一种砂轮在线监控与修整方法技术

本发明专利技术公开了一种砂轮在线监控与修整方法，包括利用现有的砂轮修整系统检测砂轮在磨削过程中发出并经处理的声发射(AE)数字信号；将步骤1的N个声发射(AE)数字信号a(n)，通过快速傅立叶变换FFT获得个实部AR(k)和虚部AI(k)的不同频谱分量；再经过公式(1)、(2)、(3)计算，获得声发射(AE)数字信号的均方根值Y、总能量E、频域中心频率fc并作为BP神经网络的输入样本等步骤。本发明专利技术方法首次将声发射(AE)数字信号的均方根值(Y)、总能量(E)、频域中心频率(fc)作为特征提取值，然后将其作为BP神经网络的输入值，经BP神经网络训练与测试，准确预测砂轮修整的起始时刻和结束时刻，实现砂轮的自动修整功能。该方法预测准确度高。

【技术实现步骤摘要】

本专利技术属于磨床加工控制方法，具体涉及。
技术介绍
砂轮的修整对砂轮的磨削性能和磨削效果有极大的影响。随着磨削加工向智能化、自适应控制发展，要求能够自动地检测出砂轮的钝化和砂轮修整完成的准确时刻，能及时开始和结束砂轮的修整，以提高磨削质量和生产效率。在以往的工作中，为了避免工件磨削烧伤，大多采用定时修整，在砂轮尚未达到工作寿命极限时，就提前对其进行修整，这样做有盲目性(“磨削质量在线监测方法研究”，刘贵杰等，金刚石与磨料磨具工程，2004. 10)。 频繁修整砂轮不仅会影响加工效率，还会加快砂轮的损耗，特别是使用立方氮化硼(CBN) 砂轮昂贵，增加了生产成本。反之，如果延误了修整周期，则又会影响工件的精度和表面质量，造成废品。因此，能准确及时自动地修整砂轮，是提高磨削加工生产率，保证磨削加工质量的一个重要途径。在近几年开发研究中，声发射(AE)信号作为磨削控制的信息源被广泛采用。许多研究结果表明通过监测AE信号的幅值变化，即可评价砂轮的锋利程度和确定砂轮的工作寿命(“基于神经网络的磨削砂轮状态的再线监测”，刘贵杰等，东北大学学报，2002. 10 ； "STFT在AE信号特征提取中的应用”，廖传军等，仪器仪表学报，2008. 9 ；“磨削过程的AE监视模型”吴国月，磨床与磨削，1999. 1)。但是，当加工工件材料、加工条件和加工参数经常变化时，由于声发射信号的幅值也会随之发生剧烈变化，仅靠检测声发射信号的幅值大小无法判断砂轮钝化程度。为此，本文提出了 FFT频谱分析的方法，即根据砂轮锋利时加工产生的高频分量幅度大和频谱分量多，而钝化时高频分量幅度小和频谱分量少。我们设定一个带限，当高频成分少于一定值，就需要修整砂轮，当高频分量达到某个范围时，结束砂轮的修整，实现砂轮的自动修整。
技术实现思路
本专利技术的目的是提供。本专利技术提出的砂轮在线监控与修整方法，由以下步骤实现步骤1、利用现有的砂轮修整系统检测砂轮在磨削过程中发出并经处理的声发射 (AE)数字信号；步骤2、将步骤1的N个声发射(AE)数字信号a (η)，通过快速傅立叶变换FFT获得γ个实部AR (k)和虚部AI (k)的不同频谱分量；步骤3、再经过公式(1)、(2)、(3)计算，获得声发射(AE)数字信号的均方根值Y、 总能量E、频域中心频率fc并作为BP神经网络的输入样本权利要求1. ，其特征是由以下步骤实现步骤1、利用现有的砂轮修整系统检测砂轮在磨削过程中发出并经处理的声发射(AE)数字信号；步骤2、将步骤1的N个声发射(AE)数字信号a (η)，通过快速傅立叶变换FFT获得y个实部AR (k)和虚部AI (k)的不同频谱分量；步骤3、再经过公式(1)、( 、(；3)计算，获得声发射(AE)数字信号的均方根值Y、总能量E、频域中心频率f。并作为BP神经网络的输入样本全文摘要本专利技术公开了，包括利用现有的砂轮修整系统检测砂轮在磨削过程中发出并经处理的声发射(AE)数字信号；将步骤1的N个声发射(AE)数字信号a(n)，通过快速傅立叶变换FFT获得个实部AR(k)和虚部AI(k)的不同频谱分量；再经过公式(1)、(2)、(3)计算，获得声发射(AE)数字信号的均方根值Y、总能量E、频域中心频率fc并作为BP神经网络的输入样本等步骤。本专利技术方法首次将声发射(AE)数字信号的均方根值(Y)、总能量(E)、频域中心频率(fc)作为特征提取值，然后将其作为BP神经网络的输入值，经BP神经网络训练与测试，准确预测砂轮修整的起始时刻和结束时刻，实现砂轮的自动修整功能。该方法预测准确度高。文档编号B24B53/06GK102267095SQ20111024714公开日2011年12月7日 申请日期2011年8月26日 优先权日2011年8月26日专利技术者戴瑜兴, 王东昱, 王洪, 许世雄, 许君 申请人:湖南宇环同心数控机床有限公司本文档来自技高网...

