汽轮机转子是组成发电机组的核心,其末级叶轮枞树型轮槽加工分为三步,即开V型槽、半精铣、精铣。其中半精铣过程需要铣出轮槽型线,材料去除量大,半精铣刀消耗量大且刀具十分昂贵。刀具换刀策略决定了刀具何时进行修磨及报废,直接影响刀具的消耗数量和铣削加工效率。目前现场加工中的换刀策略存在许多问题:一方面是换刀不及时,刀具过度使用导致刀具可修磨次数减少,进而导致不必要的刀具消耗量增多;另一方面是换刀过早,操作人员常采用保守的换刀策略,提前换刀,影响铣削加工效率。以上两方面都会导致刀具消耗量增大,生产成本上升。为了在充分利用刀具寿命,降低刀具消耗数量的同时提高生产效率,本文研究轮槽半精铣刀寿命预测技术,帮助制定科学有效的换刀策略。本文针对轮槽半精铣加工过程受工件加工性能变化、刀具磨损、刀具类型、刀具修磨等因素影响的情况提出基于轮槽半精铣加工过程信号分类的刀具寿命实时预测方法,即根据监测到的功率及声发射信号,通过Kmeans聚类算法对监测的加工过程进行分类,针对不同的类别分别建立刀具寿命预测模型,随后判断待预测加工过程所属的类别,从而选择相应的刀具寿命预测模型预测刀具寿命。本文开发了功率与声发射信号监测系统,通过在某汽轮机厂专用数控轮槽铣床上进行半精铣实验,采集了不同半精刀类型、不同半精刀修磨次数、不同工件的加工过程信号。通过对功率信号、声发射信号进行数据处理,提取了与刀具磨损状态相关的特征值,如功率均值、功率方差、功率波高值、功率歪度、RMS均值、RMS方差、RMS波高率。本文的轮槽半精铣刀寿命预测方法包括基于非线性回归模型的刀具寿命寿命预测技术和基于BP神经网络的刀具寿命预测技术。首先利用非线性回归模型融合功率信号和声发射信号特征预测刀具寿命,针对非线性预测模型的预测精度较低的情况,提出了基于BP神经网络的刀具寿命预测技术,提高了预测准确率。