作为实现自动化、无人化加工的关键技术,刀具状态在线实时监测一直是国内外研究的一个活跃领域。刀具的磨损程度严重影响着产品质量和生产效率。本文利用切削力与切削温度传感器融合的方法来实现对刀具实时状态的监测,以后刀面磨损作为监测对象,确定了与切削力信号和切削区域温度信号有关的各参量。设计了基于神经网络的正交实验和单因素实验。对切削力信号和红外温度信号进行了时域分析、频域分析和小波分析。综合对比各参量的改变对于信号各特征的影响,分析这种影响产生的原因。在对影响切削力和切削温度因素的研究中发现,切削要素对于切削力和切削温度的影响是非常明显的。易切金属对于切削力特征的影响不是很大,但是当材料硬度提高,属于某些难切削材料时(如镍基合金),切削力特征急剧变化。而工件材料的变化对于切削温度的影响则很明显。通过VB值的单因素实验分析,找到了与VB值相关性比较好的特征,即切削力信号均值和小波能量谱,切削温度信号均值与傅里叶变换频谱。它们能很好的反应VB值的变化。采用正交实验法得到的样本数据,可以利用BP网络训练,建立VB值与切削温度和切削力特征之间的映射关系。利用随机实验样本修正了网络,使训练误差达到了1e-005,精度达到了100%。保证网络能够实现高精度监测。解决了刀具磨损监测在实验设计、特征值选取和建立刀具监测模型中的一系列问题,丰富了刀具状态在线实时监测研究的思路,为刀具监测实用化打下了理论基础。