基于声发射的单点金刚石车削中垂直刀具中心误差的新型识别方法

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Acoustic emission-based novel identification method for vertical tool center error in single-point diamond turning

　　

•提出了一种基于声发射信号的 SPDT 垂直刀具中心误差（VTCE）识别新方法。
•确定 SPDT 中主要的声发射响应频带为 187.5–218.8 kHz。
•改进的 GoogLeNet-AE 模型实现了 100% 的分类准确率。
•基于 CNN 的回归模型将 VTCE 预测误差控制在 6 μm 以内。

**引言**
在超精密加工（UPM）中，单点金刚石车削（SPDT）由于其能够实现纳米级表面粗糙度和亚微米级形状精度，已成为高性能光学元件、红外系统以及功能微/纳结构化表面的关键制造技术 [1], [2], [3], [4]。然而，由于机床装配误差、刀具安装偏差和主轴振动等原因，加工过程中不可避免地引入了各种误差源 [5], [6], [7]。其中，刀具中心误差作为一种典型的几何定位误差，改变了切削刀具与工件之间的相对运动轨迹，从而在工件中心区域产生锥形或圆柱形残留结构 [8], [9]。这些残留结构不仅降低了加工表面的形状精度，还会放大光学系统中的波前畸变和成像退化。因此，实现刀具中心误差的高精度在线识别和有效控制，对于提高超精密加工质量和推动智能制造发展具有重要意义。

现有关于刀具 - 工件接触状态识别的研究主要集中在校正力信号上。Gao 等人 [10] 通过控制刀尖在恒定切削力下移动，在快速刀具伺服系统中实现了亚微米级的刀具定位精度。You 等人 [11] 提出了一种基于小波变换的方法用于检测刀具 - 工件接触状态。通过从切削力信号中提取小波域特征并将其输入空间聚类算法，他们的方法实现了 3 nm 的定位精度。具体而言，在刀具中心误差识别方面，Zhang [12] 和 Dai [13] 报告称在 TACE 条件下由于干涉效应会产生附加切削力。基于这一现象，建立了一个干涉空间曲线模型来揭示切削力与刀具中心误差之间的关系。随后，Zhang 等人 [14] 进一步证明 TBCE 与切削力的下降斜率相关，而水平误差则与加工末端拐点后的切削时间相关。据此，提出了一种水平和垂直刀具中心误差的联合识别方法。然而，该方法主要适用于平面车削，在复杂曲面加工中存在局限性。为解决这一问题，Dai 等人 [15] 建立了适用于凸球面加工的刀具中心误差识别模型，实现了三维加工表面形貌的在线预测。尽管如此，该模型对于不同工件材料的鲁棒性仍然有限。Peng 等人 [16] 进一步通过纳入材料特性优化了识别模型，从而提高了其泛化能力。此外，Ma 等人 [17] 和 Zhang 等人 [18] 分别开发了 TBCE 和 TACE 的智能识别和补偿系统，促进了超精密加工中智能闭环控制的发展。尽管基于切削力的方法能够有效地表征刀具接近工件中心区域时的误差特征，但力传感器通常通过切削振动引起的压电陶瓷微位移产生的电荷变化来获取信号。因此，力传感器的引入不可避免地会对加工系统施加额外的振动激励，这可能会在加工表面上产生微振动痕迹并降低表面质量 [19], [20]。此外，在超精密加工中，切削深度通常为微米甚至纳米级，导致切削力信号极其微弱。在这种条件下，虽然力测量系统引入的附加振动通常在可接受范围内，但它们仍然会干扰微弱的切削特征信号，从而限制了基于切削力的方法在小误差识别方面的灵敏度和稳定性。因此，探索具有更高灵敏度和更强特征表征能力的传感方法已成为超精密加工过程监控的一个重要研究方向 [21], [22]。

声发射（AE）信号是在材料微观塑性变形、位错滑移和微裂纹扩展过程中产生的瞬态弹性波，具有宽频带、响应快以及对微观接触条件变化高灵敏度的特点 [23], [24]。与传统的切削力信号相比，AE 信号在高频域表现出更高的信噪比和丰富的信息密度，在超精密加工过程监控方面展现出相当大的潜力 [22], [25], [26]。现有研究表明，AE 信号可以有效地表征微观材料去除机制和加工状态变化。例如，Wang 等人 [27] 通过分析 AE 信号能量谱的演化特征识别了超精密研磨中的损伤类型。Bao 等人 [28] 利用 AE 信号揭示了超精密研磨中的脆 - 韧转变机制，并报告称 15–100 kHz 频带主要对应于塑性变形行为，而 100–130 kHz 频带与脆性断裂相关。此外，Min 等人 [29] 提出了一种基于 AE 信号的刀具 - 工件接触测量方法，有效地减少了传统坐标设定过程造成的表面损伤。这些研究表明，AE 信号在表征微观接触行为和早期异常状态方面具有显著优势，为刀具中心误差的高灵敏度识别提供了新的途径。

