如今,从国际角度来看,制造业地位日益凸显,以智能制造为代表的科技变革,正在将全球制造业推倒重建,形成新的“工业互联网”世界,并成为国际竞争战略高地。在制造业都在向智能制造方向发展的同时,数控加工技术的智能化水平也得到迅速提高。在机械加工中,大部分的零件都是由切削加工生产得到的,刀具的使用是最直接最频繁的。实时准确获知刀具的磨损状态对提高加工产品精度和表面质量、实现个性化制造,提高机床智能化水平、提高系统误差补偿技术具有实际意义。本文的工作内容如下:1、研究了声发射信号的特点,确定了以声发射信号为监测信号的在线监测方案。搭建了刀具磨损试验系统,通过试验研究了切削过程中刀具磨损形式,确定了刀具磨损的磨钝标准,将刀具磨损划分为前期、中期、后期磨损三个阶段。基于正交试验研究了声发射信号随刀具磨损、主轴转速、进给量和背吃刀量四个因素的变化规律。2、用不同的信号处理方法提取刀具磨损的特征值。基于时域分析方法,提取了均值、均方根、方差和方根幅值;基于小波包变换的分析方法,提取频段的能量比作为刀具磨损的特征值;基于经验模态分析方法,提取特征模态函数的均方根作为刀具磨损的特征值。对提取的时域特征值和时频特征值进行选择和优化。3、将优化后的特征值输入到LS-SVM算法中进行学习,建立刀具磨损状态识别模型。LS-SVM算法中的惩罚因子c和核参数g对识别的准确率有很大的影响,将粒子群算法应用到LS-SVM算法中,在全局化与收敛速度方面具有较大优势,能够实现参数c和g的快速寻优。建立基于PSO-LS-SVM的刀具磨损状态识别模型和磨损量预测模型,建立未优化的LS-SVM和BP神经网络刀具磨损模型,用测试样本检测三个模型的预测效果,结果表明PSO-LS-SVM的准确率最高。最后,离线检测刀具磨损对已加工表面的残余应力和粗糙度,将离线检测的结果用于间接评估刀具磨损,同时验证了刀具磨损的预测结果。