随着《中国制造2025》的全面实施,中国工业现代化进程稳步推进,智能制造已成为研究热点。机床工作过程中产生的切削颤振是制约高性能加工的一个关键问题,会导致工件表面光洁度下降,并且加速刀具磨损,降低机床寿命、可靠性和加工操作的安全性,造成加工成本提高。针对此问题,本文将一种基于深度学习的算法应用于切削颤振在线监测领域,并研发了一套基于神经网络处理器的嵌入式切削颤振在线监测系统。首先,研究了切削颤振在线监测系统的原理。将小波核卷积神经网络算法应用于机床切削颤振在线监测领域,该方法使用了一个连续小波卷积层来代替标准卷积神经网络的第一个卷积层,可以更加有效的提取数据中与颤振相关的脉冲信号分量。相较于传统深度学习方法,该方法的识别精度和速度都有显著提高。然后,根据切削颤振在线监测系统的功能需求,研发了总体软硬件方案。该系统以Cortex-A系列CPU为核心进行模块化硬件设计,并且配备算力为3.0TOPS的神经网络处理器加速计算,以提高整个系统的实时性。以嵌入式Linux操作系统为核心进行层次化的嵌入式软件设计,并在云端编写了上位机软件,实现远程人机交互。最后,构建了铣削颤振监测实验平台进行实验验证。设计了变切深实验,采集铣削加工过程中的振动信号,构建铣削颤振监测信号数据集。使用该数据集分别训练、测试小波核卷积神经网络、标准CNN和Sin CNN三组深度学习模型在铣削颤振监测中的收敛速度和准确率。小波核卷积神经网络在铣削颤振在线监测应用中具有明显优势,平均准确率达到99.75%,平均识别时间为0.35秒。实验结果表明所研发的嵌入式切削颤振在线监测系统可以很好地满足当前机床切削颤振在线监测的需求,上位机软件可以实时查看机床颤振状态,与切削颤振在线监测系统实现远程人机交互,使高性能智能制造成为可能。