电火花加工间隙状态的鉴别与检测方法

毕业论文（设计）课题名称电火花加工间隙状态的鉴别与检测方法目录摘要 (2)关键词 (2)引言 (3)一、高频检测法 (4)二、击穿延时法 (5)三、间隙电压(电流)的检测法 (5)四、放电间隙状态的识别 (6)（一）传统识别方法 (6)（二）智能识别方法 (6)结论 (9)参考文献 (9)电火花加工间隙状态的鉴别与检测方法摘要现代工业控制已进入到智能控制阶段，为了获得被控对象准确的工作情况并对其进行控制，它要求更先进的检测作为前置支撑技术。

本文简要介绍了电火花间隙放电的状态分类和特征，电火花加工间隙常见检测方法以及检测间隙电压(电流)的常见电路。

对放电状态的识别方法进行了总结，主要包括传统识别方法和智能识别方法(模糊法、神经网络法、模糊神经法、小波分析法等)，指出了其优缺点。

对放电间隙检测与识别技术的发展方向进行了展望。

关键词电火花加工；间隙电压(电流)法；间隙检测；放电状态识别引言实现电火花的加工，必须使工具电极和工件间维持合理的距离，在该距离范围内，既可满足脉冲电压不断的击穿介质，产生火花放电，又可适应在火花通道熄灭后介质消电离（消除电离子影响）及排出蚀除产物的要求。

这段距离称之为“加工间隙”或“放电间隙”。

间隙是否合理，受到脉冲电压、火花通道的能量及介质的介电系数等因素的制约。

一般情况下，电火花加工的放电间隙在数微米到数百微米范围内。

且在一定时间范围内脉冲放电集中在某一区域；在另一段时间内，则应转移到另一区域。

只有如此，才能避免积碳现象，进而避免发生电弧和局部烧伤。

因此，放电间隙是控制的主要对象。

目前在许多机床上采用间隙电压作为反映间隙大小的传感信号，当间隙偏大时，由于短路和短的击穿延时，U 值也小。

无论如何，随着间隙电压的增加，放电间隙也增大。

这样，加工过程中不可连续测量的放电间隙大小就可用连续测量加工间隙电压的方法来获得。

但是，间隙电压与其它控制参数之间的交互作用很大。

因此准确检测电火花放电间隙状态已成为不可回避的问题。

电火花放电状态可分为开路、正常火花放电、过渡电弧放电、稳定电弧放电和短路五种放电状态（如图1），这五种放电状态具有以下特征：(一) 开路。

间隙加工介质没有被击穿。

(二) 正常火花放电。

放电瞬间放电电压波形上有高频杂波分量出现，峰值大，有击穿延时现象。

而在形成火花放电过程中电压电流波形平直规律性整齐。

(三) 稳定电弧放电（不可恢复烧伤性稳定电弧）：在间隙放电条件恶劣的情况下，如深孔加工时，稳定电弧形成而烧伤工件，这时工具及工件表面都会形成局部凸包或凹坑。

产生稳定电弧时，其电压波形及电流波形都很平滑，形成烧弧后，如果不擦除黑斑，加工过程不可能自行恢复正常。

(四) 过渡电弧放电。

放电期间放电电压波形上，高频杂波分量几乎没有，击穿延时也不明显，波形无规律。

这种波形可通过伺服控制恢复为正常火花放电，也可因间隙状态变化而自行恢复为正常火花放电。

因此它是作为理论研究提出的，实际加工控制过程中不需要专门测量。

(五) 短路。

电压很低，电流波形光滑。

虽然短路本身不蚀除工件，也不损伤电极，但在短路处造成了一个热点，当短路消除时易引发拉弧。

图1 5种放电波形具体到不同电火花加工研究子领域应用时，根据具体情况分类稍有不同，如高速走丝线切割电火花加工中，电弧出现的情况很少，所以一般把放电状态分成空载、火花放电和短路三种情况。

还有一些研究人员把五种放电状态合并为空载、火花放电和非正常放电这三种状态等。

可以从五种放电状态的电参数特征，包括间隙电压高低、间隙电流大小，是否有延迟击穿现象、是否有高频分量、间隙电导大小以及检测放电时的声频信号等，来区分这五种放电状态。

