基于磨削力信号的石英玻璃端面磨削表面粗糙度预测与工艺参数优化
《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:Surface roughness prediction and process parameter optimization based on grinding force signals in end face grinding of quartz glass
【字体:
大
中
小
】
时间:2026年09月28日
来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING 10.2
编辑推荐:
•开发了一种考虑磨损的力模型,用于端面研磨石英玻璃。•将力谱特征与表面地形特征进行映射。•PSO方法确定了用于频率域轮廓重建的衰减系数。•从法向研磨力信号预测表面粗糙度。•在粗糙度约束下,贝叶斯优化提高了效率。
引言
在高精度研磨中,砂轮的状态和工件的表面质量直接影响加工精度、
•开发了一种考虑磨损的力模型,用于端面研磨石英玻璃。•将力谱特征与表面地形特征进行映射。•PSO方法确定了用于频率域轮廓重建的衰减系数。•从法向研磨力信号预测表面粗糙度。•在粗糙度约束下,贝叶斯优化提高了效率。
引言
在高精度研磨中,砂轮的状态和工件的表面质量直接影响加工精度、服务性能和制造成本。随着智能制造和高性能加工的发展,实时识别砂轮磨损和在线监测工件表面质量已成为精密研磨研究中的关键问题[1]、[2]。端面研磨是一种高精度加工方法,通过砂轮端面与工件之间的接触去除材料。它具有高效率、高精度和低材料损耗的特点,因此在精密表面和端面加工中发挥着重要作用。然而,在研磨过程中,砂轮上的磨粒会不断磨损。随着磨损的累积,砂轮与工件的接触状态会发生变化,从而导致材料去除率和表面粗糙度随时间的显著波动[3]、[4]、[5]。如果在严重磨损的情况下继续研磨,工件的表面质量往往会急剧恶化,甚至可能导致表面损坏[6]、[7]。因此,研究端面砂轮的磨损过程及其对表面粗糙度的影响具有重要意义[8]、[9]、[10]、[11]、[12]、[13]、[14]、[15]、[16]。
当前的砂轮磨损监测方法主要包括直接监测和间接监测。直接监测使用光学显微镜或CCD相机等设备[17]来捕捉机床、砂轮和工件的现场状态信息。然后使用状态阈值指标或图像处理技术[18]来分析研磨条件的变化,并确定在研磨过程中是否发生了异常机床操作、严重砂轮磨损或工件烧伤。Juan等人[19]提出了一种由红外相机和温度传感器组成的智能传感器。他们的结果表明,这种传感器能够准确评估工具状态。Dai等人[20]开发了一种用于在线工具状态监测的机器视觉系统。实验结果表明,该系统能够有效测量渐进式工具磨损并清晰反映工具寿命的趋势。作为一种直接获取加工状态信息的方法,直接监测随着图像处理技术的进步可以实现高精度的信息提取。然而,其实施通常需要在机床上占用专用空间,并且经常中断加工过程。它还需要特殊的夹具来确保精确的焦点和对准。这些要求使得该方法耗时且降低了加工效率。
为了克服直接监测的固有局限性,基于间接传感器的监测逐渐成为提高加工状态评估可靠性的主要研究方向。这种方法通过映射砂轮磨损与研磨过程中产生的物理信号(如力、声发射、振动、应力波和功率)之间的关系来间接评估砂轮状态[21]、[22]、[23]、[24]。它提供了连续加工过程中的现场监测、实时过程数据捕获以及通过信号处理和分析后的后续状态评估。Guo Li等人[25]使用声发射监测了金刚石砂轮的磨损状态,发现声发射信号的均方根、方差和能量系数等特征与砂轮磨损密切相关。Chen Lianqing等人[26]建立了一个基于开放架构的表面粗糙度预测系统,显著提高了模型收敛效率和预测精度。Lin Feng等人[27]基于贝叶斯网络和机器学习开发了一种用于表面研磨的智能监测系统,实现了对过程状态的有效监测。Wang等人[28]使用声发射传感器在现场收集研磨信号,并成功实现了横向外圆精密研磨过程中研磨状态的实时监测。D. González等人[29]提出了一种基于深度学习的新方法,使用声发射传感器监测砂轮磨损。Bi等人[30]对声发射信号谱进行了线性判别分析(LDA),并提出了一种基于LDA的砂轮退化在线监测方法。Mahata等人[31]开发了一种基于Hilbert-Huang变换和支持向量机的砂轮磨损的精确实时识别方法。
