在机械加工时,刀具磨损会降低零件尺寸精度和表面完整性,当刀具磨损严重时,甚至会引起刀具破损,造成工件报废和损坏机床。因此刀具磨损监测和剩余寿命预测对于保证加工质量、提高生产效率具有重要意义。本文对刀具磨损监控和寿命预测模型进行了研究。论文首先采用切削力、振动和声发射信号作为监测信号,从中提取时域、频域和时频域特征。通过对比发现:从切削力中提取的特征总体优于从振动和声发信号中提取的特征。其中,切削力信号中最优的特征是进给力自功率谱刃通过频率处的幅值;振动信号最优的特征是进给方向振动幅值谱刃通过频率处的幅值;声发射信号最优的特征是均值。在上述基础上,采用基于距离的特征筛选方法,从中提取对刀具磨损敏感并不易受到噪声干扰的特征,并建立基于隐马尔科夫模型(HMM)的刀具磨损监测和剩余寿命预测模型。该方法通过概率计算得到连续的刀具磨损值,并估计刀具的剩余寿命。与传统刀具磨损分级识别不同,该方法可以得到连续的刀具磨损值,可以根据具体情况设置任意的阀值,使控制系统的决策过程更加灵活。此外该模型将诊断问题和预测问题统一在一个模型中,简化了建模过程。通过实验数据对比发现,与目前常用的基于支持向量回归(SVR)的刀具磨损监测和剩余寿命模型相比,本文采用的HMM模型更加稳定,且精度更高。其主要原因是SVR是基于样本匹配的模型,而本文所采用的基于HMM的方法,是对整个刀具磨损过程建模,充分考虑了具体的磨损过程。此外,该方法只采用振动和声发射信号,与全部采用切削力、振动和声发射三种信号的刀具磨损监测模型相比,其模型精度略有下降。但在实际应用中,测力仪价格昂贵,并且安装时需要改动机床结构,影响了机床的刚度,限制了它的实际应用。而加速度和声发射传感器安装方便,信号易于采集,因此该方法具有较好的应用价值。