数控机床是制造业最重要的基础设备,金属切削加工也是制造业中重要的加工方法之一。通常在数控机床的加工过程中,刀具磨损是难免会出现的。因此,在加工过程中需要监控刀具的磨损状况,刀具磨损状态的研究分析对刀具加工状态的监测、提高生产质量有着重要的意义。本文主要针对数控车床加工过程中刀具磨损状态识别的研究。本文将加速子空间迭代法和极限梯度提升树算法相结合应用于刀具磨损状态识别的研究中,该方法对刀具磨损状态的识别可以达到准确率高且时间消耗少的效果。本文选用刀具切削过程中产生的振动信号作为研究对象,搭建了刀具磨损状态识别实验和信号采集系统,并完成了振动信号的采集。首先采用小波包分解与重构方法对直接采集到的信号进行了降噪处理,再对信号进行分帧处理,并分别对处理后的信号片段进行时域分析和频域分析,得到关于描述刀具磨损状态的多个统计变量的数据集,通过加速子空间迭代法进行统计变量数据集的降维,提取出与刀具磨损状态相关性较强的特征信息。然后将处理好的数据集按一定的比例分为不同磨损阶段的训练数据集和测试数据集,应用极限梯度提升树算法对刀具的磨损状态进行分类识别,得到分类结果,并将分类结果和已知正确分类结果进行对比,得出该方法的识别准确率和消耗时间。最后与其他已有常见的识别方法进行对比,研究分析了支持向量机和BP神经网络算法在刀具磨损状态识别上的分类效果,并与极限梯度提升树算法识别的结果进行对比,得出极限梯度提升树算法的分类效果有明显的优势。综合本文的研究结果,表明加速子空间迭代法和极限梯度提升树算法在刀具磨损状态识别上有很好的应用效果。这对未来加工制造过程中刀具磨损状态的识别及其监测系统的发展有一定的实际意义。