在CFRP/钛合金叠层材料制孔过程中,由于材料性能各异导致刀具磨损严重,频繁换刀影响生产效率。传统判断方法通常依靠加工者的经验,受主观影响可靠性低,且不适用于自动化加工。随着大量自动化设备在车间投入使用,迫切需要对切削加工过程中刀具磨损状态进行在线监测,从而为制造过程自动换刀提供依据。然而在对刀具在线监测信号分析处理的过程中,海量信号数据的实时存储、高效处理等方面面临着严峻的挑战,需要对这些方面开展深入研究,发挥大数据在刀具磨损在线预警中的作用。本文对CFRP/钛合金叠层材料制孔过程中刀具磨损状态进行分析,采用了基于声发射信号的刀具磨损在线监测方案,考虑到实际工程应用中需要同时对多台设备进行刀具监测,而且声发射信号具有采样频率高、信号数据量大的特点,因此融合大数据技术,搭建了基于Hadoop的信号分析处理平台,提出了大数据驱动下的刀具磨损在线预警模式。运用小波包变换对原始声发射信号进行滤波,提取与刀具磨损密切相关的声发射特征量作为BP神经网络的输入,建立了基于神经网络的刀具磨损模型。针对神经网络收敛速度慢、易陷于极小值等缺点,选择蚁群算法对BP神经网络进行了优化。利用HDFS完成了原件信号文件的分布式存储,采用MapReduce分布式并行处理框架对信号特征提取与建模算法进行了并行化设计和实现。在此基础上建立了信号采集、分布存储、并行分析的大数据集成框架,开发了刀具磨损在线预警原型系统,并给出其与车间制造执行系统MES的集成方案。研究结果表明,基于蚁群算法优化神经网络建立的刀具磨损模型在对刀具磨损状态分类与磨损量预测具有较高的准确性。大数据驱动下的刀具磨损在线预警模式满足了对多刀具同时进行在线监测的要求,有效加快了信号分析处理的速度,系统响应性能显著提高。将刀具磨损在线预警模块集成进MES系统,加强了制造执行系统对加工过程的管控。