刀具状态监测是数控机床智能化发展亟待攻克的核心技术之一。滚齿加工作为目前应用最广泛的齿轮成形技术,其核心部件滚刀价格昂贵,且制造工艺复杂,过度使用会加剧滚刀磨损进而导致齿轮精度降低,滚刀报废无法刃磨,极大地影响了企业的生产效益。因此,滚刀磨损状态监测对于节省加工成本,保证加工质量,提升齿轮生产效率具有重要意义。针对此问题,本文采集滚刀主轴z向振动信号并进行去噪;基于希尔伯特黄变换（HHT）提取振动信号中的滚刀磨损能量特征值;采用IPSO算法优化RBF神经网络;构建IPSO-RBF神经网络模型;最终实现滚刀磨损状态识别。论文研究的主要内容如下:首先,介绍了滚刀磨损机理并采集了滚刀主轴z向的振动信号。阐述了滚刀的磨损原因、磨损形式及滚刀磨钝标准的制定方法;分析了各种信号的特点及其用于识别滚刀磨损状态的优劣性;探究了滚刀主轴z向振动信号与滚刀磨损的关系,证明其能有效反映滚刀的磨损状态;设计了振动信号的采集实验方案,并完成滚刀全生命周期信号的采集工作。其次,设计了滚刀主轴z向振动信号的降噪方法。基于正交试验对小波阈值去噪的参数组合进行优化选择,得到较为有代表性的小波阈值参数组合;根据信号去噪效果评价方法对每一组合的去噪效果进行评价,得到最优去噪参数,并将其用于小波阈值去噪;绘制并分析了去噪前后的信号频谱图,验证了该方法能够有效去除振动信号的高频噪声,且保留其有效的低频分量。然后,提取了振动信号中能有效表征滚刀磨损的能量特征。针对传统时频域方法分析非平稳振动信号的局限性,采用具有较强自适应性的HHT变换方法对振动信号进行EMD分解和Hilbert谱分析;计算筛选与去噪后振动信号相关性较强的IMF分量的能量和边际谱能量,将其作为表征滚刀磨损的能量特征值;对比能量特征值在滚刀不同磨损阶段的变换趋势,验证了它们作为特征向量的有效性。最后,构建了用于识别滚刀磨损状态的IPSO-RBF神经网络模型。提出了针对标准粒子群算法（PSO）易陷入局部最优的改进策略,并采用改进PSO算法优化RBF神经网络,得到识别模型;输入滚刀的全生命周期振动信号能量特征值,证明该模型能有效识别滚刀磨损状态;设计对比实验,验证IPSO-RBF神经网络模型在识别率和识别时间上远优于其他识别模型。