蔡力钢，李海波，杨聪彬，刘志峰，赵永胜

(北京工业大学先进制造与智能技术研究所，北京 100124)

在机床进行实际加工时，刀具磨损会必然出现，而刀具磨损情况与加工精度、生产效率和人员安全都有直接关联.因此刀具状态智能监测技术在要求更高精度、更加智能化的生产加工过程中具有重要的意义.目前主要采用间接法对刀具状况进行监测，间接监测法的过程大致可分为信号采集和预处理、敏感特征提取、磨损模式识别3个部分[1].

刀具磨损过程影响因素十分复杂，与试件材料、刀具特性、机床状态以及加工工艺等诸多原因有关，很难找到能够反映刀具磨损规律的数学模型.加工过程中的振动信号与切削力和机床系统自身特性有很强的关联性，进而包含了大量与刀具实时磨损相关联的信息.综上所述，提取信号特征的优劣与刀具状态的监测有着直接联系.信号特征选择的常用方法有：时频域处理、小波分解(wavelet transform, WT)、经验模态分解(empirical mode decomposition, EMD)等.时域、频域分析是从时间和频率成分角度分析信号.WT和EMD对多分量、非平稳信号的处理更具有优势.文献[2]对车削过程的切削力信号基于小波变换建立了刀具状态在线监测和磨损预测系统.文献[3]对声发射信号采用经验模态分解并结合最小二乘支持向量机(least squares-support vector machine,LS-SVM)实现刀具磨损状态的监测.文献[4]提出了基于辅助噪声的改进EMD.变分模态分解(variational mode decomposition, VMD)是由Dragomiretskiy等[5]在2014年提出的一种非递归分解算法，具有坚实的理论基础.文……