花岗石的锯切加工是花岗石板材生产过程中最重要的一道工序，目前绝大部分锯切加工采用金刚石圆盘锯。由于花岗石的加工过程以崩碎切屑为主，至今仍没有理论上的精确加工模型，所以实际加工参数的确定主要靠个人的经验。 本论文尝试通过仿真技术来解决这个问题，即利用BP神经网络对锯切加工进行建模，利用收集到的实验数据对BP网络进行训练，对锯切功率和锯切力进行仿真，并通过实验来验证。本论文还对锯片耐磨度进行了仿真与优化，为锯切花岗石G603提供最佳的加工参数。 论文第一章是绪论，主要介绍课题的背景，建模与仿真的基本概念。第二章介绍了神经网络和BP网络的基础知识，及在MATLAB中的应用方法。第三章为锯切加工的实验方法和实验数据的采集和转换。第四章对锯切功率和锯切力进行了仿真，并对BP网络和最小二乘法进行了比较。第五章对锯片耐磨度进行仿真，并对三种不同的目标函数进行了优化。 通过仿真发现：BP网络模型经过训练后，锯切功率和锯切力仿真值与实验值的误差在20％以内。通过一些技巧，利用BP神经网络能仿真极值内的连续输入参数，得到仿真目标的连续变化曲线，而且还能实现部分参数极值外的仿真值。BP神经网络能识别并记住功率与切向力之间的关系，随机给定初始权值和阈值，仿真曲线能保持相对的稳定形状，表明单隐层2—5—3的BP模型结构能较好地反映锯切加工中内含的规律，过滤加工中随机产生的噪声。通过对比传统的BP算法，证明用Levenberg-Marquardt学习算法，能达到非常快的训练速度和较准的仿真结果。论文还提出了一个“工益”的概念，对于找出最佳锯切参数，实现企业的最大加工效益，具有一定的参考价值。通过仿真还发现在固定材料去除率或固定切深的加工条件下，锯切花岗石G603时，存在着最佳的锯切加工参数，使锯片的寿命最长。