【技术保护点】
１．一种砂轮在线监控与修整方法，其特征是由以下步骤实现：步骤１、利用现有的砂轮修整系统检测砂轮在磨削过程中发出并经处理的声发射（ＡＥ）数字信号；步骤２、将步骤１的Ｎ个声发射（ＡＥ）数字信号ａ（ｎ），通过快速傅立叶变换ＦＦＴ获得个实部ＡＲ（ｋ）和虚部ＡＩ（ｋ）的不同频谱分量；步骤３、再经过公式（１）、（２）、（３）计算，获得声发射（ＡＥ）数字信号的均方根值Ｙ、总能量Ｅ、频域中心频率ｆｃ并作为ＢＰ神经网络的输入样本：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｉ）Ｙ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｓｑｒｔ）?（ｍｆｒａｃ）?（ｍｒｏｗ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｎ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（ｍｉ）Ｎ（／ｍｉ）?（／ｍｕｎｄｅｒｏｖｅｒ）?（ｍｓｕｐ）?（ｍｉ）ａ（／ｍｉ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｐ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｎ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（ｍｉ）Ｎ（／ｍｉ）?（／ｍｆｒａｃ）?（／ｍｓｑｒｔ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（／ｍａｔｈ）（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｉ）Ｅ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｋ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）０（／ｍｎ）?（／ｍｒｏｗ）?（ｍｆｒａｃ）?（ｍｉ）Ｎ（／ｍｉ）?（ｍｎ）２（／ｍｎ）?（／ｍｆｒａｃ）?（／ｍｕｎｄｅｒｏｖｅｒ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ＡＲ（／ｍｉ）?（ｍｓｕｐ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｋ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｐ）?（ｍｏ）＋（／ｍｏ）?（ｍｉ）ＡＩ（／ｍｉ）?（ｍｓｕｐ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｋ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｐ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｎ）２（／ｍｎ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（／ｍａｔｈ）（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｓｕｂ）?（ｍｉ）ｆ（／ｍｉ）?（ｍｉ）ｃ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）＝（／ｍｏ）?（ｍｆｒａｃ）?（ｍｒｏｗ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｋ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）０（／ｍｎ）?（／ｍｒｏｗ）?（ｍｆｒａｃ）?（ｍｉ）Ｎ（／ｍｉ）?（ｍｎ）２（／ｍｎ）?（／ｍｆｒａｃ）?（／ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）ｋ（／ｍｉ）?（ｍｏ）＆ｔｉｍｅｓ；（／ｍｏ）?（ｍｉ）ｆ（／ｍｉ）?（ｍｏ）＆ｔｉｍｅｓ；（／ｍｏ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ＡＲ（／ｍｉ）?（ｍｓｕｐ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｋ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｐ）?（ｍｏ）＋（／ｍｏ）?（ｍｉ）ＡＩ（／ｍｉ）?（ｍｓｕｐ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｋ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｐ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（ｍｉ）＆ｐｉ；Ｅ（／ｍｉ）?（／ｍｒｏｗ）?（／ｍｆｒａｃ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｎ）３（／ｍｎ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（／ｍａｔｈ）式中：Ｙ为声发射（ＡＥ）数字信号的均方根值，ａ（ｎ）为声发射（ＡＥ）数字信号，Ｎ为输入声发射（ＡＥ）数字信号采样个数，ｋ为０、１、．．．、Ｎ，ＡＲ（ｋ）为通过ＦＦＴ计算后实部频谱，ＡＩ（ｋ）为通过ＦＦＴ计算后虚部号频谱，Ｅ为声发射（ＡＥ）数字信号的总能量，ｆｃ声发射（ＡＥ）数字信号的频域中心频率，ｆ为ＦＦＴ频谱分析的分辨频率，如声发射（ＡＥ）信号最高频率为ｆｍａｘ，采样频率为ｆｓ，采样点选取Ｎ，则分辨频率为ｆ＝ｆｓ／Ｎ。步骤４、ＢＰ神经网络将步骤３的样本取一部分进行学习和训练，使样本训练产生的误差值在设定的范围之内，获得所述ＢＰ神经网络的权值Ｖｉｊ、Ｗｊｋ和控制值Ｒｊ、...

【技术特征摘要】

【专利技术属性】
技术研发人员：王洪，许世雄，许君，王东昱，戴瑜兴，
申请(专利权)人：湖南宇环同心数控机床有限公司，
类型：发明
国别省市：43