切削颤振制约了数控机床的加工精度和效率,降低了机床的可靠性和使用寿命,甚至可能导致严重生产安全事故。因此,及时、准确地监测切削颤振的发生是保证加工质量和生产安全的关键,但颤振诱因复杂、采用单一因素难以准确判别,给颤振监测带来了本质性困难。针对此问题,提出了基于多源数据融合的数控铣床切削颤振智能监测方法,实现了加工过程中切削颤振的实时监测。本文主要研究内容如下:提出了数控铣床切削颤振智能监测的两级数据融合模型。一级融合模型中,采用群体支持度解决了无效异常数据对融合精度产生影响的问题;建立了基于自适应加权平均的数据级融合模型,实现了对同构传感器源数据的融合;建立了基于BP神经网络的特征级融合模型,实现了对异构传感器数据的融合。二级融合模型中,建立了基于改进型D-S证据理论的决策级融合模型,解决了一级融合只能反映局部结果这一问题,实现了对数控铣床切削颤振的精确监测。两级融合模型不仅提高了数据的有效性,容错性、互补性、实时性,而且还适用于信号的局部分析和信噪分离。研发了数控铣床切削颤振智能监测系统。基于Cortex-A7+Cortex-M4异构多核的STM32MP157A和嵌入式Linux系统研发了数据采集终端;基于嵌入式神经网络处理器RK3399Pro和嵌入式Linux系统研发了数据融合中心;研发了上位机监测软件。该系统通过对切削过程多源信号的采集、分析、融合与决策,实现了对数控铣床切削颤振的实时、智能监测。构建了数控铣床切削颤振智能监测实验系统。设计了变切深加工实验,利用研发的监测系统对加工过程中颤振现象进行监测。实验结果表明,两级融合模型的平均绝对百分比误差趋近1,相关系数大于0.5,验证了两级融合模型的有效性。两级融合模型在数控铣床切削铣削颤振智能监测中具有明显的优越性,平均准确率达到99.65%。通过变切深实验测试了数控铣床切削颤振智能监测平台,上位机实现了人机交互。