高速切削是先进制造技术领域中引人注目的一项新技术，其应用面广，对制造业的影响大。高的切削速度和进给速度使得切削加工时间大幅度减少，单位时间的材料切除率大大增加，同时加工工件表面质量也有明显改善。
高速切削技术发展的一个主要障碍就是刀具材料的耐高温和耐磨损问题。因此，对于高速切削加工中刀具状态的检测自然具有非常重要的意义，刀具的磨损和损坏不但会影响加工质量和效率，还可能导致严重的人身和设备事故刀具磨损监控目前采用的主要方法是间接方法，一般是通过测量比较一些信号（比如切削力、切削热、声发射等）来间接判断刀具磨损的。由金属切削原理可知，在切削过程中，工件内部产生很大的应力，使切削层金属发生塑性变形，形成切屑而被切除，刀具和工件之间会有力的相互作用2.因此，通过选择检测切削力来判断刀具磨损状况具有一定的理论依据。
1小波神经网络模型对于刀具状态的监控，虽然不断有新方法、新技术的涌现，但一时还难以实用化。目前对刀具磨损监控所采用的方法多为智能技术，包括模糊逻辑、神经网络、小波变换、遗传算法以及他们的综合。虽然刀具磨损监控在国内研宄的也比较早，成果也较多，但是，对于目前正在发展的高速加工领域还没有太多的研宄报道。本文对高速铣削的铣削力信号进行小波包分解，提取铣削力信号与刀具磨损状态相关特征，建立神经网络模型来识别刀具磨损状态。
1.1基本理论对于信号的处理，标准的Fourier变换虽然能够将信号的时域特征和频域特征联系起来，能分别从信号的时域和频域观察，但不能把二者有机的结合起来。由于在刀具磨损时检测得到的切削力信号是一个非平稳信号，信号在任一时刻附近的频域特征都很重要，而Fourier变换没有局部化分析信号的功能。小波分析方法是一种窗口大小（即窗口面积）固定但其形状可以改变，时间窗和频率窗都可改变的时频局部化分析方法，即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，这种特性使小波变换具有对信号的自适应性31.小波神经网络代表了信号处理技术与神经网络融合的主要发展动向，己经得到国内外学术界的认可。小波分析和神经网络的融合有下述两种途径：（1）松散型融合，即小波分析作为神经网络的前置处理手段，为神经网络提供输入特征向量。（2）紧致型融合，小波和神经网络直接融合，即用小波函数和尺度函数形成神经元4. 1.2刀具磨损模型本文所采用的小波神经网络属于松散型融合，采用BP神经网络进行训练。BP神经网络及其它的变化形式是前向网络的核心部分，体现了人工神经网络*精华的部分。从理论上讲，利用小波包分析，把信号分解在互相独立的频带内，各频带内的能量值形成一个向量，该向量对不同的刀具状态对应不同的值，只要做好大量的数据统计工作，小波包分析完全可以成为为神经网络提供有效特征向量的工具。
利用小波神经网络对刀具磨损状态进行识别首先要对铣削力进行小波包分解一般可以通过以下步骤实现：对采集到的铣削力进行n层小波包分解可以得到小波分解系数序列。
对小波包分解系数重构。
求各个频带信号的总能量，并归一化后构成特征向量。
把小波包分解所得到的特征向量作为输入向量建立神经网络模型的时候必须得考虑网络的层数、每层中的神经元个数和激活函数、初始值以及学习速率等几个方面的问题。理论上已经证明：具有偏差和至少一个S型隐含层加上一个线性输出层的网络能够逼近任意有理函数。增加层数主要可以更进一步的降低误差，提高精度，但同时也使网络复杂化了，增加了网络权值的训练时间，所以要优先考虑增加隐含层中的神经元数。此外EP网络需要较长的训练时间并且很可能陷入局部极小值的陷阱所以要选用不同的改进方法对网络进行训练对比观察。
经过几种训练算法的对比，网络训练算法选择采用Levenberg-Marquardt法，该算法的长处是在网络权值数目较少时收敛非常迅速，并结合了梯度下降法和牛顿法的优点，性能更加优良。
2高速铣削刀具磨损状态识别的实现表1）从，23各图中不难看出，随着刀具磨损的加剧各铣削力相应的分力存在着不同程度的变化，而合力值却有比较明显的增加，因此通过小波分解是可以识别出不同铣削力信号的。
而小波包分析能够为信号提供一种更加精细的分析方法，它将频带进行多层次划分，对小波分解没有细分的高频部分进一步分解并能够根据被分析信号的特征，自适应的选择相应频带，使之与信号频谱相匹配，从而提高了时频分辨率具有更广泛的应用价值。本文即采用小波包分析对计算出来的合力值运用db5小波进行五层小波包分解这样得到的每个特征向量的维数为25=32，）网络的误差平方和SSE落在0.0001以内（均方差MSE=利用测试样本来检测所得到的网络，测试样本依次排序为2个新刀具、2个轻微磨损刀具和2个严重磨损刀具所得到的合力信号，结果如表2所示工艺与装备。
组合机床与自动化加工技术网络训练结果表2神经网络识别结果序号目标期望输出神经网络实际输出识别输出结果识别输出结果与目标期望输出结果一致，这样就可以利用这个训练好的网络，把采集到的需要识别的铣削力的小波分解特征向量输入到神经网络，将网络输出结果与样本输出结果进行比较便可来判断刀具实际的状态。
3结论小波神经网络计算速度很快，在PentiumI450内存为128M的电脑中，小波神经网络识别六个样本所需的时间为21.03s平均一个样本识别所需的时间为3.5050s小波神经网络正确的识别出了不同刀具铣削时的铣削在解决了数据的在线采集问题之后，小波神经网络能够很好地应用在高速加工中的刀具磨损监控中。
张伯霖。高速切削技术及应用。重庆：重庆大学出版社，1992.西安：西安电子科技大学出版社，2004.。北京：冶金工业出版社，2001.飞思科技产品研发中心。MATLAB6. 5辅助神经网络分析与设计。北京：电子工业出版社，2003.（编辑李秀敏）（上接第85页）工中应避免主轴伸出主轴箱太长。
此外，工作台作为工件的安装平台，要求其具有较高的刚度。该龙门铣床工作台的*大承重量约为10000kg如果工作台刚度太小，就会导致很大的承载变形，从而严重地影响加工质量。如何真实地模拟工作台的承载情况是一个关键问题。因为在有限元分析中，物体之间是通过节点来传递力和力矩的，本文通过在工作台上放置一个10000kg重的质量块来模拟工作台的承载情况，在接触面上保证工作台和质量块所有的节点重合，从而保证质量块的重量均匀的加载到工作台上。分析表明，工作台1kg的承重变形为0. 95"m，符合设计要求。
3结论通过X2012C型龙门铣床的有限元动、静力分析，得到如下结论：龙门铣床的重力变形不可忽视，在实际加工过程中，应合理安排加工方向和位置，以避免重力变形的影响。
龙门铣床的动、静刚度达到传统铣床的刚度要求，但各方向刚度变化很大，在加工中应予以考虑。
主轴伸出主轴箱的长度对机床的加工精度影响很大，应该尽量减小主轴的伸出长度或从结构上来增大主轴箱的整体刚度。
王勖成，劭敏。有限单元法基本原理与数值方法，北京：清华大学出版社，1988赵兴玉，黄田。快速可重构三自由度并联主模块有限元动、静力分析和设计。中国机械工程，2004（增刊）。
复旦大学出版社，1985.（编辑江复）。88.
来源：中国刀具网
