排屑钻与普通钻削加工相比,可提高钻削加工质量,显著改善孔加工表面粗糙度质量。但排屑钻加工过程和普通钻削一样都处于半封闭或者封闭环境,孔加工表面粗糙度也难以检测和分析。本文拟结合钻削工艺参数和监测信号特征,开展排屑钻孔加工表面粗糙度预测研究。所开展的主要工作包括监测平台搭建、信号消噪处理、工艺参数和监测信号特征对粗糙度的影响规律、预测模型的建立与验证等方面。(1)排屑钻监控平台搭建与数据采集。搭建排屑钻监控平台,采集排屑钻加工过程中的振动信号、声发射信号,以及所加工孔壁粗糙度值,并采用最小二乘拟合的方法对信号进行趋势项处理。(2)信号消噪处理。针对在钻削加工噪声背景下振动信号特征识别和提取困难的问题,提出了一种小波包分频谱减去噪方法。根据钻削信号在时频域特点,首先将钻削前机床空转信号视为监测信号的“加性噪声”;然后,采用小波包分解将“加性噪声”和监测信号进行分频处理,确定各频带帧数;最后,对各个子频带内“加性噪声”的相应频带进行谱减处理,再重构钻削振动信号。(3)工艺参数和监测信号特征对粗糙度的影响规律。依据所采集的实验数据,首先分析了不同工艺参数对监测信号特征以及孔壁粗糙度的影响规律。然后通过方差分析的方法研究了不同工艺参数对监测信号特征和表面粗糙度影响的显著性。最后,分析了监测信号特征与孔壁表面粗糙度的对应关系。(4)粗糙度预测模型建立与验证。首先确定了神经网络的输入层与输出层节点数,然后针对BP神经网络隐含层节点数无法确定的问题,采用动态调节隐含层节点数的方法,对比不同结构预测值的准确度,确定最优网络结构。最后,通过对试验样本进行仿真分析,对粗糙度预测模型的有效性进行验证。理论分析和实验结果表明:采用本文所建立的粗糙度预测模型,能够有效预测排屑钻表面粗糙度。同时该方法可有效克服传统粗糙度检测采用人工抽检所导致的漏检、检测效率不高等缺点,为实现排屑钻粗糙度预测提供了新的方法和理论基础。