尹國強，豐艷春，韓華超，李東旭，李 超

（沈陽儀表科學(xué)研究院有限公司,沈陽 110043）

近年來，難加工材料如高溫合金、鈦合金、復(fù)合材料等被廣泛應(yīng)用。其磨削加工過程中，材料表面粗糙度不易控制，甚至?xí)a(chǎn)生磨削燒傷和微裂紋[1-2]。因此，迫切需要可以準確預(yù)測工件磨削表面粗糙度的方法，以提高生產(chǎn)效率。同時，隨著磨削加工向自動化、智能化發(fā)展，通過傳感器采集磨削加工中的狀態(tài)信息，可以利用人工神經(jīng)網(wǎng)絡(luò)分析判斷其磨削過程[3]。

聲發(fā)射技術(shù)作為一種成熟的無損監(jiān)測方法，靈敏度高、抗干擾能力強，常用于磨削監(jiān)測。此外，聲發(fā)射（acoustic emission，AE）信號中包含了豐富的磨削過程信息，其信號的時域和頻域特征與砂輪和工件的接觸狀況、工件的表面質(zhì)量等都有著非常緊密的聯(lián)系，因此利用AE信號對磨削過程進行監(jiān)測是可行的[4-5]。DING等[6]使用AE傳感器收集磨削信號，構(gòu)建了基于模糊神經(jīng)網(wǎng)絡(luò)算法的表面粗糙度預(yù)測模型，探究了表面粗糙度與砂輪磨削參數(shù)和磨損狀況的關(guān)系。ARUN等[7]建立了由壓電式AE傳感器、外圓磨床以及相關(guān)的信號處理軟硬件組成的實驗裝置，將采集到的AE信號特征與工件的表面粗糙度進行了比較和關(guān)聯(lián)，發(fā)現(xiàn)二者之間有很強的相關(guān)性。LIU等[8]將AE信號監(jiān)測用于藍寶石晶圓的拋光，發(fā)現(xiàn)AE信號的有效值和材料去除率密切相關(guān)，并開發(fā)了預(yù)測加工結(jié)果的數(shù)學(xué)模型，其誤差<12%。HWEJU等[9]建立了3個不同的用AE信號預(yù)測表面粗糙度的模型并進行比較，根據(jù)模型誤差衡量AE信號參數(shù)與表面粗糙度預(yù)測精度的相關(guān)程度，進而給出了部分加工參數(shù)和表面粗糙度的相關(guān)程度。郭力等[10]開展硬質(zhì)合金PA30的高速深磨AE實驗，發(fā)現(xiàn)隨著工件速度升高和磨削切深增大，AE信號特征參數(shù)均方根和磨削力變大；隨著砂輪速度升高，二者同時減小。

采用單一特征參量監(jiān)測磨削狀態(tài)時，精度較低。為了提高磨削監(jiān)測的精度，對多信息融合的原理和方法進行了大量研究，認為其在磨削加工監(jiān)測方面具有廣闊的應(yīng)用前景。PANDIYAN等[11]利用加速度傳感器、AE傳感器和力傳感器監(jiān)測砂帶磨削過程，利用遺傳算法優(yōu)化從傳感器采集的信號，得到輸入特征較少的子集，并利用k最緊鄰（k-nearest neighbor，kNN）技術(shù)的分類精度作為遺傳算法的適應(yīng)度函數(shù)，將子集特征在MATLAB中進行訓(xùn)練。通過實驗驗證，該研究提出的加工過程中砂帶狀態(tài)的監(jiān)測模型具有較高準確率。MAHATA等[12]等提出了一種利用Hilbert變換對外圓磨削砂輪磨損量進行準確、及時識別的新方法，并采用加速度傳感器和動力電池的振動信號和功率信號來識別砂輪的磨損狀態(tài)。經(jīng)驗證，該方法在高、低切削深度下均能達到100%的精度。QI等[13]建立了由力、振動、聲、AE傳感器組成的并行多傳感器集成磨削系統(tǒng)，提出了一種基于改進的馬氏距離和卷積神經(jīng)網(wǎng)絡(luò)的多信息融合的砂帶狀態(tài)監(jiān)測方法。實驗結(jié)果表明，采用該方法對16種工況下的砂帶磨損階段識別精度不低于94%，對其他砂帶磨損階段的識別精度在86%以上。WANG等[14]采用視覺與聲音融合的多傳感器方法對磨削過程中的材料去除率進行監(jiān)測，分別采集不同磨削參數(shù)下的砂帶磨削實驗圖像和聲音信號，并對其進行特征提取，選擇最優(yōu)特征子集。利用所選特征子集和改進的LightGBM算法建立了材料去除率預(yù)測模型，其誤差<3%。