近年来,研磨过程监测越来越多地朝着多传感器融合、深度学习和连续预测的方向发展。Pan等人[32]融合了研磨力、振动和声发射信号,以实现研磨表面粗糙度的实时预测。Duan等人[33]整合了声发射、研磨力和振动特征,建立了一种基于多传感器的不同砂轮磨损状态识别方法。Si等人[34]提出了一种基于主轴电流信号的TransBiGRU模型,用于连续预测砂轮磨损,从而减少了对昂贵外部传感器的依赖。Denkena等人[35]进一步研究了使用内部机床控制信号进行砂轮状态监测,并展示了其估计砂轮寿命的潜力。最近,Si等人[36]开发了一种混合CBiGRUPE模型,以改进从主轴电流信号中提取局部和长期磨损特征的能力。这些研究表明,最近的研磨监测研究逐渐从手动设计的信号特征和离散状态分类转向多源信息融合、时间特征学习和连续磨损预测。
在研磨过程中,研磨力是关键的过程变量之一,来源于砂轮与工件之间的相互作用。这个物理量包含了关于加工过程的丰富信息,被广泛认为是加工状态的最具代表性的指标之一[37]。因此,它已成为识别砂轮磨损的重要基础[38]、[39]、[40]、[41]、[42]、[43]。相比之下,声发射信号更容易受到外部环境的干扰[44]。S.J. Caraguay等人[45]通过声发射监测和力传感研究了微晶氧化铝砂轮的磨损行为。Duy Trinh Nguyen等人[1]通过集成自适应神经模糊推理系统、高斯过程回归和Taguchi分析,开发了一种基于研磨力信号的砂轮磨损监测模型。Fu等人[46]从实验研磨力信号和表面地形轮廓中提取了频率域特征。他们的结果显示基于余弦相似性和Kendall’s tau的相关性很高。利用研磨力的频率域特征,他们进一步建立了一个基于卷积神经网络的表面粗糙度预测模型。Li等人[47]提出了一种基于改进的烟火算法的在线研磨表面粗糙度监测方法。通过研磨力信号和表面地形轮廓的谱分析,并借助卡方分布密度函数,他们建立了研磨力信号的振幅-频率曲线与表面地形之间的功能关系,从而实现了研磨粗糙度的在线监测。Wang Xuedong等人[48]基于振动信号的分数特征建立了一种在线表面质量监测方法,实现了加工过程中粗糙度变化的实时跟踪。Liu Yuekai等人[49]提出了一种用于铣削的在线表面粗糙度监测方法,并设计了一种适用于移动设备的轻量级卷积神经网络架构。Hong Shengqi等人[50]提出了一种基于分数维理论的车加工表面粗糙度实时监测方法,通过在线分析表面纹理的分数特征实现了质量异常的早期预警。Shen Gaoyang等人[51]开发了一种集成控制系统,将在线监测与过程参数的自适应调整结合起来,以解决实际加工中刀具与工件之间不规则振动引起的表面粗糙度不稳定性。Tang等人[52]利用材料去除能量理论在严重切削条件下获得特征声发射模式,从而实现实时监测。Zhang等人[53]提出了一种基于数据驱动的框架,通过监测工具磨损状态来预测表面粗糙度。
大多数基于信号的表面粗糙度监测研究主要集中在周边研磨和圆柱研磨等工艺上。对于硬脆材料的端面研磨的研究仍然有限。由于砂轮端面直接参与切割,端面研磨中的磨粒轨迹和磨损模式与外圆研磨不同[54]。因此,研磨力信号特征与工件表面粗糙度之间的关系变得更加复杂。更重要的是,砂轮磨损不断改变磨粒的切割状态和砂轮-工件接触状态,从而影响研磨力的演变和表面质量的形成[55]。许多现有的粗糙度预测方法主要依赖于统计相关性或黑盒学习模型。尽管这些方法可能实现满意的预测精度,但它们并没有明确解释磨粒磨损如何改变研磨力和表面地形。砂轮磨损、研磨力生成和表面形成之间缺乏机械联系,限制了模型在不同砂轮条件下的可解释性和可靠性。
