吴凤和，钟 浩，章 钦，郭保苏，孙迎兵

（1.燕山大学 机械工程学院，河北 秦皇岛 066004；2.河北省重型智能制造装备技术创新中心，河北 秦皇岛 066004）

1 引言

近年来，钛合金等难切削材料被广泛地应用于高端装备制造领域中。与其它材料相比，难切削材料具有切削阻力大和传热性差等特点，导致加工刀具更容易磨损、破损或崩刃。在加工过程中，若未及时监测刀具的磨损程度，甚至会出现“打刀”现象，影响加工效率，严重时会造成巨大的人身财产损失。因此，建立刀具磨损感知模型，实现复杂切削条件下刀具磨损在线监测具有十分重要的意义。

随着机器学习技术取得了突破，研究人员试图通过数据的实时监测，如监测切削力、功率和电流等传感器信号，以数据驱动的方法来预测刀具磨损。其中切削力信号被认为是最能反映刀具磨损状态的传感器信号。

常用的刀具磨损状态监测算法有BP神经网络（BP neural network，BPNN）、粒子学习（particle learning，PL）、K近邻法（Knearest neighbor，KNN）等。文献［1］构建了带危险模型的隐马尔可夫模型（hidden markov model，HMM）来估计刀具磨损状态，实现了微铣削加工过程中刀具磨损监测及刀具剩余使用寿命预测；文献［2］利用模糊逻辑系统从声发射信号中提取均方根误差估计等信号特征，并选择最可靠的特征变化整合到刀具寿命预测模型中，实现了微铣削过程刀具磨损监测；文献［3］提出了一种基于多传感器信号和Mahalanobis-Taguchi系统的铣削过程刀具磨损分类及检测方法，实时检测出了刀具的中等磨损和临界磨损状态；……