磨削加工中聲發射監測技術研究進展

陳敬強 鄧朝暉 卓榮錦 呂黎曙 葛吉民

（1 湖南科技大學機電工程學院，湘潭 411201）

（2 華僑大學制造工程研究院，廈門 361021）

（3 湖南科技大學難加工材料高效精密加工湖南省重點實驗室，湘潭 411201）

文摘 從磨削加工聲發射監測原理、特征提取與選擇、監測模型和監測系統開發4 個方面系統地闡述了磨削加工聲發射監測技術的研究現狀。首先針對磨削中聲發射信號源及特性進行綜述，重點闡述不同磨削狀態下聲發射監測的原理；隨后對比了磨削加工聲發射監測中常見的特征提取與選擇方法和監測模型，比較各方法的優缺點，概括了現有監測系統的開發情況；最后對以上幾方面研究的發展趨勢進行了展望。

0 引言

磨削加工是利用磨料去除材料的加工方法，通常作為精密零部件加工的最后一道工序，被廣泛應用于航空航天、國防軍工、汽車工業等領域［1］。近年來隨著智能制造的發展，對磨削加工的質量與效率提出了更高要求。然而現有的數控磨床智能化程度較低，難以及時發現加工過程中出現的意外情況。因此有必要對磨削加工展開監測研究，開發配備可靠的監測系統［2］。

磨削加工監測技術可分為兩類：直接監測法和間接監測法。直接監測法對被測量進行直接測量，具有較高的準確性；但易受到加工環境影響且只能進行離線監測［3］。間接監測法通過各種先進傳感器獲取加工過程中產生的信號，建立信號與加工狀態間的映射關系從而實現在線監測［4］。間接監測法的測量精度比直接監測法略低，但是可以及時準確地發現加工問題以便提前采取措施進行干預，保證加工的安全性和可靠性，具有很大的實際應用價值。

間接監測中常用的信號主要有振動信號、功率信號、溫度信號和聲發射（AE）信號等。其中AE信號對加工狀態的反應靈敏，寬廣的信號頻帶中帶有著大量有效的磨削信息，因此AE 監測被國內外學者視為磨削加工在線監測的重要手段［5］。目前，AE 已廣泛應用于磨削對刀［6］、砂輪磨損［7］、砂輪修整［8］、磨削燒傷［9］、工件表面粗糙度［10］等方面的監測。

本文從磨削加工聲發射監測原理、特征提取與選擇、監測模型、監測系統開發4個方面進行綜述，對目前的研究現狀及其不足展開分析，并進一步提出磨削加工AE監測技術未來的發展方向。

1 磨削加工聲發射監測原理

AE 是指材料在內外力作用下局部能量快速釋放產生的瞬態彈性波［11］。磨削加工產生的AE 信號與工況、砂輪狀態、工件材料有著密切的聯系，因此可通過AE對磨削過程進行在線監測。

磨削過程中的AE 源主要包括：砂輪與工件的接觸、磨粒與工件的摩擦、砂輪結合劑破碎、工件裂紋的形成與擴展、磨粒破碎等［12］，如圖1 所示。大量學者圍繞不同AE 源的信號分布特性進行研究，為磨削AE 監測提供了理論依據。KIM等［13］發現與磨削相關的AE 信號頻率主要分布在100～1000 kHz之內，而機械噪聲在100 kHz 以下，電氣噪聲則在1 MHz 之上。張學學［14］等指出中頻帶的AE 信號主要源于磨具對工件的成型作用，其能量占比能夠反映磨具的磨損程度。LIU等［15］使用激光加熱工件，發現其溫升曲線與磨削加工時的溫升曲線高度相似，如圖2 所示。提出可用激光熱誘導的方法模擬磨削燒傷，以排除無關AE 源的干擾，僅對與燒傷相關的AE 信號進行分析，并通過實驗指出高溫下AE 信號的能量集中在高頻段，當溫度降低時，能量會向低頻段發生轉移。

圖1 磨削過程中的AE源［12］Fig.1 AE sources in grinding process［12］

圖2 激光熱誘導與磨削加工時的工件溫升曲線對比［15］Fig.2 Comparison of temperature rise curves of workpiece in laser-induced and grinding processes［15］

