随着科学与技术的不断进步,数控机床智能化已成为国家工业水平的重要标志之一。而数控机床刀具加工几乎覆盖所有的应用,它是否故障成为影响产品生产效率、加工质量的最重要因素。目前中国中小型企业所使用的数控机床大部分都不具备刀具状态诊断的功能,仅仅依靠经验进行判断和分析,导致诊断的正确率存在很大的差异。因此,为避免上述问题,急需有效的方法对数控机床刀具的状态进行诊断和判别。本文针对数控车床加工所用的车刀的磨损状态进行了在线监测的研究,做了以下工作:1、分析了刀具的损坏机理和磨损过程以及刀具的磨钝标准;搭建了数控车床刀具故障诊断实验平台,确定了实验方案;采集了车削时不同加工状态下的刀具振动信号数据。2、针对经验模态分解方法处理非线性振动信号存在模态混叠等现象,选用改进的互补集合经验模态分解(CEEMD)方法;将此方法用于处理刀具磨损振动数据,解决了模态混叠和端点效应问题;并且实验证明,选取经过CEEMD分解后的各IMF分量的前五个高能量百分比值作为表征刀具磨损状态的特征值具有更好的差异性和重复性。3、详细的介绍了支持向量机算法的原理,并对支持向量机模型参数选择问题进行了分析。针对支持向量机不能自适应选择核函数参数和惩罚因子的问题,提出了一种基于细菌觅食算法优化支持向量机的模型诊断方法;通过利用细菌觅食算法提高了支持向量机决策函数参数选定的准确性及计算效率,且实验证明,优化后的支持向量机模型对刀具磨损状态的识别具有更高的效率和准确率。4、利用C#的Win Form功能构建一个实时在线的监测诊断系统,主要功能包含三大部分。首先是利用硬件设备完成车床振动数据的采集和存储;其次是利用上述算法对数据进行转换分析和故障诊断,识别出刀具的运行状态;最后通过Win Form的通讯功能,将诊断的结果存储到数据库并展示在界面层。此系统的建立可以让用户更好的了解刀具的当前磨损状态,减少不必要的停机时间,降低了维修成本,提高了生产效率。