同时，随着智能制造和数据驱动方法的快速发展，时频分析和深度学习技术已被越来越多地应用于复杂的加工状态识别。由于 AE 信号表现出典型的非平稳特性，小波变换因其优异的时频定位能力而被广泛用于 AE 信号特征提取 [30], [31]。Guo 等人 [32] 利用小波包分析从 AE 信号的主导频带中提取能量特征来表征刀具磨损状况。Prakash 等人 [33] 利用离散小波变换提取 150–300 kHz 频带内的能量特征，揭示了刀具磨损对铝合金微端铣削的影响。基于这些小波特征，机器学习和深度学习算法显著提高了复杂加工状态的自动识别能力。Weng 等人 [34] 结合小波变换 AE 信号得到的细节能量系数和加工参数，并采用支持向量机识别 SPDT 中的衍射现象。类似地，Chen 等人 [35] 利用小波包变换分离了超精密抛光过程中对应于摩擦、犁耕和切削行为的 AE 信号，并通过模糊 C 均值算法进一步实现了不同加工行为的智能识别。Manjunath 等人 [36] 进一步将监控信号转换为时频谱图，并采用 CNN 对频谱图进行分类，从而实现了对不同加工状态的准确识别。除了加工状态识别之外，这些方法也已扩展到过程质量监控和预测。Tang 等人 [37] 通过整合材料去除率和刀具 - 工件相互作用信息，开发了用于薄壁透镜超精密加工的多传感器融合监控系统，能够以 0.009 mm 的精度快速预测尺寸偏差。同样，Hossain 等人 [38] 将小波变换与 CNN 相结合，实现了制造过程中的在线缺陷检测，而 Xu 等人 [39] 采用了改进的离散小波变换（DWT）结合 1D-CNN-LSTM 模型，实现了超精密机床部件能耗的高精度预测，回归模型的决定系数达到 0.975–0.996。此外，Tang 等人 [40] 提取了切削过程中的 AE 信号特征，并将其纳入支持向量回归模型中以预测严重切削条件下的 SPDT 表面粗糙度，均方根误差仅为 1.76 nm。综上所述，这些研究表明，信号处理与深度学习方法的集成已成为超精密加工智能监控和状态识别的一个重要趋势。

基于上述研究背景，现有的超精密加工基于 AE 的监控研究主要集中在表面质量预测、加工过程状态监控、能耗估计及其他过程相关评估上。然而，利用 AE 信号识别与刀具中心误差相关的特征签名仍鲜有研究。因此，本研究系统地探讨了利用 AE 信号进行 SPDT 垂直刀具中心误差（VTCE）识别的应用。首先，分析了 SPDT 加工过程中 AE 信号的频率响应特性，揭示了 TACE 和 TBCE 条件下的频谱差异。随后，通过整合基于小波的时频分析与深度学习技术，开发了一种改进的 GoogLeNet-AE 模型，以实现 VTCE 类型的智能分类。最后，根据最终切削阶段 AE 信号 RMS 值与相应中心误差之间的响应关系，提出了一种基于 1D-CNN 的定量误差预测模型来估算 VTCE 的大小。本研究不仅提供了一种高精度近实时识别 VTCE 的新方法，还为后续超精密加工中的智能补偿策略奠定了理论和方法基础，从而有助于智能和数字化超精密制造的发展。

**章节片段**
**实验**
为了研究切削过程中 AE 信号的响应特性，建立了一个 SPDT 实验平台。SPDT 实验是在三轴超精密车床（Moore Nanotech 450UPL）上进行的，实验装置及整体测量系统如图 1 所示。选择黄铜作为工件材料，通过夹具装夹并使用真空卡盘固定。实验中采用了单晶金刚石刀具。

**声发射信号源**
在金属切削过程中，AE 信号源于与材料去除和界面接触相关的多种微观物理现象的耦合。主要产生机制如图 2 所示，可总结如下：
(1) 主剪切区的塑性变形和微观不稳定性
在主变形区（I），材料在高应变率条件下经历严重的塑性变形，伴随集合位错运动和不稳定剪切。

**VTCE 分类框架**
为了实现基于时频图像特征的高精度分类，本研究采用迁移学习策略开发了一种改进的 GoogLeNet 深度卷积神经网络。整体框架包括数据预处理、网络架构修改和基于监督学习的训练。GoogLeNet 特别适合 AE 时频图像分析，因为其基于 Inception 的多尺度卷积结构可以同时提取跨尺度特征。

**结论**
基于 SPDT 加工过程中 AE 信号的频率响应特性，本研究提出了一种基于 AE 信号的新方法，以实现 VTCE 的定性和定量识别。主要结论总结如下：
(1) 利用小波变换对 SPDT 加工过程中产生的 AE 信号进行时频分析，并成功提取了主导频率响应特性。结果表明

**CRediT 作者贡献声明**
Peng Mingguo：撰写 – 审阅与编辑，撰写 – 原始草稿，软件，方法学。
Zhang Guoqing：撰写 – 审阅与编辑，监督，资源，资金获取。
Zhao Zejia：可视化，方法学。
Yin Tengfei：可视化，方法学。
Xing Yintian：可视化，方法学。
Pan Minghua：调查。
Chen Feng：调查。

**利益冲突声明**
作者声明他们没有已知的竞争性经济利益或个人关系，这些关系可能会影响本文所报告的工作。

**致谢**
本工作得到国家自然科学基金（批准号：52275454, 52675597）、深圳市科技计划（批准号：JCYJ20220818102409021, SGDX20240115101806011）和广东省基础与应用基础研究基金（批准号：2024B1515120002）的资助。

Peng Mingguo|Zhang Guoqing|Zhao Zejia|Yin Tengfei|Xing Yintian|Pan Minghua|Chen Feng