在金属切削过程中,对刀具磨损状态进行实时监测是实现生产过程自动化,保证产品质量,提高生产效率,减少设备故障的重要环节。随着传感器应用技术、数据处理技术、计算机软硬件技术的飞速发展,应用多传感器信息融合技术进行刀具磨损状态监测将成为该领域的重要研究方向。多传感器信息融合技术需要解决的核心问题是传感器的种类选择,以及如何实现各传感器信息的有效互补;而监测信号的采集、滤波、特征提取与优化等环节,也直接影响着刀具磨损状态监测的效果。基于以上观点,本文的主要研究内容如下:1、对传统的实验数据采集方式进行了改进。利用两组相同切削条件下的实验,实现了在连续切削状态下完成实验数据的采集,不需要为了刀具磨损量的测量而停车,使得实验过程中刀具的切削状态更接近实际生产加工过程中的状态。综合考虑传感器的成本、安装以及融合效果,选择声发射传感器、传声器以及电流传感器作为刀具磨损状态监测传感器。采用正交实验法采集了研究所需的声发射信号、切削声信号以及机床主轴电机电流信号。2、根据每种传感器信号各自的特点,选择不同的方法对信号进行了滤波和特征值提取。对于声发射信号,采用小波包变换法进行滤波,利用广义分形维数法提取AE信号的广义分形维数特征;对于切削声信号,采用经验模态分解法进行滤波,利用Hilbert-Huang变换法提取信号特征;对于电流信号,采用小波包变换的方法构建小波包重构系数时频矩阵,并利用该矩阵提取小波包能量特征与奇异值特征。3、在提取声发射信号的广义分形维数特征时,采用分步式扫描法,对传统的盒计数法进行了改进,使得网格划分方式更符合采样点的分布特征。采用改进的盒计数法提取实测声发射信号的广义分形维数特征,并与传统盒计数法进行对比分析,证明改进的盒计数法不但可以提高广义分形维数特征提取的精度,而且减少了计算时间。4、通过对支持向量机(support vector machine,简称SVM)与BP神经网络、模糊神经网络(fuzzy neural network,简称FNN)进行对比分析,选择整体性能更优越的支持向量机模型作为多传感器信息的特征层融合模型以及多传感器信息的决策层融合基层子模型。由于经滤波后的信号中仍会有噪声干扰成份存在,而且不同的信号特征与刀具磨损量的相关程度也存在差异,并不是所有提取的特征都是有用特征,无用的干扰特征的存在反而会影响监测结果的准确性;而惩罚因子C和核函数参数γ也会影响支持向量机模型的决策性能。因此基于多种群遗传算(multiple population genetic algorithm,简称 MPGA),将多种群遗传算法与支持向量机模型的训练和预测相结合,设计了监测信号特征以及支持向量机模型参数的优化方法。并通过优化前后监测效果的对比,验证了优化方法的有效性。5、以支持向量机模型为融合模型,对刀具磨损状态监测的多传感器信息特征层融合方法进行研究。对特征层融合的信号特征以及模型参数进行优化,对不同类型监测信号组合下的特征层融合效果进行了分析,并将特征层融合的监测效果与利用单一类型监测信号的监测效果进行对比。6、对刀具磨损状态监测的多传感器信息决策层融合方法进行研究,通过搭建集成模型并设计有效的融合方法,实现多传感器信息的决策层融合。模型的基层部分由多个支持向量回归机(support vector machines for regression,简称SVR)组成,每一个SVR模型对应一种传感器信号,并将其输出的刀具磨损量预测结果作为子决策。模型的决策层部分用于根据子决策进行综合决策,当进行刀具磨损状态分类时,决策层部分为支持向量分类机(support vector machine for classification,简称SVC)模型;当进行刀具磨损量预测时,通过研究发现,决策层部分采用FNN模型比采用SVR模型的融合效果更好,其可以在保证预测精度的同时,降低预测最大误差,从而进一步提升预测稳定性和可靠性。对不同类型监测信号组合下的决策层融合效果进行了分析,并将决策层融合的监测效果与利用单一类型监测信号的监测效果进行对比,证明决策层融合方法可以实现不同类型监测信号之间的信息互补,在刀具磨损状态分类和刀具磨损量预测方面均优于利用单一类型监测信号的监测效果。通过多传感器信息的决策层融合,系统的监测精度和可靠性都得到了提高。