铣削工艺系统的弱刚性等因素导致加工过程易发生颤振,影响加工质量和生产效率。例如在航空航天制造领域,常采用重量轻、强度高的整体薄壁零件,在时变铣削力的作用下易颤振。若在颤振未完全发生时将其识别并有效抑制,可最大程度地减少颤振对工件的损害。然而过渡阶段的颤振信号振幅微弱,很难被传统算法所捕捉。本文在对铣削振动响应进行仿真的基础上,提出了针对铣削振动信号的多分量信号分解方法,并运用到颤振识别算法。本文围绕信号处理、特征提取、切削状态识别三大模块,展开了以下工作:分别基于线性、非线性动力学理论,建立切削力仿真模型,通过计算切削稳定性叶瓣图,选择合适的切削条件,理论上能避免颤振。然而实际加工中,系统模态参数等难以辨识,很难精确地建立切削力模型。对稳定、颤振切削状态下振动响应特性进行分析,通过对线性和非线性切削模型对应的切削响应进行对比,结果得到它们都具有相同的能量谱特性。因此,若基于振动信号的能量分布提取颤振特征,则可以理想化切削力模型,使用线性模型的仿真信号设计颤振识别算法。提出了一种针对铣削振动响应的多分量信号分解方法。铣削振动信号是非平稳多分量信号,且分量轨迹在频域交叉、重叠和靠近,信号的信噪比低。基于铣削过程振动信号的以上特性,建立了多分量信号的数学模型,并提出一种基于频谱集中性指标估计信号瞬时频率和基于Vold-Kalman滤波估计瞬时幅值的多分量信号分解方法,简称SCI_VKF。为验证该信号分解方法重构和提取目标分量的高分辨率及有效性,分别对频率轨迹邻近、交叉和重叠的非平稳仿真信号进行分解,并与同类方法分解效果进行对比,结果表明本文提出的多分量信号分解方法可以有效地从非平稳多分量信号中提取并重构一系列有物理意义的单分量信号,且提取过程信号成分失真小,抗噪性强。提出了一种基于振动信号能量分布的铣削颤振特征提取方法。运用本文提出的信号处理方法分解铣削振动信号,得到单分量信号集合。由于颤振会使振动能量集中至含故障频率的某单分量信号,消弱了集合内所有分量信号的能量分布均匀性,因此对单分量信号集合的能量归一化并提取熵作为颤振识别特征。此外,对最优特征提取参数的存在性进行了讨论。提出了一种基于高斯混合模型的切削状态识别方法。颤振特征与切削状态之间的关系无法通过确定的函数来表达,因此需要对颤振特征建模并进行分类,以识别切削状态。运用高斯混合模型对所提取的颤振特征进行拟合,由于稳定、颤振切削仿真信号对应的特征向量在高斯混合模型中的分布特性不同,通过计算监测信号特征向量模型与期望切削信号模型的重合度,识别切削状态——稳定或颤振。另外,基于极值理论,以确定颤振即将发生时重合度的阈值,可用于在线识别颤振。最后,提出了集成以上三个模块的颤振识别算法。通过搭建铣削实验平台,进行了以下两个实验:分别在稳定、颤振切削状态下,采集了三组不同主轴转速和切深组合的振动信号,运用所提出的颤振识别算法进行颤振识别,结果表明,本文所提出的颤振识别算法适用性强,不需要根据主轴转速及切深的变化而改变算法参数;另外,采集了一组先稳定后颤振的振动信号,运用所提出的颤振识别算法进行颤振识别,并通过实验获取了最优特征提取参数,结果表明,在最优特征提取参数下提取颤振特征,基于高斯混合分布的切削状态识别具有最佳效果。