切削过程中的刀具磨损会降低工件加工表面质量、影响加工精度,过度磨损甚至会造成工件和机床的损坏,威胁人身安全。刀具状态监测技术可以监测刀具的磨损状态并及时换刀,有助于提高加工质量、提高生产效率和降低生产成本。本文利用采集的切削力信号和振动信号,利用分形理论、二元灰狼优化算法和支持向量机对车削和铣削过程刀具状态监测展开研究。论文具体研究内容如下:首先,综述了刀具磨损状态监测和分形理论的国内外研究现状。通过设计刀具磨损车削实验和利用铣削数据集,获得了切削力信号和振动信号数据。利用小波阈值降噪的方法,对原始信号进行降噪处理,消除了噪声对于状态监测的影响。然后,运用单分形理论提取了刀具磨损过程中切削力和振动信号的分形盒维数和关联维数特征,分析这些参数在刀具磨损过程中的变化规律。结果表明,切削过程信号具有自相似性和无标度性,切削信号的部分分量的分形盒维数和关联维数与刀具磨损线性相关性较高,有助于识别刀具磨损状态。鉴于单分形对信号描述的局限性,引入了多重分形方法从不同的测度角度研究了切削过程信号。运用多重分形去趋势波动分析的方法,提取了切削过程信号多重分形特征参数,分析了多重分形特征参数随刀具磨损量的变化规律,并通过对信号序列的重排和替代揭示切削过程信号多重分形的影响机理。结果表明,切削过程信号具有长程相关性,某些多重分形特征参数对刀具磨损敏感性极高,切削过程信号的多重分形特性多数情况下由数据内部大小波动的长程相关性引起。最后,将支持向量机(SVM)、粒子群算法(PSO)和二元灰狼优化算法(BGWO)相结合,对刀具磨损状态进行分类识别。运用BGWO方法进行特征选择,粒子群算法对支持向量机的相关参数进行优化,然后进行刀具磨损的状态识别。结果表明,本文建立的BGWO-PSO-SVM刀具磨损状态监测方法结合分形理论提取的特征,在车削实验和铣削实验中分别获得了 93.3%和98.7%的识别准确率,BGWO方法相比其他常用方法提取的特征具有更高的识别准确率。