近些年的研究建立了很多AE信號與加工過程聯(lián)系的方法，為難加工材料加工過程中的AE信號預(yù)測模型的建立奠定了基礎(chǔ)。因此，在借鑒相關(guān)研究的基礎(chǔ)上，通過分析3種典型難加工材料的磨削過程，探究磨削參數(shù)對AE信號不同特征參量和頻譜的影響；并采用BP神經(jīng)網(wǎng)絡(luò)算法，建立磨削表面粗糙度多信息融合預(yù)測模型，進而總結(jié)出AE信號各特征參量與磨削加工后表面粗糙度的對應(yīng)關(guān)系，以期為實際生產(chǎn)加工提供一種預(yù)測和輔助監(jiān)測方法。

1 磨削實驗

磨削實驗系統(tǒng)包括AE采集系統(tǒng)和2M9120工具磨床，如圖1、圖2所示。其中，AE信號采集系統(tǒng)包括鵬翔科技生產(chǎn)的PXDAQ12204標準版數(shù)據(jù)采集卡，富士株式會社生產(chǎn)的AE144S諧振式高靈敏度聲發(fā)射傳感器和鵬翔科技生產(chǎn)的PXPA III低頻聲發(fā)射前置放大器。數(shù)據(jù)采集卡的數(shù)據(jù)傳輸速度為132 Mb/s，信號帶寬為5 kHz～4 MHz；聲發(fā)射傳感器的靈敏度為(70 ± 3) dB，諧振頻率為(140 ± 28) kHz；前置放大器的帶寬為5～200 kHz，增益為40 dB。

圖1 磨削實驗系統(tǒng)Fig.1 Grinding test system

圖2 2M9120型工具磨床Fig.2 2M9120 tool grinding machine

儀器采集到的AE信號經(jīng)由傳感器、放大器和數(shù)據(jù)采集卡再傳輸?shù)诫娔X中，然后軟件處理輸出為AE參數(shù)。AE信號的有效值與信號的大小有關(guān)，主要用于連續(xù)型AE信號活動的評價；振鈴計數(shù)值指的是AE信號超過檢測門檻的次數(shù)，能反應(yīng)AE信號的強度和幅度。磨削用砂輪為樹脂結(jié)合劑和陶瓷結(jié)合劑CBN砂輪2種（分別用A和B命名），砂輪磨粒的尺寸范圍為125～150 μm（粒度號為100/120），濃度為100%，磨料層寬度和厚度均為5 mm，砂輪直徑為180 mm，內(nèi)孔直徑為32 mm，砂輪采用鋁合金基體。

分別用砂輪A和砂輪B磨削GH4169高溫合金、TC4合金以及SiCp/Al復(fù)合材料（分別用1、2、3命名）等3種工件，得到A1、A2、A3和B1、B2、B3共6種磨削組合。采用干磨削方式，工件寬度為18 mm，長度為40 mm，厚度為25 mm。采用單因素實驗方法，分別研究不同磨削深度、砂輪速度、工件進給速度等磨削工藝參數(shù)、工件材料、砂輪種類，對AE信號有效值，AE信號振鈴計數(shù)值和快速傅里葉變換（fast Fourier tansform，F(xiàn)FT）峰值的影響。單因素磨削實驗參數(shù)見表1。

表1 單因素實驗參數(shù)Tab.1 Single factor experimental parameters

2 實驗結(jié)果及分析

2.1 磨削AE信號的頻譜分析

在磨削過程中，磨削參數(shù)的變化也會導(dǎo)致AE信號頻譜發(fā)生一定程度的變化。以樹脂結(jié)合劑CBN砂輪磨削GH4169高溫合金為例，將實驗過程中采集的聲發(fā)射信號時域波形進行FFT，分析各磨削參數(shù)對聲發(fā)射信號頻譜的影響。發(fā)現(xiàn)不同磨削參數(shù)對應(yīng)的AE信號頻譜的主要能量集中頻段的峰值差別較大，如圖3、圖4、圖5所示。

圖3 磨削深度對AE信號頻譜的影響Fig.3 Influences of grinding depths on AE signal spectrum

圖4 砂輪線速度對AE信號頻譜的影響Fig.4 Influences of grinding wheel linear speeds on AE signal spectrum

