仪平台中的压电感应传感器感知到磨削力的变化后，输出信号经电荷放大器处理后，转换为8通道模拟电压信号被采集卡1完成信号采集。由于最终研究对象为3方向磨削力(轴向力F_a、切向力F_t及法向力F_n)，故首先根据多分量测力仪设置的各方向分力量程，将8通道电压信号转化为3通道力信号。选定法向力F_n为观察对象，设定阈值采用LabVIEW的“基本电平触发检测.VI”，确定砂轮磨削开始时间t₀和持续时间Δt；

磨削加工中能够反映加工过程特征的磨削力信号主要为以砂轮旋转频率为基频的谐波信号和直流信号部分。为保证高的信噪比，根据砂轮的旋转频率读取数据通过LabVIEW的“滤波器Express.VI”完成低通滤波，同时，忽略传感器的温度漂移，主要考虑其零点漂移，在测力仪开始工作后，稳定采集一定时间的磨削力信号，通过“提取部分信号Express.VI”和“数组”函数，设定基准信号段开始时间点和持续时间(本系统中取1s)，提取并计算信号均值，然后通过信号均值对采集信号完成去漂移修正。最后，通过LabVIEW的“频谱测量Express.VI”完成FFT变换，实现磨削力信号的频谱显示。

2.关于功率信号的预处理

检测数据读取后，考虑到外部电磁环境与设备电源的噪声干扰，首先以磨床开机状态为基准对功率信号进行归零处理，处理过程设计同磨削力信号零点漂移去除。其次，因采集卡2采样频率设置为2MSamples/s，为减少信息传输的数据量，节省内存开支，经LabVIEW的“采样压缩Express.VI”完成对功率信号的数据压缩，同样通过LabVIEW的“滤波器Express.VI”完成低通滤波，并以磨削力确定的磨削开始时间t₀为提取信号开始时间，取远大于磨削持续时间Δt的信号段通过“统计Express.VI”确定该段功率信号的峰值出现时间t_p，t₀-Δt/2的时间即为功率延迟时间。此外，低通滤波后，通过LabVIEW的“频谱测量Express.VI”完成FFT变换，实现功率信号的频谱显示。

3.关于AE信号的预处理

通过LabVIEW的“任意小波路径分解.VI”对AE信号进行3层db02小波小波包分解，经数据运算处理后得到不同频段的能量系数，去除磨削过程中能谱系数过低的信号频段，通过“任意小波路径重构.VI”重构不同频段信号，完成信号的小波降噪处理。最后，同样通过LabVIEW的“频谱测量Express.VI”完成FFT变换，AE信号的频谱显示。

(3)、特征提取模块提取的特征又分为在线部分和在位部分。在线部分提取的特征见表5至8，表中○代表取用，X代表不取用，最终提取的特征共148种。提取的特征的统计量算法见表9，经LabVIEW的“概率与统计”等计算模块实现。

在位部分提取的特征指磨削性能表征量，即由激光位移信号提取出的磨削比，和由手持粗糙度以测量的磨削工件表面粗糙度，目的在于作为特征选择与信息融合模块中神经网络的训练教师信号。采集的激光位移信号同样存在采样率过大的问题，通过LabVIEW“采样压缩Express.VI”完成对功率信号的数据压缩。之后，选择砂轮旋转一周采集数据量中大于其余99.5％的采样数据点为此段数据的砂轮表面磨粒突出高度，多次循环此步骤后求均值，即得到平均砂轮表面磨粒突出高度；再通过公式(1)经LabVIEW编程计算得到磨削比G，将磨削比G与磨削工件表面粗糙度Ra规范格式后输出，完成在位部分的特征提取。

表5在线检测模块提取的信号时域特征

表6磨削力信号频域提取的特征

表7功率信号频域提取的特征

表8 AE信号频域提取的特征

表9基于统计量的特征提取算法

(4)、特征选择与信息融合模块可分为神经网络训练模块和在线识别与预测模块两部分。特征选择方法选用主成分分析(PCA)方法，通过调试特征方差贡献率阈值来达成不同的选择效果，神经网络选用3层径向基(RBF)网络，通过调试散布常数来实现不同的信息融合效果。

网络训练模块通过不同磨损状态的砂轮磨削工件时提取的在线检测信号特征值作为输入，以径向基节点构成隐含层，以砂轮的不同磨损状态以及特征提取模块处理得到的磨削比值和磨削工件表面粗糙度Ra值作为教师信号，完成网络的训练。首先以LabVIEW的MATLAB Script节点实现在线检测信号特征的零均值(Z-score)标准化以及教师信号的最小-最大值(min-max)标准化。其次以MATLAB的PCA工具包完成在线检测信号特征的选择，通过神经网络工具包完成RBF网络建模，以砂轮磨损状态的识别准确度以及磨削比值和磨削工件表面粗糙度Ra值的预测均方误差和作为网络仿真结果精度的评价标准，完成网络的训练。表面粗糙度Ra值的预测训练同磨削比预测训练基本相同。