AE 信號主要受到兩方面因素的影響：一是磨削工藝參數、工件形狀大小和砂輪等工藝條件；二是材料的物理力學性能和微觀組織結構，如材料強度、晶粒大小與排布和金相組織等［16］。王龍［17］等通過分析單晶硅的破碎損傷形貌特征，發現AE 信號與材料去除方式有密切關系，其強度與材料的破碎損傷程度呈正相關。CHEN等［18］在單顆磨粒劃擦實驗中指出磨粒滑擦和切削階段產生的AE 信號集中在中低頻段，而耕犁階段產生的AE 信號集中在高頻段。由此可知，AE 信號對磨削時產生的非穩態特征有著很強的識別能力。可通過建立磨削物理現象與AE 信號間的映射關系，實現對磨削狀態的監測。

綜上所述，當磨削加工狀態改變時，AE 信號會隨之有規律地發生變化，因此結合磨削機理對其映射關系展開具體分析，能對磨削加工狀態進行有效監測。但目前的研究多是定性分析AE 信號與磨削狀態間的關系，對于結合加工機理量化AE 信號與磨削狀態間關系的研究還很缺乏，急需建立完整的AE監測理論模型。

2 特征提取與選擇

磨削時采集到的AE 原始信號數據量大且混入了大量噪聲，因此不能直接用于磨削狀態的辨識。需對信號進行處理以消除干擾，提取與監測目標具有高相關性和可靠性的特征以表征磨削狀態。

2.1 特征提取

根據分析手段的區別，常用的AE 信號特征提取方法可分為兩大類：參數法和波形法［19］。

2.1.1 參數法

參數法是利用簡化的波形特征參數對信號進行統計分析，從而描述磨削加工狀態的方法，其對硬件設備的要求較低，響應迅速，在實時監測中具有很大優勢，因此在早期工程實踐中得到廣泛使用［20］。

常用的AE 特征參數包括振鈴計數、幅度、能量、持續時間、上升時間、平均信號電平、有效值電壓（RMS）等，其含義及用途如表1所示。由于單一參數對加工參數和環境因素敏感，為提高準確性和可靠性，通常將多種特征參數混合作為監測模型輸入。

表1 常用AE特征參數的含義及用途Tab.1 Meaning and use of common AE characteristic parameters

參數法簡單易用，但它只是將AE 信號轉為簡化的波形特征對加工狀態進行描述，并沒有對信號進行系統地分析與降噪，因此存在監測精確度不高、選取依賴經驗和參數間相互關系難以確定等問題，一般只適用于對精度要求較低的監測中或與其他方法結合使用。

2.1.2 波形法

波形法是對AE 信號波形進行時域、頻域和時頻域分析方法的總稱，主要包括頻域與時頻域分析［21］。它能完整地反映出AE 源信息，分析AE 源的物理機制，具有精度高、指向性強等優點［22］。

頻域分析以傅里葉變換（FT）為基礎對信號的頻率進行剖析，不同AE 源的信號特征可通過頻譜分布進行區分，但它只適合處理平穩信號，無法描述時變非平穩的信號。

時頻分析對時域和頻域均有較好的表征能力，適合分析非平穩信號，是目前AE 信號特征提取的主要方法。以下為幾種常用的時頻分析方法，見表2。

表2 STFT、WT及EMD比較Tab.2 Comparison of STFT，WT and EMD

（1）短時傅里葉變換（STFT）在時域和頻域上都具有較好局部性［23］，能直觀地描述信號在時頻面上的分布及頻率構成。TORRES等［24］將STFT應用于氧化鋁單顆磨粒劃擦實驗中，結果表明STFT 能很好地分離出不同材料去除機制的AE 信號。LOPES等［25］提出了一種基于Kaiser 窗的STFT 參數調整算法，以便確定最佳的時頻分辨率。

（2）小波變換（WT）通過小波基和尺度函數對信號頻段進行多層次劃分，可通過計算小波分解后各頻段的特征值，選擇敏感成分作為監測模型的輸入［26］。GAO等［27］應用交叉小波變換和小波相干性揭示了熱誘導AE 信號與磨削燒傷AE 信號間的相干關系。朱歡歡等［28］發現小波包分解后的AE 能量分布趨勢與工件溫度分布趨勢一致，指出可將其用于磨削區溫度的監測。

