随着制造业发展与升级,采用机器人代替人工完成复杂的加工过程不仅能够使工人远离恶劣的工作环境,还可以提高加工效率,逐渐成为一种趋势。砂带磨削作为一种柔性的、高效率的加工方式,在复杂曲面Inconel 718合金这种难加工材料工件最终成型领域起着不可替代的作用。然而,加工过程中复杂的能量分配、砂带状态变化与难以确定的接触状态下的局部材料去除量与热流分布导致砂带磨削Inconel 718合金控形、控性困难。目前尚未有系统的关于砂带磨削Inconel 718合金过程中的能量分配计算研究,以及可行的局部材料去除量与热流分布的在线监测方法。因此,针对以上问题,本文从能量分配的角度出发,由单磨粒磨削效应判别到磨削热量分配,系统分析、研究了动态的砂带磨削过程。在此基础上,本文采集多种磨削信号,结合信号处理技术、FEM（Finite element method）与机器学习技术,建立磨削过程监测模型,为实现砂带磨削Inconel 718合金过程的控形、控性奠定基础。论文主要研究内容与结论如下:（1）本文从磨削效应和热方面对磨削动态过程进行了分析。在动态磨削力和弹性接触条件下,采用单磨粒划痕试验和单磨粒力受力平衡相结合的方法来区分磨削效应。结合FEM和优化算法获得具体的热量分配。最后,利用迭代法考虑磨粒热积累效应和随温度变化的工件硬度,计算得到连续磨削过程中的动态能量分配。基于Inconel 718合金、SUS304和AA6061-T6三种材料工件的验证结果显示上述动态能量分配计算方法有效且准确。分析与计算结果显示砂带磨削中磨粒存在热累积现象,随着磨削时间增加,砂带散热能力降低。此外具有好的导热能力的砂带磨削系统将具有更低的磨削温度。（2）本文提出了一种基于多传感器和机器学习技术的动态热输入在线监测方法。首先,通过动态热输入和静态热输入的对比,说明热输入在线监测的必要性。其次,通过对磨削信号（声音和力）与热输入的相关性分析,提出了一种混合的特征处理方法与基于BADS-LSSVM的热输入监测模型。验证结果表明,该方法每次计算大约需要0.6 s,平均精度不低于96.7%,且用于计算一个完整磨削道次的温度误差为±6℃,为后续基于接触状态的热流分布计算奠定基础。（3）模仿人眼识别砂带状态的原理,采集砂带图像信息,利用双向Gabor滤波与K-means聚类技术,提取参与磨削的磨粒数量与磨粒磨损总面积两个统计学特征。重定义砂带状态,提出一个不受磨削参数影响的砂带状态分区域识别方法。不同型号砂带磨削验证结果表明,上述方法在分区域监测砂带状态方面具有高的准确度、通用性与稳定性。（4）在对比分析FEM、MDR（Method of Dimensionality Reduction）、BEM（Boundary element method）在砂带磨削接触状态获取表现后,本文提出采用视觉辅助获取接触区宽度并结合BEM的(7+BEM实现局部接触状态的快速获取。该计算方法能在1 s内得到18 mm×18 mm区域内,精度0.2 mm点云数据的接触状态,与FEM计算结果对比,最大误差不超过6.0%。基于此,考虑到材料去除对后续接触状态的反作用,在确定砂带状态下的材料去除率的基础上提出采用迭代计算的方式计算局部材料去除量并更新点云数据。5 s磨削实验结果表明,计算得到的局部材料去除量最大误差不超过0.2 mm。基于热输入在线监测模型与接触状态,实现了热流分布的计算。此外,通过仿真与磨削实验验证发现接触压力的二次方与热流分布呈线性关系,计算的热流分布通过有限元仿真得到的温度与磨削实验温度平均偏差不超过13.4%。