随着硬脆材料在各个行业的广泛应用,超声加工作为公认比较合适的加工方式也得到了比较多的发展。在和传统加工方式的对比中,超声加工在精度、工具寿命、工件表面光洁度等方面展现了比较明显的优势。在旋转超声加工中,初始的超声振幅对加工效果有着重要的影响。传统的旋转超声加工中,常用人工测试的方法对超声换能器的振幅进行标定,而在复杂的现场加工环境中,温度、湿度、加工时的冲击力对超声换能器核心材料压电陶瓷产生非常大的影响,进而会导致之前人工标定的关系不准确影响振幅输出的一致性。在现场加工时,现场操作人员安装工具头的随意性、工具头不同的伸出长度等都会导致超声换能器的振幅不一致进而导致加工效果不稳定。旋转超声加工间歇性的加工方式,也对每次启动时振幅输出的一致性提出了较高的要求。本文参照旋转超声加工系统在工业现场应用现状,就目前旋转超声加工所存在的问题,设计了基于Elman神经网络预测的改进型超声加工系统。根据超声换能器振动特性,建立了换能器振动能量的模型并分析了超声振动能量和超声振幅之间的关系。同时根据力、电、声类比等效原理,建立了换能器振幅模型,得到了换能器输出振幅与换能器材料、尺寸等参数以及驱动电流的关系,同时阐述了换能器材料等参数在换能器电路模型可等效为换能器特性参数。分析加工过程中对超声换能器特性影响的因素,得出了实际工程应用中换能器振幅输出一致性较差的原因。设计了变步长、粗精扫频等算法并结合换能器导纳圆等特性参数计算公式准确的得到了加工间歇过程中换能器的特性参数。由于换能器复杂的动力学特性以及压电陶瓷复杂的材料特性,比较难以得到换能器特性参数和输出振幅的精准数学模型,基于此本文提出了使用Elman神经网络对驱动电流即振幅进行预测,并以换能器特性参数作为网络的输入。利用MATLAB中的神经网络工具搭建了旋转超声加工的Elman神经网络模型,同时通过仿真实验验证了该方案的可行性,并将此方案在实际系统中进行了实现。本文最后对现有超声加工系统加入Elman神经网络进行改进,通过模拟实际加工的间歇过程同时进行实验分析可以得出该套系统可以有效的解决上述问题,并且在间歇性加工过程获得了较好的振幅一致性。