（3）經驗模態分解（EMD）按照信號本身的時間尺度進行分解，分解出的本征模態函數（IMF）分量體現了原信號在不同的時間尺度上的局部特征，適用于分析非線性非平穩信號。YANG等［29］提出一種基于平均能量百分比的IMF選擇標準，篩選出的IMF分量的邊際譜振幅均方根值和頻譜矩心值對磨削燒傷反應敏感。

相較于參數法，波形法能更加深度地剖析AE信號，突出AE 源特征。但使用波形法提取特征時，需要豐富的信號處理知識且耗時較長，且對硬件資源提出了更高的要求。通過大量磨削實驗，構建磨削加工AE 特征數據庫、知識庫，將會是解決該問題的關鍵。

2.2 特征選擇

磨削加工AE 信號通過現代分析方法可以提取出大量的統計特征參數。面對海量的特征參數，若不加區分地把所有特征輸入到監測模型中，將大大增加識別難度、占用大量硬件資源，很難反映出磨削過程的真實情況。為保證AE 監測精度，提升系統運算效率，可通過特征選擇技術對特征進行篩選，保留與磨削狀態高相關的特征，獲取最佳特征子集［30］。

目前，國內外學者對特征選擇進行了大量的研究。LAJMERT等［31］使用主成分分析法對磨削AE 信號特征進行降維處理，處理后AE 特征減少了40%。PANDIYAN等［32］在機器人砂帶磨削中通過遺傳算法（GA）與近鄰算法（KNN）相結合，考慮特征空間的hamming 距離，將特征從162 個降低到26 個。GUO等［33］提出了一種兩階段的特征選擇方法。如圖3 所示，首先采用ReliefF 過濾器篩選特征，過濾器根據特征對磨削燒傷的重要性進行排序，生成高權重的低維度特征子集，再采用SSAE 網絡進行驗證有效性。結果表明基于ReliefF-SSAE 的模型訓練準確率達到100%，測試準確率達到97.5%。

圖3 基于ReliefF-SSAE的特征選擇［33］Fig.3 Feature selection based on ReliefF-SSAE［33］

特征選擇技術可有效降低AE 監測系統的計算成本，提高算法的泛化能力。但面對磨削AE 監測中的高維度、不均衡、小樣本數據進行高質量特征選擇，還有待進一步展開研究。

3 監測模型

由于磨削過程具有時變、非線性和非平穩性，目前還難以建立一個顯性的數學方程去表征信號特征與加工狀態間的映射關系。通常通過機器學習算法，將其看作一個黑箱，忽略復雜的分析過程，僅對輸入輸出進行觀測和建立模型。常用的機器學習算法包括：人工神經網絡（ANN），支持向量機（SVM），隱馬爾可夫模型（HMM），卷積神經網絡（CNN）等。

3.1 人工神經網絡

ANN 是模擬神經元信息傳遞機制構建的一種數學模型，是通過不斷調整網絡的權值與偏差從而獲得最小化輸出誤差的過程［34］。由于ANN適于從不完全的、無序的數據中識別不同的成分，因此在磨削AE監測中得到廣泛應用。

BP 神經網絡是目前最常用的ANN，其一般由輸入層、隱含層和輸出層組成，如圖4 所示。BP 模型采用誤差反向傳播學習算法，能夠高精度地擬合數據。KWAK等［35］將RMS峰值和FFT峰值作為AE 特征，結合靜動態功率作為BP 模型的輸入，對磨削過程中的顫振和燒傷現象進行識別，該模型的準確率高達95%。由于BP 模型存在全局搜索能力弱、收斂速度慢等問題，大量學者對其進行了改進。胡仲翔等［36］針對磨削表面粗糙度BP 預測模型存在精度低、誤差大的問題，使用附加動量法和自適應學習速率法對其進行優化，優化后模型的收斂速度和預測精度得到明顯提升。YIN等［37］利用GA 的非線性尋優能力來獲取BP 網絡的權值與閾值，改進后模型的預測精度得到明顯提升，如圖5所示。

圖4 BP神經網絡基本結構Fig.4 BP neural network basic structure

圖5 GA優化前后的相對誤差比較［37］Fig.5 Comparison of relative errors before and after GA optimization［37］

