苏史博,毕 果,郑守红,刘 杉

(厦门大学航空航天学院，福建 厦门 361102)

0 引言

在光学元件的超精密磨削加工中，砂轮磨损状态关乎砂轮的磨削性能，影响加工精度和加工效率。为了保证元件的正常加工，需要及时地更换修整磨损过度的砂轮。而在车间的生产过程中，由于无法准确地判断砂轮的磨损状态，只能凭借经验将剩余寿命还有较大余量的砂轮替换修整。另一方面，加工过程中的各种突发因素都可能使砂轮磨损状态发生意外突变。因此，在线准确识别砂轮的磨损状态从而判断是否需要修整，既能够保证加工的精度和安全，又能充分利用砂轮的使用寿命，具有较大的经济价值。

磨削加工过程中砂轮与加工材料的相互作用使材料发生形变时会产生大量的弹性应力波，这就是声发射现象。自从上世纪五十年代Kaiser首次发现声发射现象[1]以来，声发射被广泛应用到很多监测和诊断上的诸多领域。伯克利大学较早地将声发射运用于砂轮磨损状态监测[2]，Mokbel A A等发现砂轮的磨损会造成声发射信号幅值的提升[3]。

但是上述方法常常依赖于各种精巧的阈值设置和时域特征选择，实际应用和推广困难，基于数据驱动的诊断方法受到了更多的关注。Ghosh N等开发了基于神经网络的刀具状态监测传感器融合模型[4]；刘然结合前馈神经网络(Back Propagation Neural Network, BPNN)和自回归移动平均模型(Autoregression and moving average, ARMA)构建了刀具磨损量评估模型[5]。砂轮磨损是一个历经初期磨损、稳定磨损、急剧磨损三个阶段的缓慢变化过程，从声发射样本预测砂轮的磨损状态本质上是一个时间相关序列的模式识别问题。……