圖5 進給速度對AE信號頻譜的影響Fig.5 Influences of feed speeds on AE signal spectrum

由圖3可知：以不同磨削深度磨削GH4169高溫合金時，對應(yīng)的頻譜幅值都主要分布在90～140 kHz，其他頻段的頻譜幅值都非常小；隨著磨削深度的增大，該頻段的頻譜幅值在逐漸增大。這是因為頻譜幅值的大小代表了磨削過程中釋放能量的大小，磨削深度越大，磨削過程中釋放的能量越多，故頻譜幅值就越大。

由圖4知：隨著砂輪線速度升高，主要能量集中頻段90～140 kHz的頻譜幅值在逐漸減小。這是因為隨著砂輪線速度升高，材料的應(yīng)變率減小、塑性變形程度減輕，釋放的能量減少，所以對應(yīng)的頻譜幅值逐漸減小。

由圖5可知：隨著進給速度升高，主要能量集中頻段90～140 kHz的頻譜幅值在逐漸增大。這是因為隨著進給速度升高，單位時間內(nèi)的材料去除量增多，材料的應(yīng)變率隨之增大，釋放的能量隨之增多，故頻譜幅值逐漸增大。

2.2 工藝參數(shù)對AE信號特征參數(shù)的影響

2.2.1 磨削深度ap的影響

磨削深度ap對AE信號有效值的影響如圖6所示。從圖6中可知：AE信號有效值都隨ap的增大而增大。這是因為隨著磨削深度增大，材料的去除體積逐漸變大，而砂輪線速度、工件進給速度和工件的外廓尺寸保持不變，使單位材料去除率增大，磨屑變形增大，釋放能量增多，所以AE信號有效值增大。另外，增大磨削深度會使砂輪與工件的接觸面積增大，磨削力增大，砂輪與工件之間的相互作用增強，這對AE信號有效值也有增大的作用。

圖6 磨削深度對AE信號有效值的影響Fig.6 Influences of grinding depths on effective values of AE signal

從圖6中還可看出，不同磨削材料對應(yīng)的AE信號有效值差別較大。磨削TC4鈦合金對應(yīng)的AE信號有效值要明顯高于磨削GH4169高溫合金對應(yīng)的AE信號有效值；而在磨削SiCp/Al復(fù)合材料時，由于SiC顆粒的破碎會釋放大量的能量，故其AE信號有效值很大。使用不同砂輪進行磨削時，樹脂結(jié)合劑CBN砂輪磨削對應(yīng)材料的AE信號有效值比陶瓷結(jié)合劑CBN砂輪的更大。這是因為樹脂砂輪的剛性較弱，參與磨削的磨粒數(shù)量更多，會產(chǎn)生更大的磨削力，磨粒與材料之間的相互作用更強，材料的塑性變形更大，因此其對應(yīng)的AE信號有效值就更大。

磨削深度ap對AE信號振鈴計數(shù)值的影響如圖7所示。從圖7中可知，AE信號振鈴計數(shù)值隨著ap的增大而增大。這是因為隨著磨削深度的增大，單顆磨粒與材料的接觸面積增大，與材料的擠壓接觸強烈，材料去除明顯，產(chǎn)生的AE信號增強，從而導(dǎo)致AE信號的振鈴計數(shù)值增大。另外，增大磨削深度會使砂輪表面有更多的磨粒參與磨削，導(dǎo)致更多的磨粒與材料發(fā)生接觸、劃擦、碰撞等，進而導(dǎo)致振鈴計數(shù)值增大。

圖7 磨削深度對AE信號振鈴計數(shù)值的影響Fig.7 Influences of grinding depths on ringing count values of AE signal

從圖7中還可看出：磨削不同材料對應(yīng)的AE信號振鈴計數(shù)值的大小有一定差別。磨削TC4鈦合金的AE信號振鈴計數(shù)值相較于磨削GH4169高溫合金的AE信號振鈴計數(shù)值會更大一些；而在磨削SiCp/Al復(fù)合材料時，大量鋁基體黏附在砂輪表面，使參與磨削的磨粒數(shù)變少，從而導(dǎo)致磨削時對應(yīng)的AE信號振鈴計數(shù)值變小。使用不同砂輪進行磨削時，樹脂結(jié)合劑CBN砂輪磨削對應(yīng)材料的AE信號振鈴計數(shù)值比陶瓷結(jié)合劑CBN砂輪的更大。這是因為，樹脂結(jié)合劑砂輪有良好的自銳性，參與磨削的有效磨粒數(shù)多；而陶瓷結(jié)合劑砂輪磨削時其表面的黏附現(xiàn)象較嚴重，因此參與磨削的有效磨粒數(shù)更少，進而導(dǎo)致其AE信號的振鈴計數(shù)值相對較小。