與BP 神經網絡相比，徑向基神經網絡（RBF）的收斂速度更快、泛化能力和逼近性能更強。NAKAI等［38］在金剛石砂輪的磨損監測中，使用不同的神經網絡進行測試，發現BP 網絡和RBF 網絡的預測準確率相似，但RBF網絡的學習速度更快。

雖然ANN 在監測中表現出良好的學習能力，但其預測精度依賴于訓練樣本數據。當測試數據超出訓練樣本數據的上下限范圍時，會導致預測結果和實際結果的偏差較大，且ANN 模型的訓練時間相對于其他監測模型也要更長。

3.2 支持向量機

SVM 是基于統計學理論的一種有監督學習模型，它克服了一般ANN 中存在的過學習、欠學習、局部極值等問題，更適合對小規模樣本進行分類。由于工件和砂輪需要經常更換等原因，實際加工中可供學習的樣本并不多，因此SVM非常適用［39］。

YANG等［40］建立了基于SVM 的磨削燒傷預測模型，結果表明該模型在同一磨削參數下正確率為96.88%，不同磨削參數下正確率為91.67%。ZHANG等［41］將SVM 理論與實驗相結合提出了插值-因子-支持向量模型，該模型克服了現有支持向量回歸模型輸出向量大多維數單一的缺點，實現了精密光學元件磨削過程的在線監測。郭力等［42］利用GA優化SVM 的懲罰因子和核參數，構建的GA-SVM 模型在砂輪磨損分類測試中準確率達到100%。

相較于ANN，SVM 的計算速度更快、泛化性能更好。但SVM 對接近分類邊界的相似特征容易出現誤判，在多重分類問題上存在一定的局限性。

3.3 隱馬爾可夫模型

HMM 是一種關于時間序列的概率模型，它的建模是利用觀測序列來找出隱藏狀態序列的過程并根據訓練樣本對模型參數進行不斷優化［43］，主要應用在砂輪磨損監測中。與一般的監測模型不同，HMM不需預先對砂輪的磨損狀態進行標簽設置，而是通過自動聚類以完成對砂輪狀態的劃分，其流程見圖6。

鄭守紅等［45］通過連續HMM 清晰地反映出砂輪磨損狀態的轉移過程，識別精度可達95%以上。LIAO等［46］提出了一種基于HMM 的多變量序列數據聚類方法，結果表明聚類精度會隨著材料去除率的增加而提高。鐘利民等［47］提出了一種基于分層Dirichlet過程-隱半馬爾可夫模型的砂輪鈍化狀態檢測方法，該模型避免了HMM 狀態駐留時間呈指數衰弱的缺點，通過自適應聚類解決了如何將不斷變化的砂輪磨損狀態量化為幾個確定狀態的問題。

與ANN和SVM相比，HMM的自學習和泛化能力更強。但HMM 的建模難度較大，訓練時需要大量樣本來提高模型的分類精度。另外HMM 的應用范圍受到自身算法的限制，不適合用于表面粗糙度這類的定量預測。

3.4 卷積神經網絡

傳統機器學習的關鍵問題在于特征提取，然而人工提取特征需要大量的時間與充足的經驗，且不能保證提取的特征質量［48］。深度學習擺脫了對特征提取的依賴，可以自適應地從信號中學習有用的特征［49］。近年來，深度學習以CNN為代表，被逐漸應用在磨削AE監測中。

CNN 能夠從復雜的AE 數據中自動地提取多維度空間特征，同時具有很強的穩定性，其主要由輸入層、卷積層、池化層、全連接層和輸出層組成。HENRIQUE等［50］提出了一種基于AE 信號的CNN 模型監測磨削燒傷，如圖7 所示，CNN 從輸入的時頻圖像中自動提取特征，模型測試準確率高達99.4%。BI等［51］將AE 信號的原始時域波形作為CNN 的輸入，實現了砂輪全生命周期的狀態分類，準確率超過90%。QI等［52］將改進的馬蘭諾比斯距離與CNN 相結合，建立了包含磨削工藝參數分類和砂帶磨損識別的多層分類模型，結果表明該多層模型比單層CNN模型的精度更高。

