我国高速铁路建设飞速发展,车载重量、行车密度的不断增加使得钢轨磨损问题日益突出。当前,钢轨打磨已被看作是最重要的线路养护维修手段。常用的钢轨修复方式以砂轮磨削和铣刀铣削为主。近些年砂带制造技术愈加成熟,砂带磨削展现出高效、环保、经济等优质特点,已被逐渐推广并应用于小型钢轨打磨设备中。单根砂带使用寿命短,砂带磨削性能随磨损状态不同发生显著变化。为更好发挥砂带性能,避免过度磨损造成砂带断裂、钢轨损害等问题,本文立足于钢轨砂带打磨实际工况,探索砂带驱动电机电流信号变化与砂带磨损状态之间的联系,通过搭建监测系统,以电流信号特征作为输入,判断当前砂带所处磨损状态。具体研究内容如下:分析了钢轨砂带打磨加工特点,并与普通磨削加工方法作比较,其区别主要体现在加工方式、工艺参数和工况以及质量验收标准上。在此基础上,介绍了全生命周期内砂带的不同磨损阶段,并分析了各个阶段砂带的主要磨损形式。从打磨单元和电机工作原理出发,通过建立力学方程探索砂带驱动电机相电流变化与打磨工艺参数之间的联系。对比砂带磨损程度的不同表征方法,决定使用砂带磨损质量百分比量化砂带的磨损程度。设计了钢轨砂带打磨预实验,根据实验结果,对砂带磨削状态信息进行了初步分析。根据预实验的分析结果,确定实验工艺参数,并进行了正式实验获取电流信号样本集。通过对比电机空转过程与磨削加工过程的电流信息,对信号主频率和1000Hz以下噪声成分进行分析。原始电流信号经滤波和RMS值法处理后,进行时域、频域和时频域的特征提取。从磨粒磨损角度剖析了信号特征产生相关变化的原因。把提取到的信号特征与砂带磨损状态做相关性分析,将与砂带磨损具有中度及以上相关性的信号特征作为砂带磨损状态的分类依据,并随机区分为训练样本和测试样本。分别采用基于支持向量机的机器学习算法和基于BP神经网络的机器学习算法进行模型训练,区分砂带所处磨损状态。两种识别方法的准确率分别达到了92.59%和97.53%。基于LabVIEW搭建了砂带磨损监测系统,完成了信号采集和预处理、时域分析、频域分析、时频域分析和砂带磨损监测等功能。介绍了系统不同模块的使用方法以及实现不同功能所用到的函数。最后,通过在Lab VIEW中调用MATLAB函数实现了基于BP神经网络的砂带磨损在线监测功能,完成了系统性能测试,结果证明系统可靠。