随着生产自动化程度的提高,特别是柔性制造系统(FMS)技术的出现,对加工过程的在线监测越来越受重视。加工过程中刀具的磨损将造成工件的精度及粗糙度变差,甚至导致工件报废、机床停机等故障。据统计,加工过程中75%以上的设备故障是由于刀具失效引起,因此对刀具状态进行在线监测显得尤为重要。信号处理方法和模式识别是刀具监测中重要的两个环节。在众多的信号处理方法中小波变换以其在时域和频域所具有的良好的局部化性质,而特别适合于刀具磨损产生的非平稳信号的分析,因此在刀具状态监测中得到了广泛的应用。神经网络又因其极强的非线性映射能力,特别适合于复杂模式识别,所以本文选择其作为刀具状态识别的工具。本文以Cincinnati DART750的铣削加工过程为研究对象,论述了切削过程监测的信号处理方法,包括时域分析、频域分析、小波分析;通过小波分析对切削力和振动信号进行了频段能量统计,并得到了与刀具磨损敏感的频段特征。通过相应频段内能量的变化,实现对刀具磨损状态的监测。利用神经网络的非线性映射功能建立神经网络,实现刀具磨损状态与切削力信号和振动信号特征向量之间的映射关系,实现了刀具磨损状态的识别。同时,还讨论了网络隐层数、隐层神经元数的选取和网络训练等问题。论文通过实验分别建立了切削力和振动信号的训练样本和测试样本,并应用论文中建立的BP网络进行验证,结果证明:实验数据可以反映刀具的磨损状态,设计构造的BP神经网络能准确识别刀具磨损状态。