实际加工过程中，由于放电参数的设置不同以及放电过程随机性等因素的存在，使得每次放电状态的波形形状不一，放电状态交替出现的时间比例，差别很大，有时在一个脉冲中就出现多种放电状态，所以根据一个采样点或一个脉冲很难确定其加工状态。

因此对极间放电状态的检测，需采用统计方法，以一组脉冲为单位，分析、比较统计数据，从而达到能够从宏观上把握放电状态及其变化规律。

常用的间隙状态检测方法有平均电压检测、峰值电压检测以及高频检测和击穿延时检测等。

这些方法有着各自的优缺点，本文简单介绍高频检测法和击穿延时检测法，重点介绍间隙电压(电流)法。

一、高频检测法高频检测法是通过间隙电压上高频分量的检测来区分火花放电与电弧放电。

在火花放电时，间隙电压存在着强而稳定的高频分量(频率从几兆到几十兆)；而电弧放电时，间隙电压的高频分量很弱，甚至不存在。

因此可将间隙电压上的高频信号进行提取、放大、比较，作为区分火花放电和电弧放电的依据。

这种方法不仅可区分火花放电和电弧放电，还可将电弧放电进一步区分为稳定电弧放电或是过渡电弧放电，但难以对单个脉冲的放电状态进行判断，且电路复杂、稳定性较差。

二、击穿延时法击穿延时法是根据火花放电时存在一定的击穿延时时间，而电弧放电时一般没有击穿延时时间而设计的。

尽管它不能区分过渡电弧放电与稳定电弧放电，并且对单个脉冲内出现的放电状态转换不能有效地区分，但其优点是可对单个脉冲的放电状态进行判别，且检测电路为数字电路，抗干扰性及稳定性都很好，与电火花加工机床上的计算机控制系统连接也很方便。

三、间隙电压(电流)的检测法检测间隙电压以及(或者)间隙电流，包括峰值电压(电流)或者平均电压(电流)，通过测取的间隙电压(电流)与特定加工状态下的各种放电状态的电压(电流)的比较，来判断电火花放电状态。

这种方法检测间隙电压(电流)的手段比较简单，一般是将高间隙电压分压，来获得间隙电压的瞬时值，或者积分之后获得电压的平均值。

为了防止干扰信号的引入，常利用光耦进行隔离。

图2为常见的间隙电压法检测电路。

由R1与可变电位计来拾取间隙电压峰值，或者增加电容拾取间隙平均电压，增加稳压二级管提高间隙状态识别率，如图3所示。

其中电阻尺和电容C把经由R1、R2衰减之后的脉冲电压信号转变为直流电压信号，即部分间隙电压的平均值，稳压二极管Z起钳位作用，对间隙状态识别予于改善。

图2 间隙电压检测电路图图3 间隙平均电压检测电路图图2、3所示的电压检测电路简单好用，但是对于短路脉冲或者稳定电弧放电的反应灵敏度比较低，耿春明在此基础上提出间隙平均脉宽电压检测法。

基本思路就是去除脉间阶段零电压对平均电压的影响，其检测基本思想是在拾取间隙信号时剔除脉冲间隔电压波形，结果相当于将一系列脉宽电压波形连接起来，然后滤波取其平均值作为检测出的电压信号。

这样不仅使检出的平均电压值有了较大的增加，而且消除了间隙平均电压检测中脉冲占空比的影响。

迟关心在此基础之上提出间隙脉宽电压数字平均检测法的改进方法，利用数字采样开关来测取间隙电压平均值，消除了由于模拟采样开关本身特性以及高频通断引入的干扰。

四、放电间隙状态的识别获取间隙电压(电流)之后，辨识放电状态的方法非常多，主要可以分成两个大类。

（一）传统识别方法图4 间隙电压比较检测判断电路原理图传统的识别方法是设计电路，制作放电间隙检测模块。

其原理图如图4所示。

根据具体加工条件放电状态的电压高低阈值，将测取的间隙电压(电流)与设定的电压(电流)阈值比较，利用计数器统计单位时间内高于高阈值的脉冲个数，低于低阈值的脉冲个数以及位于高低阈值之间的脉冲个数，再通过逻辑判断确定放电状态。

