在高精度金属材料磨削加工中,刀具即砂轮的钝化状态对提高加工效率和加工质量具有十分重要的影响。不同精度要求的工件对加工砂轮的钝化程度有不同的要求,钝化程度较高的砂轮不适于加工精密工件,也存在安全隐患,需提前预警或者修整。因此,在磨削过程中如何监测砂轮的钝化程度越来越受到人们的重视。通常情况下砂轮的钝化由工人通过经验判断,以便及时更换。随着生产自动化的提高,各种智能化的砂轮钝化状态在线检测技术被提出。本文即是一种通过采集磨削加工过程中的声发射信号来检测砂轮钝化状态的方法。由磨削声发射的机理了解到,磨削声发射信号的主要来源是磨削过程中材料的塑性变形,其弹性波频带为100KHZ～300KHZ之间。因此被声发射传感器采集的信号首先被小波软阈值降噪法进行降噪处理;然后通过分帧操作将声发射信号分割成多个有重叠的帧;接下来,通过设置一个阈值电压,截取每帧信号中的声发射事件,并提取每个声发射每个声发射事件的8个统计特征。求得该帧信号中所有声发射事件8个统计特征的平均值构成8维向量,以作为该帧信号的替代。通过上述操作得到所有帧信号的8维向量样本组成声发射数据集。最后使用分层Dirichlet过程—隐半马尔可夫模型(HDP-HSMM)来建立声发射数据集和不同的砂轮钝化状态之间的非线性关系,旨在识别整个磨削过程的砂轮钝化程度。HDP作为一种非参数贝叶斯推理方法,不需要指定状态的类别数,而是通过声发射数据集自适应对砂轮状态聚类。隐半马尔科夫模型(HSMM)是对隐马尔夫模型(HMM)的改进,它克服了 HMM只能运用于marov时序数据中的缺点。结合HSMM能对实际数据进行时间序列标记和HDP根据数据本身自适应聚类的特性,提出了 HDP-HSMM。HDP-HSMM是一种非监督学习方法,也就是说该方法不需要有标记的数据样本。而得到的声发射数据集恰好很难对其明确标记。使用声发射数据集做为训练数据集训练HDP-HSMM,得到整个过程的砂轮状态序列与预期一致。再使用测试数据集测试已训练好的HDP-HSMM,达到了93.7%的准确率。这表明,基于HDP-HSMM的砂轮钝化状态检测系统能有效识别砂轮的不同钝化状态并能对整个加工过程中的砂轮钝化程度进行自动划分,可以为实际工业应用提供理论指导。第一章绪论部分,主要描述了磨削砂轮钝化状态检测的意义和相关背景。给出了声发射信号在刀具检测领域的应用现状并对刀具检测方面所用的信号处理和模型识别方法进行总结。阐述了本文的主要研究内容,以及论文的组成。第二章从磨削力学的角度分析了磨削加工过程中的声发射机理和磨削砂轮钝化的原因。第三章给出了基于HDP-HSMM的磨削声砂轮钝化状态识别方法。包括小波阈值降噪,分帧处理技术,声发射信号统计特征提取以及HDP-HSMM的相关理论知识。第四章对刀具状态监测系统的各个组成部分进行说明并回顾了各方面的研究历史。对本文所用到的磨削加工实验和磨削声砂轮检测系统进行了描述。第五章给出了 HDP-HSMM砂轮钝化状态识别的结果、分析了磨削砂轮钝化等级划分,并在测试数据集上进行了测试。第六章给出本文结论和展望。