磨削加工往往是精密零件制造过程中的最终工序,而砂轮在磨削加工过程中,又不可避免的出现钝化现象,这直接影响了砂轮磨削加工的效率与加工产品的质量。因此,必须对砂轮的钝化状态进行有效监测,以确定砂轮合理的修整周期,这对磨削加工成本的降低,加工效率与加工质量的提高,具有重要的现实意义。通过分析研究陶瓷材料磨削时所产生的声发射信号,不难发现声发射信号随着砂轮的钝化程度的变化而变化。因此,可以选择将声发射信号作为砂轮钝化状态识别的监测信号。在分析比较了参数分析法、频谱分析法在处理声发射信号中的不足,并对小波分析方法在声发射信号处理中的应用进行了全面深入的研究之后,本文提出了一种基于声发射技术与小波分析技术相结合的砂轮钝化状态监测方法。首先,本文探讨了各类噪声对声发射信号的影响,对各类噪声的频率进行辨别分析,并选择了合适的滤波器进行滤波,以最大限度地减少噪声对有用信息的干扰。同时,根据声发射信号的特点及小波分析理论,确定了声发射信号在小波分析中小波基的选取规则,并指出Coiflets小波、Daubechies小波和Symlets小波适合于声发射信号处理;确定了最大分解尺度选取规则,这对声发射信号的小波分析具有重要的指导作用,接着对信号进行多层分解。其次,定义了小波能量系数的概念,提出了基于小波能量系数法的声发射信号特征分析方法,将砂轮各个钝化状态(初期、中期、严重)信号的小波能量系数分别提取,可以发现,砂轮各个钝化状态的小波能量系数具有很好的一致性,而各钝化状态之间的能量系数却大为不同。因此,可以将其作为砂轮钝化状态识别器的输入参数,来进行砂轮钝化状态的识别判断。最后,本文采用改进的BP神经网络算法,建立了三层BP神经网络作为砂轮钝化状态识别器,通过试验,确定了神经网络的各种相关参数及最优的BP神经网络结构,并利用获得的样本信号对神经网络进行训练和仿真测试,得到了良好的识别效果(识别率达到90%左右),验证了此神经网络的可靠性与准确性,达到了预期目标。本文的研究成果对于推动砂轮钝化状态监测技术的发展,提高磨削加工的质量与效率具有重要意义和实用价值。