(1.河南工业大学 郑州第二机床厂， 郑州 450000；2.河南工业大学 机电工程学院， 郑州 450000)
摘要：在数控内圆磨床上构建自适应监控系统，系统首先利用AE传感器采集磨削过程中的声发射信号，并对声发射信号进行滤波和均方根分析，得到工件内圆磨削过程中的信号强度变化信息；继而利用阈值（通过构建自学习模型获得）比较法判断砂轮与工件接触的瞬时状态和坐标位置；其次根据企业给定的磨削工艺参数，利用自主开发的软件，建立磨削进给参数优化数学模型，计算各个进给段进给量，并通过监控系统与机床PLC的信息通讯，对内圆磨削工件实施逐件进给量优化控制。
关键词：数控内圆磨床;自适应对刀;磨削效率;阈值判断;磨削参数优化
中图分类号： 文献标识码：
Construction of CNC internal grinding machine tool setting monitoring system based on AE sensor
(1.Zhengzhou second machine tool works，Henan University of Technology, Zhengzhou 45000, China；2. College of Mechanical and Electrical Engineering, Henan University of Technology. Zhengzhou 45000, China)
LI Ai-min1 ，SHA Jie2
Abstract：The adaptive monitoring system is constructed on the CNC internal circle grinder machine. Firstly, the acoustic emission signal is collected by AE sensor, and the acoustic emission signal is filtered and the root mean square analysis is carried out. The information of signal intensity change in the grinding process of workpiece is obtained. Then, the instantaneous state and coordinate position of contact between grinding wheel and workpiece are judged by threshold comparison method (By building a self-learning mode). Secondly, according to the grinding process parameters given by the enterprise, the mathematical model of grinding feed parameter optimization is established by using self-developed software. The feed rate of each feed section is calculated, and through the information communication between the monitoring system and the PLC of the machine tool, the feed rate optimization control is carried out one by one for the inner grinding workpiece.
Keywords: CNC internal circle grinder, self-adaption tool setting, grinding efficiency, threshold judgment, grinding parameter optimization
一、问题的提出
数控内圆磨床常用来做零件内孔的精密磨削，如发动机配气机构上的柱塞套、轴承内圈等。目前，内圆磨床磨削时存在磨削效率低、磨削质量不稳定等现象。其主要原因是：1）由于砂轮轴接长杆刚性差，导致机床径向进给速度不能高；2）为确保加工安全，常设定工进起始点与工件初磨点之间有一段安全距离，机床空行程时间长； 3）内圆磨削环境较差；4）对磨削状态信息无法获知及不能根据状态信息调整磨削工艺参数，优化加工状态。 针对数控内圆磨床存在的问题，课题组提出构建自适应对刀系统方案并实施。
二、自适应对刀监控系统构建
自适应对刀监控系统方案规划的依据为系统设定功能的实现。本自适应对刀监控系统的主要功能为监测内圆磨削状态及根据磨削状态信息调整磨削工艺参数，优化加工状态，故自适应对刀监控系统应具有信号检测、状态识别、磨削优化等模块，其中信号检测、状态识别的作用为监测磨削状态信息；磨削优化的作用为根据磨削状态信息优化磨削参数。对此，本课题自适应对刀监控系统技术方案如下图所示：