2.2.2 砂輪線速度vs的影響

砂輪線速度vs對AE信號有效值的影響如圖8所示。從圖8中可知，AE信號有效值都隨著vs的升高而減小。這是因為隨著砂輪線速度升高，單位時間內(nèi)通過磨削區(qū)的磨粒數(shù)增多，單顆磨粒的最大未變形切屑厚度減小，材料的應(yīng)變率減小，單顆磨粒所受到的磨削力減小，工件表面上的劃痕相對較淺，材料來不及產(chǎn)生足夠的塑性變形就已經(jīng)被去除。而磨削加工中材料的塑性變形越小，其釋放的能量就越少，因其產(chǎn)生的AE信號有效值就越小。對比不同材料或不同砂輪時對應(yīng)的AE信號有效值，可得到與上節(jié)圖6相同的結(jié)論，這里不再贅述。

圖8 砂輪線速度對AE信號有效值的影響Fig.8 Influences of grinding wheel linear speeds on effective values of AE signal

砂輪線速度vs對AE信號振鈴計數(shù)值的影響如圖9所示。從圖9中可知，AE信號振鈴計數(shù)值都隨著vs的升高而增大。這是因為隨著砂輪線速度升高，磨削區(qū)單位時間內(nèi)參與磨削的磨粒數(shù)增多，磨粒與材料之間的碰撞和劃擦次數(shù)增多，所以AE信號振鈴計數(shù)值增大。對比不同材料或不同砂輪時對應(yīng)的AE信號的振鈴計數(shù)值，可得到與上節(jié)圖7相同的結(jié)論，此處不再贅述。

圖9 砂輪線速度對AE信號振鈴計數(shù)值的影響Fig.9 Influences of grinding wheel linear speeds on ringing count values of AE signal

2.2.3 進給速度vw的影響

進給速度vw對AE信號有效值的影響如圖10所示。從圖10中可知，AE信號有效值都隨vw的升高而增大。這是因為當進給速度升高時，單顆磨粒與材料的接觸弧長增大，材料的未變形切屑厚度隨之增大，進而導(dǎo)致磨削力增大。另外，隨著進給速度增加，單位工件材料去除量增大，釋放的能量增加，AE信號有效值也隨之增大。對比不同材料或不同砂輪時對應(yīng)的AE信號有效值，可得到之前圖6、圖8中相同的結(jié)論。

圖10 進給速度對AE信號有效值的影響Fig.10 Influences of feed speeds on effective values of AE signal

進給速度vw對AE信號振鈴計數(shù)值的影響如圖11所示。從圖11中可知，AE信號振鈴計數(shù)值都隨vw的升高而增大。這是因為隨著進給速度升高，單位時間內(nèi)材料的去除量增多，材料去除越來越明顯，AE信號逐漸增強，故AE信號振鈴計數(shù)值呈逐漸增大的趨勢。對比不同材料或不同砂輪時對應(yīng)的AE信號振鈴計數(shù)值，可得到之前圖7、圖9中相同的結(jié)論。

圖11 進給速度對AE信號振鈴計數(shù)值的影響Fig.11 Influences of feed speeds on ringing count values of AE signal

2.3 磨削表面粗糙度與AE信號特征之間的對應(yīng)關(guān)系

為了給后續(xù)表面粗糙度的預(yù)測模型增加預(yù)測的可靠性和提供可靠的輸入?yún)?shù)，有必要探究AE信號的有效值、振鈴計數(shù)值、FFT峰值和表面粗糙度的對應(yīng)關(guān)系。

仍以樹脂結(jié)合劑CBN砂輪磨削GH4169高溫合金為例，采集其實驗對應(yīng)的AE信號特征參數(shù)，并對聲發(fā)射時域波形進行FFT變換，得到實驗對應(yīng)的FFT峰值。用Micromeasure三維輪廓儀檢測每次磨削后工件的表面粗糙度，得到13組磨削表面粗糙度Ra與AE信號特征參數(shù)間的對應(yīng)關(guān)系，如圖12所示。

圖12 表面粗糙度與AE信號特征參數(shù)之間的關(guān)系Fig.12 The relationship between surface roughness and characteristic parameters of AE signal

