钻削加工是制造业金属机械加工中较为普遍的一道工艺。钻孔动力头作为钻削加工的通用设备,在工业自动化生产流水线上得到了广泛的应用。而麻花钻是钻削加工常用的刀具,其磨损失效不仅会给工件的尺寸加工造成较大偏差,而且磨损严重可能导致的停机会降低自动化生产的效率,甚至损坏机器设备。能够及时监测到钻头的磨损状态,并在发生磨损失效造成故障前及时预警,自动化流水线钻削加工对此有着迫切需求。因此研究和设计钻孔动力头钻削刀具磨损监测系统具有重要意义。论文首先对钻削加工刀具麻花钻的几何结构和磨损形式做了简要介绍,将刀具磨损过程分为正常磨损、过度磨损和崩刃三类。然后利用有限元分析软件deform对钻削加工过程中的钻削力和能量进行模拟,分析了钻削加工过程中各参量的变化情况。论文接着以钻削力信号和电机电流信号作为监测对象,搭建实验平台进行数据采样分析。用时-频域分析方式和小波包分析的方法,对监测的信号进行特征提取。最后论文使用人工神经网络BP模型和RBF模型以及支持向量机模型对刀具的磨损状态进行模式识别,经过若干样本数据的训练后建立模型,再通过大量数据进行检验模型识别的准确率。对比两种神经网络模型检验样本数据的结果,表明RBF模型的收敛性和训练效率要优于BP模型,提取的特征值能够较好的反映刀具磨损特点。而支持向量机模型缩小了模式识别经验风险与期望风险的差距。