图1 自适应对刀控制系统总体规划
其自适应对刀监控系统搭建在数控内圆磨床上示意图如下图所示：


图2 搭建在内圆磨床上的自适应对刀监控系统
根据上图可知：自适应对刀监控系统由硬件、软件组成；系统硬件包括AE传感器、前置放大器、采集卡等；系统软件以计算机为载体，结合系统硬件实现声发射信号的采集及与机床PLC数据交互等。为实现自适应监控系统在数控磨床上的应用，需要对系统硬件进行选型、组建及研发一套性能优良、稳定可靠的系统软件。
三、磨削参数优化模型
本系统磨削优化技术以郑州第二机床厂生产的Z2-014中小孔数控内圆磨床为应用对象，以实现磨削工艺参数的在线调整，优化磨削状态为目标创建，此部分技术为系统构建技术中的核心技术。为实现磨削状态的优化，必需对磨削状态进行判断。由于本系统的磨削状态决策方法为阈值比较法，此方法阈值受磨削工艺参数、工件材料等影响而发生变化，为解决此问题，构建阈值自学习模型，使得阈值可根据采集的磨削状态信号及提取的特征值，自动调整。再者为实现磨削工艺参数在线调整，本系统构建了工艺参数在线优化模型，使机床可根据磨削状态，自动调整自身磨削工艺参数，优化加工状态。其阈值自学习模型及工艺参数优化模型构建如下。
1、阈值自学习数学模型
查阅文献可知：砂轮与工件接触时，信号强度立即增强且信号特征值RMS阶跃变大。故对刀过程中，信号RMS最大值可代表工件、砂轮已接触状态。本系统通过数值比较法检索信号RMS最大值。为使对刀状态判断更加精确，需设置最佳对刀阈值，故此使对刀阈值可进行手动微调，其对刀阈值的公式如下：
        
其中为对刀阈值，为信号RMS最大值，为手动调整量。式中，通过数值比较法获得，其方法如下：初始化为0并与信号RMS第一个值比较；当值小于RMS第一个值时，使等于RMS第一个值，否则，值不变；执行上一步操作并循环至到最后一个RMS值；最后输出的即为RMS最大值。其算法如下图所示：


图3 算法
2、磨削分段进给优化模型
郑州第二机床厂生产的Z2-014数控内圆磨床加工流程如下图：


图4  Z2-014内圆磨床加工流程示意图
从上图可以看出：磨床磨削过程中，为保证磨削安全，磨削工进起始点与工件初磨点之间有一段安全距离，砂轮用磨削进给速度走完这段距离需要一定时间，这即为空行程时间，严重制约磨削效率。为提高磨削效率，使配置有自适应对刀监控系统磨床，磨削时以较快的速度通过此段距离以保证工进起始点与初磨点相重合，提高磨削效率。其配置有该系统的磨床磨削流程如下图所示。


图5 配置自适应对刀监控系统机床的磨削流程示意图
通过上面两图比较可以看出：配置有该系统的磨床在磨削时，当X轴快速进给到工进起始点位置时，PLC控制伺服系统，使进给速度由快速进给变为匀速进给；当工件与砂轮相接触时，机床进入磨削进给模式。总之，配置有该监控系统磨床改进了磨削流程，缩短了空行程时间，提高了磨削效率。
3、磨削余量分配优化模型
数控内圆磨床磨削进给方式常采用分段参数设置磨削方式。Z2-014中小孔数控内圆磨床磨削工件时，磨削时序分10段，即：快速进给段、粗进给I段、粗进给II段、粗进给III段、粗进给IV段、粗进给V段、粗进给VI段、精进给I段、精进给II段、光磨。
当磨削工件时，先设定工进起始点，磨削最终设计尺寸与磨削工进起始点之间的距离即为磨削计算余量。将磨削计算余量，根据磨削经验，分配到磨削时序段中，即可实现按经验磨削。
采用自适应对刀监控系统后，系统能够自动捕捉工件初磨点，此时，磨削余量的分配方式将发生重大变化。磨削余量为磨削最终设计尺寸与工件初磨点之间的距离。此余量根据每个工件实际磨前尺寸的变化而发生变化。内圆磨床分段磨削时，粗磨段常采用大余量磨削，以提高效率；精磨段常采用小余量磨削，以保证磨削质量。本系统的设计理念为在保证磨削质量的前提下，尽可能提高磨削效率。磨削效率可由磨削循环时间来评价。其配置有自适应对刀监控系统的磨床，磨削循环时间t在定粗精磨余量比例约束条件下的表达式如下所示：


