高速铣削加工技术越来越多的应用于航空航天、模具、汽车等制造业领域,它能显著提高生产率,改善加工质量,降低成本。但是,高速铣削刀具磨损快,使用寿命短,如不进行实时监测很容易出现“打刀”现象。因此,刀具磨损的监测对高速铣削加工技术的推广应用有重要的实际意义。论文通过高速铣削淬硬钢实验,首先建立了铣削力及系数模型,并采用一种新的系数识别方法——主成分法对系数模型进行回归分析。通过建立仿真实验,仿真结果表明建立的铣削力模型得到的仿真信号与实测信号十分接近,可以作为神经网络的训练信号。然后,采用小波包对采集的铣削力信号进行分解和消噪处理,并提取其能量特征作为BP神经网络的输入向量。基于神经网络极强的非线性映射能力和分类能力,本文选用小波包分析与BP(Back Propagation)神经网络结合的方式对刀具磨损状态进行识别。通过建立BP网络结构,构造训练样本及测试样本,对网络进行训练和测试,结果表明该网络能对刀具磨损状态进行准确识别,为实现高速铣削刀具的实时监测奠定了良好基础。