精密制造与自动化2022年第4期9基于卷积神经网络对磨削表面粗糙度声发射智能预测*郭力1龙华2王艺1唐靖1（1.湖南大学机械与运载工程学院长沙410082；2.湖南工业职业技术学院机械工程学院长沙410208）摘要表面粗糙度是衡量加工零件表面质量的主要指标，为提高球墨铸铁磨削表面粗糙度预测的精度，在球墨铸铁磨削表面粗糙度声发射预测实验基础上，使用深度学习卷积神经网络CNN自动提取磨削声发射信号特征值，使用卷积神经网络对球墨铸铁磨削的表面粗糙度声发射智能预测，准确度较BP神经网络高。关键词球墨铸铁磨削表面粗糙度预测卷积神经网络声发射1引言汽车发动机曲轴磨削表面粗糙度的降低，对汽车发动机性能的改进有重要影响。曲轴工件磨削加工时，越早发现磨削表面粗糙度的超差越能及早地以更低成本采取相应措施降低损失。表面粗糙度是磨削表面完整性的重要指标，对工件的耐疲劳性、耐磨性、配合性质、耐腐蚀性等有着直接影响。由于磨削参数、砂轮状态、工件材料及误差、磨削液、振动等都对表面粗糙度有影响，所以磨削表面粗糙度很难实时预测。磨削加工过程中存在大量的声发射(acousticemission,AE)现象，利用声发射技术进行磨削在线监测可以满足其需求，且具有诸多优点，如监测灵敏、无损、具有即时性等，可很好的提高磨削加工质量，这对于磨削加工的智能化极其重要。目前对金属材料和难加工材料的磨削表面粗糙度声发射预测做出了诸多研究，使用BP神经网络及其改进优化模型声发射预测磨削表面粗糙度[1]。胡仲翔等将磨削AE信号的300~400kHz频段作为学习样本，提取特征输入BP神经网络，使用附加动量等方法优化，预测结果相对误差小于8.66%[2]。智能算法应用于神经网络或支持向量回归机预测磨*湖南省自然科学基金科教联合项目—难加工材料磨削表面质量的声发射智能监测研究编号：2021JJ60032削表面粗糙度，如遗传、粒子群算法，使用进化神经网络进行预测[3-4]。其它种类网络，如贝叶斯网络、模糊自适应BP网络、RBF径向基神经网络。以刀具和机床参数作为输入，基于模糊自适应BP算法进行了预测[5-6]。但是上述磨削预测模型存在一些缺点：一是磨削参数数目少，网络输入的特征值不足，不能完全表征复杂的磨削条件；二是相同的磨削参数条件下不一定产生相同的磨削表面质量，而不同的磨削质量一定会产生不同的声发射信号，而极少的预测模型使用了声发射信号；三是这些模型的输入参数均为人工提取的特征参数，特征提取依靠经验；四是使用优化算法优化的神经网...
