随着机械制造技术和自动化程度对机械产品质量和性能要求的提高,对加工过程的在线监测越来越受到人们的重视。在加工过程中,刀具会随着不同加工对象和加工时间产生磨损,甚至是破损。传统的磨损监测方法是在停车之后把刀具卸下,然后直接测量刀具尺寸和形貌等几何参数,从而判断磨损情况。这种监测不但增加了停机次数,降低了加工效率,而且还影响加工质量。因此,对刀具磨损状态的在线监测就显得很有必要。在一个较完整的监测系统中最为核心的是其检测技术,检测的对象可以是切削力、电流、声音、功率等,其中对切削力检测这一方法以其拾取容易、反映迅速等优点备受青睐。本文对切削力信号进行多次处理,并与智能方法相结合,通过对其相关的检测技术进行研究,初步实现特定加工条件下刀具磨损的智能检测。本文以硬质合金球头铣刀铣削硬脆材料(石英玻璃)这一过程为研究背景,所有实验均在自行研制的铣削实验平台上进行,该实验平台由主轴、夹具、测力、控制和减震单元构成。通过对电机的控制实现三个方向的移动,在整个铣削过程中,通过测力仪对球头铣刀所受的铣削力进行在线监测和数据获取,然后将获取的铣削力数据进行处理。常用的信号处理技术有时域、频域和时频分析,通过时域分析对获取的铣削力进行处理并得出一般结论,然后再用频域分析技术和时频分析技术对铣削力进一步处理,得出能够表征球头铣刀不同磨损状态(初期磨损、正常磨损、急剧磨损)的特征量。本文采用BP神经网络对刀具磨损进行智能检测,该网络由输入层、隐含层、输出层组成。将提取到的能表征铣刀不同磨损状态的特征量作为BP神经网络的输入层,隐含层采用Sigmoid函数(logsig)传递函数,输出层则为球头铣刀磨损的三种磨损状态。通过对神经网络模型的样本训练和阀域值的调整,最终得到理想计算模型,实现对铣刀磨损状态的准确预测。