觀察圖12a可以發(fā)現(xiàn)：磨削加工過程中不同的AE信號有效值對應(yīng)的工件表面粗糙度值不同，且有效值越大，表面粗糙度值就越大。觀察圖12b可以發(fā)現(xiàn)：不同的AE信號振鈴計數(shù)值對應(yīng)的工件表面粗糙度值也不同，從總體的變化趨勢來看，AE信號的振鈴計數(shù)值越大，對應(yīng)的表面粗糙度值就越大。觀察圖12c可以發(fā)現(xiàn)：不同的FFT峰值對應(yīng)的工件表面粗糙度值不同，且FFT峰值越大，對應(yīng)的表面粗糙度值就越大。綜合來看，AE信號有效值、振鈴計數(shù)值以及FFT峰值與磨削表面粗糙度值之間具有很好的對應(yīng)關(guān)系，可以作為后續(xù)磨削表面粗糙度多信息融合預(yù)測模型的輸入?yún)?shù)。

3 表面粗糙度預(yù)測模型

BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中，輸入層會接收給定的輸入?yún)?shù)，經(jīng)隱含層處理后傳輸?shù)捷敵鰧?。若網(wǎng)絡(luò)的輸入值與目標值之間的誤差沒有達到設(shè)定的目標誤差，則調(diào)整權(quán)值和閾值等隱含層網(wǎng)絡(luò)參數(shù)后重新傳輸?shù)捷敵鰧?，直到達到設(shè)定的目標誤差[15-16]。

創(chuàng)建如圖13所示的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其輸入層共有6個單元：磨削深度、砂輪線速度、進給速度、AE信號有效值、AE信號振鈴計數(shù)值和FFT峰值，輸出層為表面粗糙度。

圖13 BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)Fig.13 Topological structure of BP neural network

BP神經(jīng)網(wǎng)絡(luò)的隱含層根據(jù)層數(shù)可以分為單隱含層和多隱含層。一般認為，多隱含層的網(wǎng)絡(luò)預(yù)測能力較強，可有效降低網(wǎng)絡(luò)誤差，但隱含層層數(shù)增多不僅會使網(wǎng)絡(luò)變得更加復(fù)雜，而且還會增加網(wǎng)絡(luò)的訓(xùn)練時長。所以在建立模型時，應(yīng)優(yōu)先考慮單隱含層的BP神經(jīng)網(wǎng)絡(luò)，通過設(shè)置隱含層中神經(jīng)元的個數(shù)來獲得較低的網(wǎng)絡(luò)訓(xùn)練誤差，因此該預(yù)測模型的隱含層層數(shù)確定為1。

隱含層神經(jīng)元的個數(shù)不宜太少，也不宜太多。因為神經(jīng)元個數(shù)太少，網(wǎng)絡(luò)不能得到充分訓(xùn)練，難以建立復(fù)雜的映射關(guān)系，訓(xùn)練精度和預(yù)測精度都會相應(yīng)變差；神經(jīng)元個數(shù)太多，網(wǎng)絡(luò)的訓(xùn)練時長會增加，反而會使網(wǎng)絡(luò)泛化能力下降，預(yù)測誤差增大。隱含層神經(jīng)元個數(shù)的選取方法是首先利用式(1)初步確定神經(jīng)元個數(shù)的大概范圍，然后取盡可能少的神經(jīng)元個數(shù)[17]。

式中：l為隱含層神經(jīng)元個數(shù)，m為輸出層神經(jīng)元個數(shù)，n為輸入層神經(jīng)元個數(shù)，a為1～10的調(diào)節(jié)常數(shù)。

采用5層隱含層神經(jīng)元進行計算，既可以保證誤差在較小的范圍內(nèi)，又可以確保神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度。最終創(chuàng)建的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖13所示。

在整個BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練或預(yù)測過程中隱含層輸出值H可用式(2)進行計算：

根據(jù)確定的隱含層神經(jīng)元個數(shù)，在建立的預(yù)測模型中，每次計算后共有5個隱含層輸出值為H1～H5向后傳導(dǎo)。計算出H后，再進一步由式(3)計算得出輸出值O：

式（2）和式（3）中：ωij和ωjk是BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，f1、f2為隱含層激勵函數(shù)。

