钟华燕， 舒阳欢， 周广林

(1．黑龙江科技大学 机械工程学院，哈尔滨150022;2．黑龙江科技大学 工程训练与基础实验中心，哈尔滨150022)

0 引 言

金属切削加工过程中，刀具的磨损或破损等失效是不可避免的。切削加工过程中刀具的失效不仅会影响工件的加工精度和表面质量，严重时还会导致机床损坏甚至人员伤亡，造成严重损失。因此，对切削过程中刀具状态的准确识别和预测已成为刀具状态监测技术的重要研究内容。

切削加工过程中的刀具状态监测信号成分比较丰富，是典型的非平稳信号，从中提取出有用的特征信息是刀具状态监测的关键。由于小波分析方法具有多分辨分析的特点，因此被广泛运用于刀具状态监测［1－2］。然而小波分析方法也存在着一些局限性。首先，采用小波分析方法对监测信号进行处理时，小波基的选择对信号处理结果的影响较大［3］。一般情况下，对于不同类型的信号，其小波变换的最优小波基也不同，因此，小波分析方法不具有自适应性。其次，小波变换是基于频域对信号进行二剖分的过程，分解得到的信号分量大部分都不具有特征信息，难以将状态特征信息从信号中分离出来。

针对上述问题，笔者提出了一种基于经验模式分解与BP 神经网络相结合的铣削刀具状态监测方法。通过经验模式分解方法对信号进行自适应分解，得到若干个具有实际意义的信号分量，通过计算各分量信号所占的能量百分比，以形成能量特征向量，作为BP 神经网络的输入向量，进而识别刀具状态。……