磨削加工是现代工业的重要金属加工方法,砂轮是磨削加工的刀具,砂轮表面状态的好坏影响到加工效率和加工工件的质量。砂轮在磨削加工的过程中会产生钝化现象,表面的磨粒发生变形、断裂和脱落,需要及时检测并修整。传统方法需要凭借工人经验观察砂轮状况或加工参数,难以及时准确地作出判断,工业智能化发展对砂轮钝化状态检测提出了更高要求和更多思路。工件塑性变形和磨粒磨损会产生声发射信号,而声发射信号能够作为判断砂轮钝化状态的依据,且具有特征明显,不易被噪声干扰的优势。本文首先研究了磨削过程中的物理机理,在此基础上提出一种基于变分模态分解(VMD)和概率神经网络(PNN)的砂轮钝化声发射检测方法。VMD基于经验模态分解(EMD)分解方法,并进行改进,可以根据信号特点自适应地将原始信号分解为多个本征模态函数(IMF)分量,筛选其中峭度较大的分量重构即得到声发射信号。声发射检测的关键是特征参数的选取,声发射信号有多种特征参数,从多个方面对声发射信号进行特征描述,在相关研究基础上本文提出了声发射包络能量比,选取了共5种特征参数,构建出五维特征向量数据集,作为输入量通过人工神经网络处理。PNN网络对非线性非平稳信号具有良好的处理能力,将分帧处理后的训练集输入到PNN中进行训练,确定网络模型参数并进行修正,得到砂轮钝化状态智能识别系统。本文将理论和实践进行结合,搭建了声发射检测实验系统对所提出方法的识别能力进行验证,构建与训练集独立同分布的测试集以及其他加工工件的连续信号数据集,经过测试综合识别准确度达到94.5%,能够清晰区分不同的砂轮钝化状态。本文提出的方法成功实现了砂轮钝化状态的实时准确识别以及严重钝化状态的预警,并且应用于多种工件也能保持检测结果良好。除此之外,本文还比较了声发射信号不同特征参数用于识别砂轮钝化状态的准确度,探究了不同类型特征参数与砂轮钝化原因的对应关系。声发射信号的有效电平以及声发射信号与原始信号的功率或能量比值等特征参数能够最有效地反应砂轮钝化程度。砂轮钝化过程分为多个阶段,由于主要钝化原因的区别导致特定类型的特征参数在不同钝化阶段的识别准确率也存在差异。作为声发射特征参数合理选取的参考依据,结论具有潜在的应用价值。