刀具智能状态监测技术在先进制造生产中存在非常重要的意义。刀具磨损在线监测作为其主要内容,可以保证产品质量,提高生产效率,降低生产成本,减少生产时间,避免因刀具失效造成的零件加工表面质量精度问题、零件报废、机床故障等,对加工过程实现自动化存在很重要的意义。本文针对铣刀切削加工过程,开展了刀具磨损状态识别和磨损量预测研究,主要研究工作包括:(1)通过探讨切削力、振动与刀具磨损量之间的关系,确定了切削力和振动信号作为监测信号。采用谐波小波包提取不同磨损状态下两种信号的各频段信号能量,并归一化处理;实验结果证明,谐波小波包比小波包在提取非平稳信号特征值方面更有优势。(2)建立了回溯搜索算法(BSA)优化最小二乘支持向量机(LS-SVM)的状态识别模型。针对LS-SVM的惩罚因子和核参数对模型识别精度影响较大,采用BSA进行自动参数寻优。实验结果表明,利用改进的LS-SVM进行状态识别时,谐波小波包比小波包在刀具磨损状态特征提取时具有更好识别效果。与粒子群算法进行比较,证明BSA优化LS-SVM具有更好的识别精度。(3)建立了特征值与观测值相结合的观测值预测模型,采用LS-SVM回归预测进行模型训练;实验结果证明,观测值预测模型对比特征值预测模型,具有更高的准确度。而且LS-SVM回归算法对观测值模型进行预测,取得了很好的预测效果。(4)在理论研究的基础上,设计了刀具磨损监测系统界面,将归一化处理,刀具磨损状态分类和刀具磨损量预测等功能整合到系统中,实现可视化操作。