雖然CNN 在磨削AE 監測領域中已取得一些初步進展，但它的缺點也很明顯：訓練時需要大量樣本，訓練時間遠超于傳統監測模型，對硬件的計算要求高等。深度學習在工業環境下的實際應用還有待進一步研究。

4 監測系統開發

磨削AE 監測系統主要由AE 傳感器、前置放大器、信號采集處理系統和記錄分析系統組成，如圖8所示。由AE 源釋放的彈性波傳播到材料表面產生微弱的表面位移，被AE 傳感器捕獲后轉換為電信號，經放大、處理、分析和記錄后，從而實現在線監測。

圖8 AE監測系統組成Fig.8 AE monitoring system components

盡管國內外學者圍繞磨削AE 監測已做出了大量工作，但由于工控機在對高頻AE 信號的處理算力薄弱，使得許多AE 關鍵技術在監測系統上難以得到應用［53］。隨著近年來高速數字信號處理技術的發展，磨削AE監測系統開發方面的研究也逐漸展開。

蘇史博等［54］通過FPGA 芯片構建的采集模塊取代了昂貴的采集板卡，對磨床AE 信息進行實時采集。如表3所示，該嵌入式監控系統大幅減小了系統的體積與重量，并顯著地降低了成本。為有效管理磨床數據，湯期林等［55］采用SQL 建立了磨床全信息數據庫，通過數據庫對AE 等數據進行快速、高效和主動管理。監測系統還可借助通信技術實現遠程監控，HUANG等［56］將采集到的AE 數據上傳至云端，使用者可在PC 端或移動端對磨削過程進行遠程監控。

表3 嵌入式監控系統優勢對比［54］Tab.3 Comparison of the advantages of embedded monitoring systems［54］

多傳感器信息具有互補性，比單一傳感器信息更加可靠。將AE 監測技術與多傳感器信息融合技術結合，可對AE 源做出更準確的評價，也是目前磨削監測系統的主要發展方向。王起碩［57］基于AE、力、功率和激光位移傳感器構建了一套多傳感器融合的砂輪監測系統，采用PCA-ANN 信息融合算法有效去除了多傳感器信息的冗余，提高了磨削性能評價的準確性。畢果等［58］通過訪問數控系統OPC 服務器，獲取了磨床運行狀態數據及加工參數等重要信息，并結合AE 等外置傳感器完成了磨床全生命過程大數據的智能監控，系統架構如圖9所示。

圖9 磨床智能監測總體架構［58］Fig.9 Overall architecture for intelligent monitoring of grinding machines［58］

綜上所述，磨削AE 監測系統依托于硬件平臺與軟件技術，可確保磨削加工過程的高質高效。但單一AE 傳感器獲取信息的能力有限，應結合其他傳感器數據及數控機床系統的內部信息，構建面向加工過程的多信息融合存儲、分析及狀態監測的智能磨削監測系統。

5 結語

近年來國內外學者在磨削加工AE 監測研究方面取得了一系列進展。但由于受到磨削條件、加工工件、外部環境等因素的影響，磨削加工AE 監測技術在實際工業應用中仍存在一定的局限性，若要進一步提高監測的精度與可靠性，還應在以下幾方面開展研究。

（1）目前，主要是通過AE 信號統計特征對磨削狀態進行評價，或是借助機器學習等工具建立各種關聯模型。少有從AE 信號產生機制出發，結合磨削加工機理，建立傳感數據與加工機理結合的動態模型，定量分析AE 信號與磨削狀態間關系。如何理解微觀層面的AE 信號與宏觀層面中磨削狀態之間的關聯關系仍是有待探索的課題。

（2）同一磨削狀態下AE 特征選擇的不同往往會導致監測結果具有很大差異，而現有的特征選擇大多是依據人為經驗選擇，缺乏統一的評價標準。因此，通過特征選擇算法對特征進行評價和篩選將是提高磨削加工在線監測可靠性與準確性的有效途徑。

（3）基于機器學習算法構建磨削AE 監測模型是實現磨削加工在線監測的關鍵所在。深度學習能很好地克服傳統AE 監測模型依賴于特征提取、分析人員經驗的問題，基于深度學習的磨削AE 監測將是今后研究的一個重要方向。