在金属切削加工过程中,刀具会随着切削时间增长而逐渐磨损。刀具磨损后将使得切削力增大,刀具与工件摩擦加剧,进而影响加工精度和工件表面质量。刀具磨损可能导致加工失效,甚至损坏机床,因此进行刀具磨损状态监测具有重要意义,尤其对于现代加工自动化程度越来越高的制造过程中,刀具磨损状态监测显得更为必要。金属切削是一个复杂过程,刀具磨损受众多因素影响,如切削参数、材料、机床以及环境条件等。对于金属切削这一非线性系统,刀具磨损会产生很多非平稳信号,应用在刀具磨损诊断方面常用的信号有振动信号、声发射信号、力信号等。本文中主要选取刀具磨损声发射信号作为采集信号类型,声发射信号是一种高频应力波信号,切削时晶格滑移,剪切,摩擦都会产生与刀具磨损相关的声发射信号。声发射信号有较高频率,通常达到50k Hz-1MHz,这在数据采集过程中通过高通滤波方法能有效地消除低频信号的影响。文中依据正交试验原理研究制定了合理的试验方案,采集了不同条件下的刀具磨损声发射信号。采集的声发射信号往往是含有高频噪声,而且不知道噪声水平,为了消除噪声对信号分析的影响,文中采用了经验模态分解与小波阈值结合的信号降噪处理方法。通过经验模态分解能将复杂非线性非平稳信号分解成若干单一频率的固有模态函数,将信号分解成从高频到低频的固有模态分量,然后通过引进连续均方误差准则来判断噪声主导模态,进而进行小波阈值去噪,通过计算信噪比改善量,发现文中方法去噪效果较好。然后对滤波后的信号,进行相空间重构,充分挖掘系统蕴含信息,进行混沌序列分析。文中相空间重构的关键参数延迟时间和嵌入维分别通过互信息法与CAO方法计算。重构相空间后,绘制Lorenz系统与实测信号的吸引子,结果很直观的体现了相图结构与刀具磨损量之间的变化关系。信号进行混沌时间序列分析后,提取了表征系统内部信息的混沌特征:关联维数、最大Lyapunov指数、Kolmogorov熵,结果显示刀具磨损声发射信号具有混沌特性,随着磨损量的增加,这三个特征量总体呈现增大趋势。将相空间重构的关键参数延迟时间与嵌入维数以及三个混沌特征组成主要的特征向量。将不同磨损阶段,不同切削条件下的信号组合成训练样本输入到SVM支持向量机中进行学习,由测试样本进行验证,结果显示识别率达到90%以上,说明基于混沌特征与SVM能很好地实现刀具磨损状态识别以及磨损量预测。