在本文的預(yù)測模型中，輸出值O只有一個。然后再對輸出值O和目標輸出值進行比對。

BP神經(jīng)網(wǎng)絡(luò)開始訓(xùn)練之前需要設(shè)置一些訓(xùn)練參數(shù)，使網(wǎng)絡(luò)能獲得更好的預(yù)測結(jié)果。該預(yù)測模型的主要訓(xùn)練參數(shù)設(shè)置為：設(shè)置網(wǎng)絡(luò)的訓(xùn)練次數(shù)為100次；設(shè)置網(wǎng)絡(luò)的學(xué)習(xí)速率，取值應(yīng)在[0,1]，設(shè)為0.05；設(shè)置網(wǎng)絡(luò)的目標最小誤差，該誤差為每次訓(xùn)練后網(wǎng)絡(luò)的預(yù)測值和期望值之間的均方值誤差，這里設(shè)置為0.000 01；設(shè)置網(wǎng)絡(luò)驗證檢查的最大失敗次數(shù)為10次。

用實驗所得的訓(xùn)練樣本數(shù)據(jù)對圖13所示的預(yù)測模型進行訓(xùn)練，訓(xùn)練之后對磨削表面粗糙度Ra進行預(yù)測，預(yù)測所用的樣本數(shù)據(jù)和預(yù)測所得的Ra值見表2。將網(wǎng)絡(luò)預(yù)測的表面粗糙度值與實驗所得的表面粗糙度值進行對比，如圖14所示。觀察圖14中每個樣本對應(yīng)兩點的表面粗糙度值發(fā)現(xiàn)：預(yù)測值與實驗值差距不大，且變化趨勢完全一致。

表2 表面粗糙度預(yù)測模型的測試樣本數(shù)據(jù)Tab.2 Test sample data of surface roughness prediction model

圖14 預(yù)測值與實驗值對比圖Fig.14 Comparison diagram of predicted value and experimental value

根據(jù)預(yù)測值與實驗值之間的絕對誤差，對2組值進行回歸分析，結(jié)果如圖15所示。圖15中的橫軸表示實驗所得的表面粗糙度值，縱軸表示網(wǎng)絡(luò)模型的表面粗糙度預(yù)測值，且用不同的顏色表示了絕對誤差的大?。喝绻麍D15中的點落在對角線（虛線）上，則表示預(yù)測值與實驗值幾乎相等，點的顏色呈深綠色；偏離對角線越遠，則表示預(yù)測值與實驗值之間的絕對誤差越大，誤差相對較大的點的顏色呈深紅色。圖15中藍色的線是對圖中所有的點進行線性回歸后的擬合線，其相關(guān)系數(shù)R=0.987 42，說明網(wǎng)絡(luò)預(yù)測值與實驗值之間的絕對誤差很小。

圖15 預(yù)測值與實驗值的回歸分析圖Fig.15 Regression analysis chart between predicted and experimental values

圖16為網(wǎng)絡(luò)預(yù)測值與實驗值之間的相對誤差曲線圖。從圖16中可以看出：所有預(yù)測值與實驗值之間的相對誤差都在10.00%以下，其中最大相對誤差為9.06%，最小相對誤差為0.08%。綜合來看，該預(yù)測模型的預(yù)測精度較高。

圖16 樣本預(yù)測值與實驗值間的相對誤差Fig.16 Relative error between sample predicted and experimental values

4 結(jié)論

建立基于BP神經(jīng)網(wǎng)絡(luò)的工件磨削表面粗糙度預(yù)測模型，并且進行實驗驗證，得出以下結(jié)論：

（1）磨削GH4169高溫合金、TC4合金以及SiCp/Al復(fù)合材料時，AE信號有效值和振鈴計數(shù)值均隨著加工參數(shù)的變化呈現(xiàn)出規(guī)律性的變化。

（2）當用同種砂輪磨削同種材料時，以樹脂結(jié)合劑CBN砂輪磨削GH4169高溫合金為例，當磨削深度ap增大或進給速度vw升高時，主要能量集中頻段為90～140 kHz，對應(yīng)的頻譜幅值呈逐漸增大的趨勢；而當砂輪線速度vs逐漸升高時，90～140 kHz頻段對應(yīng)的頻譜幅值呈逐漸減小的趨勢。

（3）磨削表面粗糙度與AE信號特征參數(shù)（AE信號有效值、振鈴計數(shù)值和FFT峰值）間有很好的對應(yīng)關(guān)系，可采用AE信號監(jiān)測磨削工件的表面粗糙度。

（4）建立的多信息融合表面粗糙度預(yù)測模型，其預(yù)測值與實驗值之間的絕對誤差很小，相關(guān)系數(shù)R=0.987 42；且表面粗糙度的預(yù)測值與實驗值的相對誤差都在10.00%以下。因此，建立的模型對預(yù)測工件磨削表面粗糙度有良好的效果。