常规数控加工过程中,选择合适的切削参数对于加工效率的提高和加工质量的控制具有重要的意义。传统的依据编程人员操作经验选取切削参数以及通过离线参数优化得到切削参数的方法往往忽略了加工过程中刀具磨损等加工工况变化对金属切削过程的影响。然而,刀具随着切削过程不断地磨损,其切削性能和切削效果也在不断变化,尤其当刀具剧烈磨损时,会对工件的表面质量造成重大影响。另外,切削力信号对切削过程中的微细变化十分敏感,能够准确有效地反映切削加工时刀具的状态信息,而且针对目前实际生产过程中各种切削力传感器的安装困难等缺陷和不足,本人所在实验室设计并开发了一种将力扭传感器集成在刀柄上的智能测力刀柄,并已达到使用要求。因此,本课题对基于刀具磨损状态检测的铣削加工参数优化技术进行了研究,通过切削力信号在线检测刀具磨损状态,实时调整切削参数,使得优化目标保持在最优状态。根据实际优化问题,设计了铣削加工在线参数优化系统的总体结构,并制定了刀具磨损状态在线检测策略以及在线参数优化策略。为了建立刀具磨损状态预测模型,设计了铣削实验方案,确定了刀具磨损特征量的提取方法。针对金属切削过程对切削效率和加工质量的要求,建立了以材料去除率和表面粗糙度偏离程度为优化目标的铣削加工参数优化模型。对实验数据进行分析,提取切削力信号特征,并通过相关性分析筛选出能够有效表征刀具磨损状态的特征量。将特征量与切削参数作为刀具磨损状态预测模型的输入,将刀具磨损值与切削参数作为表面粗糙度偏离程度预测模型的输入,利用遗传算法优化的神经网络建立加工过程模型。从传统离线参数优化角度出发,建立了未考虑刀具磨损对工件表面质量影响的表面粗糙度线性回归模型,继而得到离线参数优化模型。利用MATLAB与Lab VIEW联合编程开发了在线参数优化系统。为了对比离线参数优化与在线参数优化的优化效果,首先利用遗传算法对离线参数优化模型进行优化,并以优化结果进行铣削实验。然后进行了在线自适应优化实验,每次走刀结束,通过对采集到的切削力信号进行特征量的提取,然后结合切削参数求得刀具磨损长度,继而得到此磨损状态下的参数优化模型,并通过遗传算法优化得到切削参数,进行下次切削,直至刀具磨损失效。通过实验效果的对比,可得在线自适应参数优化效果优于传统的离线参数优化效果。