随着制造业自动化程度的不断提高,机械故障诊断技术的重要性越来越明显。加工刀具是机械加工过程中最重要的加工要素之一,在加工过程中刀具的磨损必然会影响加工质量,加工成本及生产效率。在早期的机械加工过程中,全靠人来观察刀具,更换刀具。但在现代化、连续自动化生产系统中,刀具的破损不仅会导致机床的功能失效,还会构成整个系统的故障,因此,预测刀具的磨损和破损显得十分重要。 本文建立了铣刀磨损状态监测的实验系统,通过实验使用振动传感器采集了刀具在各种磨损情况下的大量数据,在对这些数据进行分析时,本文采用传统的快速傅立叶分析方法,通过分析其幅-频特性提取有效特征。在故障诊断过程中采用了BP神经网络进行识别,得到了良好的诊断结果。但同时也看出了BP神经网络的缺点,网络在训练时表现出“黑箱”性质,即网络的输入/输出关系不易让人理解,而且BP算法的收敛速度慢。针对以上的缺点,本论文将神经网络和模糊系统结合起来进行研究,其中隶属函数采用B样条函数。B样条函数具有正定性、紧密性和归一性,使得训练过程中网络的权值在局部范围内调整,且系统的输出简单可靠。在对刀具磨损状态进行监测过程中可以看出,B样条模糊神经网络内部的连接结构透明,可以很方便的根据实际需要调节网络结构,进行网络的优化来得到更加理想的诊断结果,同时证明了B样条模糊神经网络的训练速度优于BP网络。 通过本文研究,证明利用B样条模糊神经网络模型对铣刀磨损状态的诊断完全可行。由于网络结构的拓展性,对其它刀具状态的诊断也是可行的,研究证明该网络能有效地提高加工质量及效率。