刀具状态监测是当代数控机床急需的重要部分,随着加工技术的进步,刀具状态监测在数控加工过程中占有越来越重要的地位。及时发现处于过度磨损阶段的刀具进而停机换刀,对提高工业现场生产效率和保障加工过程安全具有至关重要的作用。本文以玻璃磨边机为实验平台,根据当前数控机床被大量应用于单一工件的重复加工这一行业大背景,针对以往传统刀具状态智能监测出现误判的情况,研究了基于主轴振动和主轴变频器电流信号的刀具状态监测,提出一种判断精度更高的刀具状态监测系统。由于每种传感器信号在实际监测过程中都有一定的优点和劣势,因此为避免单一传感器监测而造成判断不准的问题,本课题将采集机床加工过程中的主轴振动信号和电流信号进行综合判断。主要工作如下。对刀具磨损机理进行了介绍,并把刀具磨损过程分为三个阶段,方便接下来对刀具磨损状态的决策。基于硬件实验设备搭建实验平台以及数据采集系统,完成切削实验的设计,选择适当的位置安装振动加速度计和霍尔电流传感器,以达到最好的数据采集效果。针对传感器采集到的原始信号内包含许多与刀具状态无关的特征信息,需要进行去噪处理来提高信噪比,接下来便可以利用数学分析方法对去噪后的信号求取与刀具状态相关的特征值。本文最终采用BP神经网络和SVM多分类对刀具各个状态的特征值进行学习,使决策算法具备对刀具状态的判断能力,最终通过对比两种算法的分类精度,选择最合适的分类算法。