蔡恩磊,王立平,,孙丽荣,杨金光,王 冬,李学崑

（1.电子科技大学 机械与电气工程学院,四川 成都 611731;2.清华大学 机械工程系,北京 100084;3.轧制技术及连轧自动化国家重点实验室,辽宁 沈阳 110819;4.山东钢铁集团日照有限公司,山东 日照 276806）

0 引 言

轧辊是使金属产生连续塑性变形的直接作用部件。由于轧制中的高温高压作用,轧辊表面磨损严重,需要进行磨削修复。而粗糙度是衡量轧辊表面质量的核心指标,其与轧辊的轧制质量密切相关。

轧辊在磨削后,要对其表面粗糙度进行测量。由于轧辊是大型长轴类零件,测量工作量大、效率不足。针对该问题,笔者开展基于多过程信号的轧辊磨削表面粗糙度智能预测研究,以实现粗糙度的高效准确预测,相关工作对轧辊磨削质量在线监控和磨削效率提升具有重要意义。

轧辊表面粗糙度受众多因素影响,如工艺参数、零部件缺陷、尺寸匹配等,这些因素以非线性且相互耦合的形式影响表面粗糙度,这也使得基于物理模型的表面粗糙度预测方法在实际生产应用中往往效果较差。

随着传感器技术及信号处理方法的快速发展,基于加工过程信号的表面粗糙度预测方法成为了研究热点,其主要包括实验设计、信号采集、模型训练3个步骤。

胡仲翔等人[1]研究了声发射信号下反向传播（back propagation, BP）神经网络的粗糙度预测问题,并以声发射信号的均方根、傅里叶峰值、标准差、方差和斜度作为输入,建立了BP神经网络预测磨削表面粗糙度。……