刀具状态监测可以有效避免加工设备故障和工件破坏,对于自动化生产的实现至关重要。目前该研究领域存在两大障碍尚未有效解决:监测模型在变切削状态条件下的适应性问题和“示教样本”的获取问题。本文将人工智能技术引入刀具状态监测领域,利用模糊逻辑和自组织神经网络相结合的手段建立模糊自组织刀具状态检测系统,提出智能化实时刀具状态监测体系,并采用神经网络规则提取技术实现有效模糊规则的获取,为解决传感器信号与刀具磨损状态的复杂对应关系,进而实现刀具磨损在线监测提供一个新思路。1、针对车削过程建立名为Fuzzy-SOM-TWC的刀具磨损状态检测系统。在切削条件组合模糊划分基础上建立自组织网络阵列。对于具体切削条件,运用模糊推理来完成从传感器信号特征到对应子网络的映射。系统基于切削力、声发射以及电机电流信号来进行刀具磨损状态的检测识别。切削试验的试验结果显示该系统可达到较高的正确识别率。同时,将其同有教师型BP网络模型做对比测试,结果显示在训练样本量短缺的情况下依然可以保持很高的正确识别率,且在计算效率上亦有提高。2、在刀具磨损规律分析基础上,提出针对高速铣削加工的具备自学习能力的智能化实时刀具状态监测体系。可自动进行不同刀具状态的识别和磨损程度的数值估计,较大程度上摆脱了对“教学”或“训练”过程的依赖。综合运用时域分析、离散小波分解和希尔伯特谱分析等技术对铣削过程中的三向切削力信号进行时域及其各个子频段特征进行提取,并利用相关性分析技术进行特征筛选。监测系统构建基于两个嵌套的循环运行过程,核心在于特征量的线性拟合和马氏距离计算。高速铣削试验证明了所提出的智能刀具状态监测体系的有效性。3、自动化特征提取方法旨在自动选择合适的传感器和信号处理技术来提取出“敏感特征”,减少监测系统开发时间和成本。针对高速铣削过程刀具磨损监测,采用切削力、振动、声音和声发射传感器来采集信号,并运用时域、频域和小波分析技术对信号进行处理。提出改进的敏感系数计算指标,兼顾灵敏性与稳定性,提高了优选特征质量。试验验证结果显示该方法可自动地进行传感器和信号处理技术的选择,提取出的敏感特征适合于自学习监测系统应用。4、针对课题组开发的EXHARMIL模糊硬铣削专家系统的知识获取问题,结合神经网络监测系统的训练过程,进行该技术在切削加工领域的尝试应用。两个工艺知识模糊规则提取实例分别基于“模糊神经网络”和“知识网络”两种不同的网络模型。试验评估结果显示,其提取规则的效果优于模拟退火类规则搜索方法。