数据融合技术检测外圆磨削表面粗糙度的方法及其装置制造方法
【专利摘要】本发明涉及数据融合领域。提供了一种通过数据融合技术对纵向外圆磨削表面粗糙度进行测量的方法及装置。该技术方案为：1、正交磨削试验设计。控制参数是磨削深度、工件转速以及工作台移动速度。需测的量分别是工件振动信号和工件表面粗糙度。2、磨削试验。按照步骤1的方案进行试验，记录控制参数和测量参数结果，其中工件振动信号通过电涡流传感器传入工控机。3、神经网络训练及验证。建立表面粗糙度的神经网络模型，输入参数为磨削深度、工件转速、工作台移动速度及工件振动信号，输出参数为工件表面粗糙度。然后，运用试验数据对网络进行训练及验证。4、表面粗糙度测量。神经网络通过验证后，可在线测量同样工艺系统下的磨削表面粗糙度。
【专利说明】数据融合技术检测外圆磨削表面粗糙度的方法及其装置
【技术领域】
[0001]本发明涉及数据融合领域。具体涉及通过数据融合技术对纵向外圆磨削表面粗糙度进行测量的方法及为实现该方法所发明的一种装置。
【背景技术】
[0002]磨削作为最主要的精加工方法，其主要功能在于降低工件表面粗糙度，若能在磨削过程中对表面粗糙度进行在线测量，则可根据测量结果实时调整磨削过程参数，降低工件废品率。然而，由于磨削机理非常复杂，加之砂轮切削刃分布的随机性、磨削参数间的非线性关系以及磨削过程的不稳定性等因素，都增加了磨削表面粗糙度在线测量的难度，至今仍未找到一种在线测量磨削表面粗糙度的可靠方法。
[0003]目前，国内外应用最广的表面粗糙度检测方法是比较法和测量法，后者又分接触法和非接触法两种，其中接触法应用最为广泛。
[0004]比较法是将工件表面与标准样块比较，从而对工件表面粗糙度进行判定。该方法简单易行，但精度较差，且仅能定性判断，无法给出具体数值。
[0005]采用接触法时，粗糙度仪测头上的金刚石触针与工件表面相接触，当触针在工件表面按照评定长度移动时，会随工件表面轮廓上下运动。然后触针通过杠杆原理以及电感式传感器将微小运动信号转换、放大并调理，最终得到表面粗糙度值。该方法局限性在于只能进行静态检测，即必须在机床停止工作的状态下进行测量，无法实现在线检测；而且测量时触针必须与工件表面直接接触，对于一些表面很光滑的精密零件来说，测量过程中可能破坏其表面质量。
[0006]非接触法是指在检测的过程中，检测仪器不接触工件表面，而是利用光学、声学等原理对表面粗糙度值进行间接测量。随着图像处理技术、激光全息、数据处理等相关技术日臻成熟，非接触测量法取得了长足发展。目前，非接触法主要包括光学法和声发射法，但尚存在不小局限性，光学法对光源和测量环境要求很高，声发射法则对机床噪声和环境噪声要求很高。实际生产过程中，环境复杂加之切削液、切削热及切削力等各种干扰的存在，难以满足光源、环境和噪声等指标要求。此外，这两种方法的数据处理速度较慢，测量结果严重滞后。
[0007]采用数据融合技术可从与工件表面粗糙度有紧密联系的过程参数角度间接测量粗糙度，本发明所要解决的问题就是应用该技术实现纵向外圆磨削表面的在线测量。
【发明内容】
[0008]本发明所解决的第一个技术问题是提供一种可靠、方便实用、可用于纵向外圆磨削表面粗糙度在线测量的方法。
[0009]本发明所解决的第二个技术问题是提供一种可靠、方便实用、可用于纵向外圆磨削表面粗糙度在线测量的装置。
[0010]本发明的技术方案、工作原理和过程如下所述:[0011]1、试验设计。针对具体的磨床、砂轮、夹具及工件情况，采用正交试验设计的方法设计磨削试验。控制参数是磨削深度、工件圆周进给速度以及工作台纵向进给速度。需测的量分别是工件振动信号和磨削后工件表面粗糙度。2、磨削试验。按照步骤I的试验设计方案进行磨削试验，记录每次试验的控制参数和测量参数结果，其中工件振动信号通过电涡流传感器传入工控机。3、神经网络训练及验证。建立表面粗糙度的神经网络模型，输入参数为磨削深度、工件圆周进给速度、工作台纵向进给速度以及工件振动信号，输出参数为磨削后工件的表面粗糙度。然后，运用磨削试验数据对网络进行训练并加以验证。4、磨削表面粗糙度测量。神经网络通过验证后，可采用该神经网络模型对同样机床、工件及工装条件下的磨削表面粗糙度进行在线测量。
