刀具状态监测技术是先进制造中的一种关键技术。通过对刀具进行实时监测不仅可以提高产品的加工质量,降低生产成本,还能提高生产效率。它是真正实现自动化、智能化生产不可或缺的关键技术。但是目前刀具状态监测技术还不够成熟,不能够应用于实际加工中。本文通过对刀具状态监测技术的研究,搭建了一套基于LabVIEW的刀具状态监测系统。首先,对刀具的磨损机理进行了研究,根据刀具后刀面磨损量对刀具的磨损程度进行了划分。分析了各种监测方法的优缺点。采用间接法,选择振动和声发射传感器作为信号源,制定好试验方案,采用全因素试验方法进行了切削加工试验。通过LabVIEW软件搭建的数据采集系统,采集了切削加工不同切削参数和刀具状态下的振动和声发射信号。其次,通过对采集的信号进行时域、频域和时频域分析,观察其在不同域内的波形特征,提取相关的特征参数,分析特征参数与刀具磨损状态的相关性。其中在时域提取了信号的时域统计特征均值、方差和均方值等;频域内进行了功率谱分析;时频域内对振动信号进行4层小波包分解,声发射信号进行8层多分辨率分解,分别提取各频段的能量百分比,组成一个31维特征向量。再次,采用Relief-F特征选择算法对提取的特征参数进行筛选,选取出与刀具状态密切相关的特征量(振动信号均方根、和小波包分解的A4、A6、A11、A15频段;AE信号多分辨率分解的D2、D4、D6频段),形成一个8维特的特征向量,作为模式识别的输入向量。对试验数据信号分析和特征选择后得到的81组样本划分为训练样本(54组)和测试样本(27组)。将训练样本输入建立的BP神经网络模型进行训练,然后输入测试样本查看识别结果。经过样本训练后,BP网络模型的正确识别率分别为92.59%。最后,基于LabVIEW软件和MATLAB软件开发出一套完整的刀具状态监测系统,该系统可以完成数据采集、信号分析、数据存储与读取、波形显示、信号分析和刀具状态识别等功能。经过试验验证,该系统能够准确完成刀具的状态识别。