[发明专利]一种基于声发射的磨削状态测控方法及装置

权利要求书

1.一种基于声发射的磨削状态测控方法，其特征在于：将声发射AE传感器安装到磨床上，安装地点不会受到切屑以及外界物质的影响，测控步骤如下：

步骤1：将AE传感器检测的磨削加工过程中的声发射信号，进行信号调理对AE信号放大和滤波处理得到磨削加工AE信号所处的频段信号50Khz-450Khz，再经过A/D数据变换后输入到FPGA，并在FPGA中采用双乒乓缓存的异步FIFO保证数据采集和数据传输的同步进行；

步骤2：将50Khz-450Khz的磨削加工AE信号均分为四个不同频段信号，分别采用带通滤波器滤除信号的直流分量和部分干扰噪声；

步骤3：对四个不同滤波频段信号分别进行特征参数RMS的提取，方法为：采用宽度为N的滑动窗口，对四个不同滤波频段信号，采用离散型均方根电压值的计算方式分别进行RMS值的并行计算：

其中：V_RMS1、V_RMS2、V_RMS3和V_RMS4为四个不同滤波频段的特征参数RMS；x表示声发射信号采样值,N表示滑动窗口的宽度；

步骤4：以四个不同滤波频段信号的RMS值作为待检测模式的样本数据，进行去均值、归一化处理得到特征向量q(0)，根据求出序参量的初始值ξ_k(0)，利用学习阶段得到原型模式向量和伴随向量，且按照序参量的动力学方程：

ξ_k(n+1)-ξ_k(n)＝γ[λ_k-D+Bξ_k²(n)]ξ_k(n)

演化后最终只会有一个序参量的值达到稳定，即ξ_k＝1；其余随着迭代步数的增加逐渐趋于0；那么ξ_k＝1时的k值为当前磨削的工作状态，k为1是空程，k为2是正常磨削，k为3是碰撞

其中，λ_k满足

是三种状态的原型模式向量V_k的伴随向量V_k⁺，原型模式向量V_k所对应的：V₁为空程的原型模式向量、V₂为正常磨削的原型模式向量、V₃为碰撞的原型模式向量；

所述学习阶段得到原型模式向量和伴随向量的过程为：在同一工件、同一设备进行，在空程、正常磨削和碰撞三种状态下分别进行以下步骤：

步骤(1)：将AE传感器检测的磨削加工过程中的声发射信号，进行信号调理对AE信号放大和滤波处理得到磨削加工AE信号所处的频段信号50Khz-450Khz，再经过A/D数据变换后输入到FPGA；

步骤(2)：将50Khz-450Khz的磨削加工AE信号均分为四个不同频段信号，分别采用带通滤波器滤除信号的直流分量和部分干扰噪声；

步骤(3)：对四个不同滤波频段信号分别进行特征参数RMS的提取，方法为：采用宽度为N的滑动窗口，对四个不同滤波频段信号，采用离散型均方根电压值的计算方式分别进行RMS值的并行计算：

其中：V_RMS1、V_RMS2、V_RMS3和V_RMS4为四个不同滤波频段的特征参数RMS；x表示声发射信号采样值,N表示滑动窗口的宽度；

步骤(4)：对序参量动力学方程ξ_k(n+1)-ξ_k(n)＝γ[λ_k-D+Bξ_k²(n)]ξ_k(n)中的B、C、注意参数λ_k和迭代步长γ进行初始化， 一般取B＝C＝1，选择合适的λ_k和γ使ξ_k趋于稳定，且达到快速收敛，式中下标k代表三种状态：值为1是空程，值为2是正常磨削，值为3是碰撞；

步骤(5)：对三种状态的数据分别选择300个4个频段的RMS值组成协同神经网络训练的模式样本，分别去均值、归一化处理，获得三种状态的原型模式向量V_k，再利用伪逆法求出满足正交性关系的V_k的伴随向量V_k⁺，最后对计算获得的V_k和V_k⁺进行存储。