[0012]与现有离线检测方法相比，本发明的优点在于:将数据融合技术灵活地运用到纵向外圆磨削加工，提高了加工过程的智能化程度和效率，降低了废品率。该装置结构简单，系统易于维护，设备投入低，实用性高。
【专利附图】
【附图说明】
[0013]附图为本发明检测系统结构示意图。
【具体实施方式】
[0014]以下结合附图对本发明作进一步详细描述。
[0015]采用数据融合技术检测外圆磨削表面粗糙度的装置主要由外圆磨床、电涡流传感器、传感器支架以及工控机组成。
[0016]工作原理和过程:
[0017]1、试验设计。针对具体的磨床、砂轮、夹具及工件情况，结合机械加工工艺手册推荐数据采用正交试验设计的方法设计磨削试验。控制参数分别是磨削深度、工件圆周进给速度以及工作台纵向进给速度。需测的量分别是工件振动信号和磨削后工件表面粗糙度，其中工件振动信号通过电涡流传感器进行非接触式测量，传感器探头通过螺纹固定在支架上，探头与工件表面之间的距离可通过螺纹进行调节，以满足加工不同尺寸工件的需要。
[0018]2、磨削试验。按照步骤I的试验设计方案进行磨削试验，记录每次试验的控制参数和测量参数结果，其中工件振动信号通过电涡流传感器传入工控机。
[0019]3、神经网络训练及验证。建立表面粗糙度的神经网络模型，输入参数为磨削深度、工件圆周进给速度、工作台纵向进给速度以及工件振动信号，输出参数为磨削后工件的表面粗糙度。这样，通过神经网络将4个输入参数的数据融合在一起对工件表面粗糙度进行间接测量。然后，运用磨削试验数据对网络进行训练并加以验证。
[0020]4、磨削表面粗糙度测量。神经网络通过验证后，可采用该神经网络模型对同样机床、工件及工装条件下的磨削表面粗糙度进行在线测量。
【权利要求】
1.一种将数据融合技术用于纵向外圆磨削表面粗糙度检测的方法与装置，其特征在于所述的方法采用神经网络数据融合技术间接测量工件表面粗糙度，步骤如下:(I)试验设计，针对具体的磨床、砂轮、夹具及工件情况，结合机械加工工艺手册推荐数据采用正交试验设计的方法设计磨削试验，控制参数分别是磨削深度、工件圆周进给速度以及工作台纵向进给速度，需测的量分别是工件振动信号和磨削后工件表面粗糙度，其中工件振动信号通过电涡流传感器进行非接触式测量，传感器探头通过螺纹固定在支架上，探头与工件表面之间的距离可通过螺纹进行调节，以满足加工不同尺寸工件的需要；(2)磨削试验，按照步骤I的试验设计方案进行磨削试验，记录每次试验的控制参数和测量参数结果，其中工件振动信号通过电涡流传感器传入工控机；(3)神经网络训练及验证。建立表面粗糙度的神经网络模型，输入参数为磨削深度、工件圆周进给速度、工作台纵向进给速度以及工件振动信号，输出参数为磨削后工件的表面粗糙度。这样，通过神经网络将4个输入参数的数据融合在一起对工件表面粗糙度进行间接测量。然后，运用磨削试验数据对网络进行训练并加以验证；(4)磨削表面粗糙度测量。神经网络通过验证后，可采用该神经网络模型对同样机床、工件及工装条件下的磨削表面粗糙度进行在线测量。
2.根据权利要求1所述方法，其特征在于采用电涡流传感器测量磨削过程中位于磨削点的工件振动信号，作为工件表面粗糙度的特征之一。
3.根据权利要求1所述方法，其特征在于将可控的磨削用量(磨削深度、工件圆周进给速度及工作台纵向进给速度)，与不可控制但可测量的工件振动信号进行数据融合，实现对工件表面粗糙度的测量。
4.根据权利要求1所述方法，其特征在于实现了外圆磨削表面粗糙度的实时在线测量。
【文档编号】B24B49/08GK103659602SQ201210374368
【公开日】2014年3月26日 申请日期:2012年9月25日 优先权日:2012年9月25日
【发明者】陈廉清, 郭建亮, 迟军 申请人:宁波工程学院