1.一种加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法，其特征在于金刚石铣磨头磨损状态监测系统包括加工平台、铣磨头磨损信号采集模块、磨损过程的信号处理和特征提取模块、智能决策模块以及铣磨头磨损情况在线实时反馈的人机交互模块；具体包括以下几个步骤：步骤一，进行搭建手机陶瓷背板的加工平台，根据手机陶瓷的工艺特征以及其形状参数，采用气动吸盘夹具来将陶瓷背板毛坯件固定在机床的工作平台上，并将加速度传感器、声音传感器与声发射传感器通过夹具安装固定；

步骤二，在陶瓷背板加工过程中，同时采用加速度传感器、声音传感器与声发射传感器对铣磨加工陶瓷手机背板的金刚石铣磨头工具磨损过程进行采集声音信号；

步骤三，将步骤二采集的信号进行信号预处理，信号预处理主要包括对原始数据中的异常数据、缺失值和噪声数据进行数据清理；而后根据加速度传感器、声音传感器与声发：射传感器的信号特点，分别采用改进后的希尔伯特黄变换和小波分析时频域信号处理的方法，对振动信号、声音信号和声发射信号分别进行信号处理，而后对处理的结果采用降维处理的方法，从而实现对加工过程中多传感器信号进行特征级融合，最后得到关于刀具磨损的优选特征值；

步骤四，利用智能识别算法对刀具磨损的输入向量进行训练与测试处理，具体采用最小二乘向量机算法对步骤三经过的信号特征进行识别，并建立起关于铣磨头刀具磨损信号的识别模型；

步骤五，搭建起刀具状态识别的人机交互界面，根据建立的铣磨头刀具磨损信号的识别模型，最后通过编写在线实时反馈与数据重放分析界面，为金刚石铣磨头刀具磨损的实时监测提供便捷而有效的预警；

所述的步骤三，对于磨损过程的信号处理和特征提取模块，包括对于采集的原始数据的异常信号、缺失信号以及噪声信号的进行预处理，而后对振动信号采用改进后的希尔伯特黄变换处理、声音信号采用小波包分析进行处理以及对于声发射信号采用基于香农熵的EEMD方法进行处理，找出加速度传感器、声音传感器与声发：射传感器关于铣磨头刀具磨损过程信号特征向量集合，然后利用主成分分析法对加速度传感器、声音传感器与声发射传感器预处理的关于磨损的信号特征向量进行降维处理，得到了铣磨头刀具磨损优选样本，并将其作为智能识别的输入向量。

2.根据权利要求1所述的一种加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法，其特征在于，所述的对振动信号采用改进后的希尔伯特黄变换进行处理，具体步骤如下：步骤(一)：将振动信号先进行信号预处理，对处理好的振动信号利用小波包分解与重构，得到不同频段的窄带信号；

步骤(二)：对不同频段的窄带振动信号做EMD分解得到若干个IMF分量；具体实现如下：步骤(1)对于窄带信号vi(t)，找出信号的所有局部极大值和极小值点；

步骤(2)对这些极值点进行样条插值，得到由所有局部极大值点构成的上包络线和所有局部极小值点构成的下包络线，分别记为U(t)和L(t)；

步骤(3)上下包络线的均值为

步骤(4)令h(t)＝×(t)‑m(t)，验证h(t)是否满足IMF分量的条件，若满足，则h(t)为第一个IMF分量；如不满足，以h(t)为输入继续进行前面的步骤(1)，直至得到第一个IMF分量，并将其记为c1(t)；

步骤(5)将r1(t)＝×(t)‑c1(t)作为新的分析信号，重复步骤(1)到步骤(4)，得到c2(t)，此时记r2(t)＝r1(t)‑c2(t)，重复上述步骤直到得到余项rn(t)是一个单调信号或者其值小于某个预先给定的阈值，分解结束；

步骤(三)：对原始信号和各个IMF分量做归一化处理后，计算各IMF分量与原始信号间的IMI；根据IMI的筛选指标选出反映信号特征的真实IMF分量，将筛选出来的真实IMF分量按照频率由高到低的顺序排序；

步骤(四)：分别对步骤(三)得到的真实IMF分量做希尔伯特变换，得到信号的瞬时属性，如瞬时频率、瞬时幅度、边际谱和希尔伯特谱；具体实现如下：(1)对EMD分解得到的每个IMF分量ci(t)，其经过希尔伯特变换得到 那么：式中P表示柯西主分量，因此可以得到一个解析信号为：

其中

(2)则每个IMF的瞬时频率为：

(3)用X(t)表示数据为

式中不包含残留物rn(t)，Re表示取实部，称式右边为希尔伯特时频谱，简称希尔伯特谱，记作(4)边际谱h(ω)为：

步骤(五)：提取时频特征，根据信号的瞬时属性，提取时频统计特征，如第一个IMF分量的瞬时幅度的均值、边际谱的带宽、边际谱的峰值、边际谱方差；

步骤(六)：提取关于铣磨头刀具磨损的振动信号的能量和信息包含最多的固有模态函数IMF以及边际谱最大幅值点等特征向量，将其作为模式识别的输入特征向量。

3.根据权利要求1所述的一种加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法，其特征在于，所述的声音信号采用小波包分析进行处理，具体步骤如下：步骤(1)：将声音信号先进行信号预处理，采用高通滤波处理，而后对处理好的信号进行小波分解，选取合适的小波母函数，得到不同频段的信号；

步骤(2)：对不同频段的声音信号进行能量计算，求得金刚石铣磨头刀具在不同磨损状态下的总能量的百分比；

步骤(3)：按照各个频段的能量占比的高低，进行排序得到关于铣磨头刀具磨损的声音信号特征向量。