数控机床刀具在线检测进行的时候,BP神经网络受到训练训用样本质量的影响,以及单个样本群识别准确率与整个样本群的识别准确率不能同步,导致识别能力无法达到比较好的水平。通过引入遗传算法改变训练用样本的质量,并使用Adaboost算法。这种算法可以将数个BP神经网络并联起来,可以很好地解决这个问题。本文侧重于论述了通过遗传算法和Adaboost算法构建的“在线反馈”。本论文的主要目的是如何通过构建合适的在线反馈系统来提高BP神经网络对刀具在线检测的识别准确率。本文详细说明了刀具检测信号特征值提取的方法,通过对刀具力信号和振动信号时域以及频域的分析,选取了13个参数作为刀具模式识别的特征值。其中详细介绍了目前对刀具检测使用的主要检测手段以及识别方法。本文阐明了基于在线反馈的BP神经网络。其中包括单独使用BP神经网络的缺陷。本文介绍了遗传算法的原理以及同BP神经网络融合在一起的算法。本文还利用实验证明使用遗传算法可以提高整体识别准确率。本文同时说明了如何通过Adaboost算法将数个神经网络并联在一起,并通过识别准确率的变化说明了Adaboost算法能够提高单个样本群的识别准确率。本文通过比较使用在线反馈以及单独使用BP神经网络进行识别的结果,说明了在刀具在线检测中引入在线反馈对识别准确率的重大影响。