因此,本研究从四个方面探讨了端面研磨:磨损机制分析、研磨力建模、粗糙度监测和过程参数优化。首先,分析了端面砂轮的磨损机制,并基于单个磨粒磨损和力分析建立了整体研磨力模型。其次,通过端面研磨实验收集研磨力信号和工件表面地形数据。然后进行频率域分析,以建立研磨力的振幅-频率特征与表面地形特征的映射关系。接下来,基于研磨力信号开发了表面地形重建和粗糙度预测模型。最后,在粗糙度约束下进行过程参数优化,以实现加工效率和表面质量的协同改进。与主要关注粗糙度预测和参数优化的现有研究不同,本研究将砂轮磨损机制分析和考虑磨损的研磨力建模纳入了粗糙度监测的前端。通过这种方式,建立了一个完整的研究框架,涵盖了磨损机制、力建模、粗糙度预测和参数优化。
部分摘录
•针对端面研磨砂轮的研磨力建模与验证
在端面研磨过程中,工件表面的材料去除是由随机分布在砂轮表面的磨粒共同作用的结果。基本的材料去除模式主要包括摩擦、耕作和切屑形成[56]。随着砂轮磨损的逐渐累积,参与切割的磨粒切削边缘的状态和有效磨粒的数量会不断变化,这动态地改变了这三者的主导作用。
实验设备和材料
在此基础上,进一步进行了端面研磨实验。在不同工艺参数条件下收集了研磨力信号和工件表面地形数据,以分析研磨力与表面地形之间的关系,并建立后续的粗糙度监测模型。本研究中使用的研磨设备是DMU50五轴立式加工中心,如图13所示。
信号处理
信号处理包括两部分:表面地形曲线处理和研磨力信号处理。
(1) 表面地形曲线处理。
使用激光共聚焦显微镜捕获工件表面地形。选择了五个等间隔的截面位置,并依次导出每个截面的处理后的表面轮廓数据。在成像过程中使用了20倍物镜,采样长度设置为0.645毫米。每个导出的轮廓数据...
模型开发
数学模型的开发首先需要建立研磨力信号与表面地形振幅-频率曲线的最大值和平均值之间的映射关系。然后,构建一个数学模型,以便基于研磨力信号实时监测表面地形轮廓。在前一节中,已经建立了研磨力信号振幅-频率曲线的平均值和最大值的数学模型。
过程参数优化
在研磨过程中,一旦监测到的表面粗糙度超过预定值,就需要优化过程参数,以使最终的表面粗糙度保持在预定限值以下。
贝叶斯优化(BO)是一种高效的全局优化方法,特别适用于难以评估目标函数且没有明确数学形式的黑盒函数。在这项研究中,我们构建了一个基于磨削作业数据的工艺参数优化框架。为了应对硬脆材料端面磨削过程中在线表面粗糙度预测和工艺参数选取的挑战,选择石英玻璃作为代表性工件材料,并使用金刚石砂轮进行加工。我们建立了一种基于磨削力信号的表面粗糙度预测和工艺参数优化方法,该方法得到了砂轮磨损机制分析及磨损感知型磨削力建模的支持。主要研究结论如下:
作者贡献声明:
王紫轩:撰写原始稿件、监督研究、确定研究方法、争取研究资金、进行形式化分析、提出研究框架。
吴甘:撰写原始稿件、参与研究实施、进行形式化分析。
王谦:负责数据验证、软件开发、参与研究实施、进行形式化分析。
于天宝:负责监督研究工作、确定研究方法、进行形式化分析。
赵冀:负责监督研究工作、确定研究方法、争取研究资金。
侯学雁:撰写原始稿件、确定研究方法、参与研究实施、提出研究框架。
利益冲突声明:
作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
致谢:
本项研究得到了国家自然科学基金(项目编号52405460、U23B20106、U25A20315)以及中央高校基本科研业务费(项目编号N26GFY008)的支持。
作者名单:
王紫轩 | 吴甘 | 王谦 | 于天宝 | 赵冀 | 侯学雁
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号