随着机床在自动化、集成化和无人化方向发展的越来越快,如何保证加工产品的质量和生产效率就显得尤为重要。而刀具作为加工过程的直接执行者,不可避免地存在着磨损现象。因此为了保证产品质量的同时又实现对刀具的高效利用,就有必要对刀具状态监测技术展开研究。针对刀具加工特点,本文选择对刀具声发射信号进行监测,声发射监测技术作为一种有效的无损检测技术因其灵敏度高、抗干扰能力强、无需停机等优点已经得到广泛的应用,但由于采集得到的声发射信号频率高,数据量大且频率成分复杂,无法直接进行刀具状态识别,故本文为了准确定性的掌握切削过程中刀具的磨损状态,提出了一种基于互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition, CEEMD)和小波包变换(Wavelet Package Transform, WPT)的刀具状态监测方法。首先利用CEEMD将声发射信号自适应地分解成多个固有模态函数(Intrinsic Mode Function, IMF),每个IMF内都包含有原信号的不同时间尺度特征,针对依然存在的模态混叠问题的IMF,利用WPT良好的局部处理能力予以修正,从而实现对特征分量的精确提取,然后选取修正后能量值较大的前几个IMF分量,求其占总能量的比重组成特征向量,最后输入到支持向量机(Support Vector Machine, SVM)中进行训练与测试,从而建立起由6个SVM二值分类器组成的4类刀具状态识别系统。文章通过与CEEMD特征提取方法进行比较,说明CEEMD-WPT提取的特征更加精确,更具有表征性,将两种时频分析方法结合起来,既有效的解决了CEEMD分解后依然存在的模态混叠问题,又消除了单独进行WPT处理后产生虚假频率分量、频率混淆现象的影响,为后期精确地识别出刀具磨损状态奠定了好的基础。