在线识别与预测模块通过在实际磨削加工中在线检测信号处理得到的特征，使用已调试好的PCA方法完成特征选择，并输入训练成功的RBF神经网络，从而实现砂轮磨损状态的在线识别以及磨削比值和磨削工件表面粗糙度Ra值的在线预测。表面粗糙度Ra值的预测同磨削比预测基本相同。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims

1.一种砂轮磨削性能的多传感器在线检测系统对应的数据处理系统，所述在线检测系统包括磨削力检测装置，用于检测砂轮的磨削力信号；磨削区功率检测装置，用于检测砂轮磨削区功率信号；声发射检测装置，用于检测砂轮在磨削过程中的声发射信号；砂轮地貌检测装置，用于检测砂轮的地貌；工件表面粗糙度检测装置，用于检测工件表面的粗糙度；计算机处理装置，对所述的磨削力检测装置、磨削区功率检测装置、声发射检测装置、砂轮地貌检测装置、工件表面粗糙度检测装置检测的数据进行处理；

其特征在于，所述数据处理系统包括

数据存储模块，用于存储大量的在线数据；

特征提取模块，包括在线模块和在位模块；

所述的在线模块用于提取在线检测信号特征；

2.如权利要求1所述的数据处理系统，其特征在于，所述的数据存储模块进行数据存储的方法是：所述的数据存储模块采用优化的“生产者-消费者”结构，生产者结构按照采样时间的发生顺序将采集的声发射、磨削力以及功率时域信号置入采样缓冲区，同时消费者结构按照循环采样的顺序分块从采样缓冲区中提取数据写入格式文件。

3.如权利要求1所述的数据处理系统，其特征在于，磨削力信号的预处理处理方法：多分量测力仪平台中的压电感应传感器感知到磨削力的变化后，输出信号经电荷放大器处理后，转换为8通道模拟电压信号被采集卡完成信号采集；然后根据多分量测力仪设置的各方向分力量程，将8通道电压信号转化为3通道力信号；选定法向力Fn为观察对象，设定阈值，确定砂轮磨削开始时间和持续时间。

4.如权利要求1所述的数据处理系统，其特征在于，功率信号的预处理方法：

首先以磨床开机状态为基准对功率信号进行归零处理，处理过程设计同磨削力信号零点漂移去除；

其次，通过滤波器完成低通滤波，并以磨削力确定的磨削开始时间t₀为提取信号开始时间，取远大于磨削持续时间Δt的信号段，确定该段功率信号的峰值出现时间t_p，t₀-Δt/2的时间即为功率延迟时间；低通滤波后，通过频谱测量完成FFT变换，实现功率信号的频谱显示；

所述的神经网络训练模块通过不同磨损状态的砂轮磨削工件时提取的在线检测信号特征值作为输入，以径向基节点构成隐含层，以砂轮的不同磨损状态以及特征提取模块处理得到的磨削比值和磨削工件表面粗糙度Ra值作为教师信号，完成网络的训练；

在线识别与预测模块通过在实际磨削加工中在线检测信号处理得到的特征，使用已调试好的PCA方法完成特征选择，并输入训练成功的RBF神经网络，从而实现砂轮磨损状态的在线识别以及磨削比值和磨削工件表面粗糙度Ra值的在线预测。

5.如权利要求1所述的数据处理系统，其特征在于，所述的磨削力检测装置为多分量测力仪平台；所述的多分量测力仪平台将检测的磨削力经电荷放大器放大后，发送给数据采集卡，所述的数据采集卡与计算机处理装置相连。

6.如权利要求1所述的数据处理系统，其特征在于，所述的磨削区功率检测装置为功率计；所述的功率计与数据采集卡相连，所述的数据采集卡与计算机处理装置相连。

7.如权利要求1所述的数据处理系统，其特征在于，所述的声发射检测装置为声发射传感器，所述的声发射传感器与数据采集卡相连，所述的数据采集卡与计算机处理装置相连。

8.如权利要求1所述的数据处理系统，其特征在于，所述的砂轮地貌检测装置为激光位移传感器，所述的激光位移传感器与激光位测微仪控制器相连，所述的激光位测微仪控制器与数据采集卡相连，所述的数据采集卡与计算机处理装置相连。

9.如权利要求1所述的数据处理系统，其特征在于，工件表面粗糙度检测装置为手持粗糙度检测仪，所述的手持粗糙度检测仪与计算机处理装置相连。