基于HMM和切削振动的硬车削工件表面粗糙度精度等级监测.pdfVIP

第3l卷第2期 宿州学院学报 VoI．31，No．2 20l ofSuzhou Feb．2016 6年2月 Journal University doi：10．3969／j．issn．1673--2006．2016．02．030 基于HMM和切削振动的 硬车削工件表面粗糙度精度等级监测 何 康1，贾民平2，唐永刚1，李恒征1 1．宿州学院煤矿机械与电子工程研究中心，安徽宿州，234000； 2．东南大学机械工程学院，江苏南京，210089 摘要：为了对硬车嗣工件表面粗糙度(Ra)进行有效监潮。在分析切削振动对工件表面形貌影响的基础上．提取了基 于ssA的多通道融合特征；针对传统的隐马尔科夫模型(HMM)概率比对法的不足．提出了一种)c比对法用于 HMM工件表面粗糙度精度监溯。实验分析表明，采用X比对法比采用概率比对法能够明显提高HMM的工件表面 粗鞋度艚度等级识别率。相对于连续隐马尔科夫模型(MoG—HMM)(识别率83．3％)，离散隐马尔科夫模型 (DHMM)具有较大的优势识别率(94．4％)，其能够完全满足在线的工件表面粗糙度精度等级监测要求。 关键词：工件表面粗糙度；隐马尔科夫模型；振动信号；硬车蜗 中图分类号：TG54文献标识码：A 文章编号：1673—2006(2016)02--0107--05 经济性。除此之外，工件材料特性(如工件硬度)对工 1问题的提出 件表面粗糙度监测精度的影响长期被忽略了[6]， 硬车削作为一种潜在的替代传统磨削的高效加 工方法，其工件表面粗糙度(Ra)常被用作评定工件硬度对于工件表面粗糙度具有显著影响。但是，在当 表面质量的重要指标，但是，影响工件表面粗糙度形 前文献中，缺乏基于多材料和工件硬度条件下的工 成的众多不可控因子增加了其在线监测的难度【1‘2]。 件表面粗糙度监测方法。另外，基于单一方向振动信 Benardos等[3]全面论述了当前所采用的工件表面粗号的工件表粗糙度监测取得了很有意义的进展[1]， 糙度监测方法，指出基于人工智能所构建的监测模 但是对于多通道融合特征的提取鲜有论及；并且较 型具有较高的精度和实用性，建议考虑用尽可能多 多文献都致力于单个样本的精度分析【6-8]。根据国标 的状态信号(设备本身及其加工过程的状态信号)作 为模型输入，但是文献并未指明哪种状态信号对工 评判工件表面光洁度的重要标准，为此，基于切削振 动信号，以SSA提取的多通道融合特征为输入，本 件表面粗糙度具有显著影响。Zhong等[4]指出，人工 神经网络(ANN)的预测精度受到其参数设置的影文将改进的HMM用于工件表面租糙度精度监测。 响，并且到目前为止仍然没有精确解。 2特征提取 在当前所采用的监测信号中，切削力和切削振 动被公认为具有实际意义[z]，与需要改动机床才能 车削时刀尖在空间具有三个方向的振动位移， 安装昂贵的测力计进行监测相比，振动监测简单易 Wang等考虑了刀尖在y和z方向的振动位移对工 行，其在表面质量监测中扮演着重要角色[1’5]。在单件表面形貌的影响Is]。在实际切削过程中，刀尖沿进 给z方向的振动位移实质上改变了相邻的两个刀 点金刚石车削中，Wang等Is]考虑了工件对刀尖的 冲击以及过程阻尼的影响，构建了一个单摆冲击模 尖圆弧半径轨迹在工件表面复映的交点，如图1 型来关联特征波峰和刀尖振动之间的联系。基于主 所示。