    上式中， 表示各段进给量（如为快速进给段、为匀速进给段 、为粗磨I进给段等）；表示各段进给速度，（如为快速进给速度、为匀速进给速度、为粗磨I 进给速度等）；为光磨时间；为粗磨余量占总磨削余量比例。其中，与为经验值，故磨削效率由各段进给量与各段进给速度决定。原内圆磨床磨削，径向进给采用径向进给变速法，即各个进给段的相同(除S1外)及各段进给量各不相同，该方法可保证磨削进给曲线符合抛物线轨迹，以达到稳定磨削过程及磨削质量的目的。为达到同样效果，故配置有自适应对刀监控系统磨床磨削工件，径向进给方式也采用与原内圆磨床相同的方式，即径向进给采用分段变速方式，各段进给量各不相同。
上述内容已给出配置有自适应对刀监控系统内圆磨床磨削循环时间t的表达式，且通过表达式可知t的值与各段进给量、各段进给速度有关，而采用原内圆磨床磨削的径向进给速度，故目标函数t主要受各段进给量影响。各段进给量建立模型如下：


上式中，为最小孔直径；σ预留量（安全距离）；工件最终磨削尺寸（基本尺寸），以上均为常数。
为工件初磨点尺寸，由AE传感器捕捉，并自动代入上述公式计算出 。自此，配置有自适应对刀监控系统的磨床，工件磨削循环时间t与原机床磨削循环时间相比，由于磨削工进点位置的不同，而出现磨削循环时间的不同，工件批量磨削时，总体时间会出现下降。
四、结语
自适应对刀监控系统的构建及应用主要目标为提高磨削效率及保证磨削质量。本系统应用效果分析采用比较法，即将系统搭建在内圆磨床上磨削工件用时与原内圆磨床磨削工件用时比较，分析系统应用效果。其具体的分析方法为：在一批孔径尺寸为的工件中，取出100个利用郑州第二机床厂生产的Z2-014精密内圆磨床磨削，最终磨削尺寸要求为。将自适应对刀监控系统搭建在内圆磨床上，同样对100个此批零件磨削。通过比较两种磨削方式，得知配置自适应对刀监控系统磨床磨削此批工件，磨削一个工件的平均时间缩短了6.7%，提高了磨削效率。
五、参考文献：
[1]樊泽明，李立等. 磨床高精度自动对刀方法[J]. 机床与液压，2013，41（1）：58-63.
[2]盛炜佳，赵勍波等. 基于声发射技术的自学习磨削加工监控系统[J]. 传感器与微系统，2010，29（4）：99-101.
[3]叶碧成，李丙才. 自适应控制在磨床上的应用研究[D].兰州：兰州理工大学机电工程学院，2006.
[4]王言发，周忆. 砂带磨床恒力磨削控制系统研究[D].重庆：重庆大学机械电子工程，2012.
[5]柏航州,王隆太. 基于声发射技术的磨削监控系统开发与试验研究[J]. 现代制造工程，2008，5：121-125.
[6] E Govekar, J Gradisek,1Grabee.Analysis of acoustic emission signals and  monitoring of machining Processes[J].Ultrasonies2000(38):598-603. 
[7] X Chen,J Griffin.Grinding acoustic emission classification in terms of  mechanical  behaviors[J]Key Engineering Materials,2007(329):15-20. 
[8] Jae-cob Kwak,Man-Kyung Ha. Detection of dressing time using the grinding force signal based on the discrete wavelet decomposition[J].The International Journal of  Advanced Manufacturing Technology,2004,23:87-92. 
[9] Litao Wang,Mostafa G Mehrabi,Elijah Kannatey-Asibu.Hidden Markov  model-based tool wear monitoring in turning[J]. Journal of Manufacturing Science and Engineering-Transactions of the ASME,2002,124:652-658. 
[10] G J Trmal, C B Zhu,P5Midha.An expert system for grinding process optimization  [J].Journal of Materials Processing Technology,1992,33:507-517 
[11] Qiang Liu,Xun Chen,Nabil Gindy. Fuzzy pattern recognition of AE signals for grinding bum[J].International Journa1 of Machine Tools&Manufacture,2005,45:811 -818. 
[12] P Lezanski.An intelligent system for grinding wheel condition monitoring [J] .Journal of Materials Processing Technology,2001(109):258-263. 
[13] Zheng Wang,Peter Willett,Panlo R De Aguiar, John Webster. Neural network detection of grinding burn from emission [J].International of Machine Tools&Manufacture, 2001(41):283-309.