高速深切磨削陶瓷工件表面粗糙度的在线监测
On-line monitor surface roughness of englneerlng ceramlc In hlgh speed deep grlndlng
彭兰
PENG Lan
(中南大学机电工程学院．长沙410083)
摘要：直接从放在工件夹具上的声发射(AE)传感器测得的磨削加工中的AE信号中．提取有关磨削表面粗糙度的信息，用神经网络的方法对高速深切平面磨削工程陶瓷氯化铝的工件表面粗糙度进行了在线连续监测。结果表明，该新方法不仅简易直接，而且切实可行。通过进一步改进。可以用于高速深切磨削加工工程陶瓷工件表面粗糙度的在线监测。
关键词：表面粗糙度；神经网络；声发射；高速深磨；工程陶瓷
中图分类号：TG580 文献标识码：B 文章编号：1009-0134(2009)04-0084-03
0 引言
工程陶瓷因具有耐高温、耐腐蚀、耐磨损、高强度和轻质量等显著特点，最近二十多年来在航空航天、国防、电子、机械、汽车、石油、化工、光学等领域得到广泛应用，21世纪被喻为“陶瓷的世纪”。磨削是工程陶瓷最常用的精密加工技术，资料表明[1]：磨削加工的费用占到了工程陶瓷制品总费用的80％以上。目前以砂轮超高速、大切深为标志的高速深磨技术正在陶瓷加工领域迅猛发展，这可以获得很大的材料磨除率。从而大幅度提高磨削效率，降低加工成本。
表面粗糙度是磨削加工质量的重要评价指标。目前，磨削加工中的表面粗糙度仍然采用离线测量方法，由于不能及时发现加工过程中表面粗糙度恶化，经常导致废品出现，这已成为阻碍磨削加工高度自动化、智能化的瓶颈[2]。因此，当前有关的研究大都定位在连续性在线检测技术的开发上，以便能够及时检测出初期的表面粗糙度恶化情况，在发生致命破坏之前采取补救措施。
影响工件表面粗糙度的因素有很多，包括砂轮速度、工作台速度、切深、砂轮直径、磨削液种类以及砂轮表面状况等。这些因素很难归纳到一个数学模型中去，用传统的数学模型根本无法实现工件表面粗糙度的在线监测，只有利用不依赖数学模型的智能方法才能将这些因素综合考虑在监测模型中。文献[2]在理论分析和试验研究的基础上，发现在声发射传感器探头与磨削表面摩擦产生的声发射信号 (acoustic emission，AE)中，其AE信号的有效值(root mcan square，RMS)和其快速付立叶变换(FFT)峰值与工件表面粗糙度有很好的对应关系。从而提出了一种在线监测外圆磨削工件表面粗糙度的方法，利用BP神经网络实现了外圆磨削工件表面粗糙度的在线智能检测和预报。但是该方法没有实现直接从磨削声发射信号中测试磨削工件的表面粗糙度。
本文采用BP神经网络的方法，用磨削加工中的AE特征参量做输入，工件表面粗糙度做输出，对高速深切平面磨削工程陶瓷工件表面粗糙度做了直接地在线监测。
1实验研究
一般而言，磨削由滑擦、耕犁和切削3部分组成，其中摩擦起着极为重要的作用。而在工程陶瓷高速磨削中，摩擦的作用更为重要[1]。文献【3】运用声发射监测磨削原理中的滑擦、耕犁和切削3部分，识别的精度是很高的；而且这3部分中，摩擦所占的份额是最大的。同时应用摩擦声发射监测摩擦表面粗糙度，其可靠性在96％以上。
从上可见，直接从磨削声发射信号中监测磨削表面粗糙度是可行的，其可靠性应该是相当高的。这点也被后面的研究所证实。
