加工过程中刀具与工件、切屑的相互作用,会将其材料微粒转移至切屑或工件上造成刀具的磨损,改变刀具状态从而影响工件的加工精度。研究能够及时准确掌握刀具服役状态的智能监测与诊断方法对提高零件的加工精度和效率以及延长刀具使用寿命具有重要意义。以铣刀为研究对象,对铣削加工过程进行信号采集、分析处理,开展刀具磨损状态智能在线监测研究,主要研究内容如下:在线实时采集变工况下的刀具处于不同磨损阶段时的声音和振动信号;采用正交布置传感器方式实现对切削过程中振动信号的全面准确描述,解决了单一传感器安装方向对信息完整性的影响。利用傅立叶变换方法将时域信号映射至频域,分析了刀具在切削状态与非切削状态下的信号成分分布特点,明确了振动信号中的低频干扰频段。以模拟巴特沃斯低通滤波器模型为基础,采用去归一化方法并结合双线性Z变换推导了数字巴特沃斯高通滤波器的数学表达。针对振动信号中的低频强干扰信号选择合适的滤波器参数,利用数字巴特沃斯高通滤波器通带内最大限度平坦特性对振动信号进行降噪处理;运用本文提出的周期平移自相关系数计算方法,确定了非线性小波阈值降噪的信号最佳滤波分解层数。采用sym5小波基函数剔除了声音和振动信号中信噪频段互相交叠的高频和随机干扰成分。通过分析刀具在不同磨损状态下信号中的成分分布,采用统计学方法,得到声音和振动信号的前六阶主成分。提取出声音和振动信号中主成分幅值占比特征值、时域、频域以及经过小波包分解的不同频段能量占比特征值作为特征优选的原始特征集合。基于GA-RBF方法优选敏感特征,实现特征降维。染色体基因采用二进制编码方式,以RBF网络模型对特征值和刀具磨损等级映射关系作为染色体适应度值的计算函数,以识别准确率作为优化目标,设定种群规模和遗传代数,经迭代计算寻找到适用于不同切削参数下的最优特征组合。特征值优选能够寻找到识别度高、表征能力强的敏感特征,剔除冗余特征,减少网络输入参数,提高其识别准确度与识别速度。以二维卷积神经网络作为特征融合神经网络和模式识别分类器,将提取的特征值等间距布置构成特征矩阵样本作为网络输入,网络输出为刀具的磨损程度。利用卷积运算的自适应逐层特征识别和提取能力实现了多源信号的特征级融合和对刀具不同磨损等级状态的识别。实验结果表明多源信号特征值融合方法的优越性以及所建立的刀具磨损状态识别理论方法的有效性。稳定磨损阶段,通过监测刀具磨损状态优化加工参数及修正刀具,保证工件加工质量,延长刀具使用寿命,降低了刀具成本;刀具进入剧烈磨损阶段时,及时发现并报警,可避免断刀,解决了智能制造过程中确定刀具最佳更换时间的问题,降低了工件的报废率,从而减小生产制造成本。