针对钻削加工时难以直接观察刀具磨损状态的问题,基于声发射采集系统设计了超声轴向振动钻削刀具磨损状态监测装置,并在7075铝板上进行超声振动钻削试验。分析刀具磨损状态对声发射信号RMS值的影响,并通过小波分解技术对比分析刀具在不同磨损状态下的声发射信号变化规律;根据声发射信号对刀具磨损状态进行实时监测。试验结果表明:声发射信号的RMS值与刀具的磨损程度呈正相关;通过小波分解可知,随着刀具磨损的增加,信号的能量逐渐由低频段向高频段转移,可以通过监测声发射信号RMS值与能量的变化实现刀具磨损状态的有效识别。

为探究在干切削和水基微量润滑(WMQL)条件下刀具磨损对DD5铣削表面质量的影响规律,采用四刃PVD-TiAlN涂层硬质合金刀具以及超景深显微镜和扫描电镜等设备,以刀具副后刀面磨损宽度为主要评价指标,对硬质合金刀具副后刀面磨损形态、磨损机理进行分析和研究,并采用三维轮廓仪对零件表面粗糙度进行测量.研究结果表明,与干切削相比,采用水基微量润滑冷却技术,能够延长刀具寿命并改善材料的铣削加工性;硬质合金刀具的主要磨损机理为粘结磨损、磨粒磨损、氧化磨损和扩散磨损.

为研究TiN涂层刀具切削淬硬H13钢的切削性能,进行了TiN涂层刀具车削加工淬硬H13钢试验。分析了切削用量与切削力、切削温度的关系及涂层刀具磨损机制。研究得出切削速度、切削深度、进给量都对主切削力Fz和切深抗力Fx影响较大,对切削进给抗力Fy影响相对较小;切削速度对切削温度的影响最大;对刀具磨损观察发现刀具的前刀面有明显的月牙洼磨损,刀尖部位出现了微崩刃现象,后刀面出现磨粒磨损。研究结果为生产加工中优化切削用量及提高刀具寿命提供了技术支持和试验依据。

高速铣削技术被广泛应用于制造淬硬钢精密模具,将轴向切深进一步增大可带来效率的显著提高,但由于淬硬钢高硬度、高耐磨性的特点,也会引起刀具磨损加快等问题。以淬硬钢型腔模具为切削对象,设计型腔光滑连续切削环切路径,考虑两种较大轴向切深,开展深切高速铣削的刀具磨损研究。结果表明进一步增大轴向切深会引起刀具磨损加快,刀具寿命降低,而氧化磨损、粘结磨损等微观分析还表明进一步增大轴向切深后刀具载荷更大、刀具温度更高。

由于训练样本数量有限，滑动时间窗长度以及监测模型不能自适应调整和更新等因素，传统基于机器学习的刀具磨损预测模型存在精度和效率较低等问题，因此提出了一种基于自适应动态无偏最小二乘支持向量机（ADNLSSVM）的刀具磨损预测模型。采用公开数据库中的铣削加工数据集，通过时频域分析和小波包分解等手段从振动信号中提取特征量，并进一步利用相关性分析从中选择有效特征量作为模型输入。试验结果表明该方法所建模型具有较高的建模效率和预测精度。

铣刀磨损状态的判定对保证铣削加工产品质量具有重要意义。为提高铣刀磨损状态监测的有效性、快速性和准确性,通过Hilbert变换对铣削力信号进行解调处理,分离出了与铣刀磨损相关的信号。用db4小波函数对解调信号进行小波包分解,提取了铣刀磨损过程中各个时段频带的能量,与刀具的磨损曲线综合分析后,获取了能反映铣刀磨损状态变化的频段,并基于Zoom-FFT方法对铣削力信号在整个频带上分段选频细化。通过实验验证了所选频带零频上的幅值变化规律以及频谱上的谱线移动规律能够反映铣刀的磨损状态,综合二者能够快速、准确判断铣刀的磨损状态。

为了实现刀具磨损状态监测的自动化与高精度,文章提出了一种基于希尔伯特-黄变换（hilbert-huang transform,HHT）和等距特征映射（isometric feature mapping,Isomap）的刀具磨损状态监测方法。首先采用经验模态分解算法对采集的信号进行降噪处理;然后对降噪后的信号进行Hilbert变换得到Hilbert时频谱,同时计算Hilbert边际谱及其统计特征量;最后利用Isomap算法进行特征融合及优化,将优化后特征向量送入支持向量机（support vector machine,SVM）中,并通过网格搜索法优化SVM的相关输入参数来建立最优分类模型。研究结果表明：Isomap算法具有较好的特征融合及降维效果,且Isomap-SVM分类模型对测试集的识别准确率为95%,文章所提方法可以有效地识别刀具磨损状态。

刀具在进行切削加工过程中，通过采集定速下的加速度信号，对其时域和频域的相关指标进行分析，提取有效的特征量，对刀具磨损状态进行在线监测。分析结果表明：在时域指标的有量纲参数中，均方根值和峭度对刀具磨损有较好的指示作用，当刀具在出现明显磨损时，该两参数的数值明显增大；在无量纲参数中，脉冲指标、裕度指标和偏斜度指标对于刀具磨损振动更加敏感；在频域指标参数中，均方频率和功率谱方差对刀具磨损的振动信号变化敏感，此方法研究可有效判断出在加工过程中刀具的实时磨损状况，具有一定的应用价值。