铣刀是铣削过程中用来去除工件表面材料的一种重要工具。铣削过程中使用的铣刀种类繁多。切削刀具在加工过程中经常发生故障,而刀具的故障是由切屑的形成、磨损和颤振引起的。工具磨损的测量可以采用不同的方法,如切槽法、压痕法、光学显微镜法和扫描电镜法(SEM)等。机器的状态是否良好对维护工程师非常重要,可以用来估计故障恢复的可能性及防止机器可能的故障。一旦突发故障,维修费用和非计划停机造成的损失总是巨大的。机器在刀具磨损或刀具破损时开机,会导致问题机器在振动条件下运行,并可能导致工件损坏。因此,在铣削过程中,需要对刀具性能退化进行有效可靠的识别,以便在早期检测出故障。在铣床主轴上安装传感器用以检测振动和噪声数据,这些数据将成为刀具退化识别分析的重要信息。本研究的主要目的是如何发现刀具状况,以避免因刀具破损或磨损而造成机器故障。铣床刀具的状态(性能下降)识别用于防止刀具损坏,有助于在早期发现故障,以便在这些异常变得更加明显并导致生产率下降之前,对其进行诊断和纠正。但是在大多数情况下,我们收集的原始数据不能直接使用,因此我们必须找到获取有效数据的方法,这个过程我们通常称之为数据处理。而后将采集到的振动数据在时域和频域进行绘制,以观察信号的特征;最后利用小波包变换对刀具磨损进行分类,得到16组特征。在我们得到的特征中,有些可能噪声过大导致分类不清,而有些更适合使用,如果我们不加筛选全部使用,则会增加总的计算量,所以一般在研究中都不会选择这种方式。为了获得受噪声和其他变化影响较小的特征的显著细节,每个特征都需要通过使用Fisher’s判别比(FDR)分析的特征选择步骤。最后,为选择了其突出的特征,我们采用支持向量机方法将刀具磨损退化分为5种状态:(i)初始磨损,(ii)正常磨损,(iii)断裂磨损,(iv)半磨损和(v)刀具失效状态。支持向量机是解决非线性分类、函数估计和密度估计问题的一种著名方法,它也引出了基于该方法的其他许多新发展。因此,利用支持向量机(SVM)提供的刀具磨损状态信息,可以及时提醒更换磨损刀具,显著降低废品率和刀具成本。甚至可以通过保证刀具质量来保证一定的表面质量。结果表明,采用多项式核的支持向量机对能量子带3和能量子带8进行分类,分类精度比其它方法高94.00%,所得结果可用于工业应用。