考虑到电火花放电状态的影响因素很多，一般不采用单次阈值比较结果来决定伺服进给装置的动作，而是计算一段时间内的各种放电状态的比值，来获取放电状态变化的趋势，从而决定伺服进给装置的进退。

设计逻辑电路主要采用集成电路块或者可编程逻辑门阵列(FPGA)，另外，为了提高放电间隙检测模块的柔性，霍孟友等利用单片机来设置电压阈值，希望设计出检测模块能适用于加工条件经常改变的场合。

电火花放电状态的传统识别方法具有反应速度快、电路成熟等优点，但总的来说，受电路本身的局限，一般检测模块灵活性不够，不能随着加工条件的变化作较大的变化。

随着计算机技术和智能技术的发展，研究人员已经逐渐趋向于利用智能技术辨识放电状态，通过将获取的间隙电压(电流)信号采集进计算机之后，设计不同算法以实现对放电状态的辨识。

（二）智能识别方法目前的研究主要集中在采用智能方法辨识放电状态。

目前这些算法主要有模糊法、神经网络法、模糊神经法、小波分析法等。

1、电火花间隙放电状态模糊逻辑识别法图5 模糊放电状态识别原理图图5为利用模糊技术进行放电状态识别的原理图。

将测取的间隙电压和电流值作为模糊识别器的输入，识别器中的模糊规则根据专家的经验和知识编写，模糊规则可以增加和修改，从而增加了系统的适应性。

合理选取模糊识别器的隶属函数是识别技术的关键，Y．S．Tarng等运用了模拟退火算法来选取优化隶属函数，可以不依靠初始状态，可以避开局部最小趋向全局最优，因而成为一种非常有效的机器自学习方法。

模糊技术最大的特征是将专家的控制经验、知识表示成为语言控制规则，然后用这些规则去控制系统。

但是模糊控制的缺点也源于此，控制器模糊规则的设置源于操作人员的基本知识，受到操作人员水平的局限，同时不具有适应对象持续变化的能力。

2、电火花间隙放电状态神经网络识别法图6为脉冲类型识别的神经网络模型。

该神经网络模型两个输入层节点代表间隙电压、间隙电流2个输入参数；5个输出层节点有代表要识别的五种间隙状态。

通过训练样本建立起的神经网络可以分辨不同工况下间隙的放电状态。

J.Y.kao和H.S.Uu等研究了运用前馈神经网络在线辨识放电状态，E.Pajak和K.Wieczomwski利用单向多层神经网络来区分火花类型。

此外H.S.Liu等采用基于不确定性推理的Abductive networks来模拟输入与输出之间的非线性，这种网络的自组织性优于神经网络，由样本数据根据预测方差可自动寻优来建立模型，训练的次数少。

Mediliyegedara 等则比较了采用五种不同的激励函数时，前馈BP网络对放电状态的识别效果。

神经网络技术根据具体情况选择合适的网络结构，用特定加工条件下的间隙电压(电流)信号与放电状态之间的关系来训练网络获得权值，训练好的网络可以比较准确地识别在同样的加工条件下的放电状态，但是当加工条件改变时，识别效果会明显降低，另外，网络的拓扑结构和激励函数的选择也是影响识别效果的重要因素。

图6 电火花放电脉冲状态识别BP网络模型图3、模糊逻辑和神经网络结合的电火花放电状态识别法图7电火花加工放电间隙神经模糊控制器结构框图罗元丰等将模糊逻辑与BP神经网络结合起来，建立了电火花加工间隙放电状态的检测模型并给出了算法，图7为其设计的神经模糊控制器结构框图，其中模糊推理部分由神经网络来实现。

曹光宇等选择空载率和短路及拉弧率之差及其误差变化作为模糊控制的输入参数，伺服参考电压、抬刀周期和脉冲间歇作为输出参数，模糊推理部分由神经网络来实现。