机械自动化发展水平体现了一个国家的经济水平和科学技术实力,机械加工水平受刀具磨损程度的影响较大。由于刀具在加工过程中出现的磨损无可避免,且单一传感器监测存在不足,因此多传感器实时在线监测刀具磨损状态成为解决这一问题的关键。多传感器信息融合过程需要对传感器技术、信息采集技术、信息融合技术进行研究,通过信号采集、特征选择、特征提取等环节,实现多传感器信息的有效互补,完成刀具磨损程度的在线监测。本文的主要研究内容如下:1、本文首先基于刀具磨损相关理论,综合考虑传感器类型、信号特征和刀具型号,选择试验设备,搭建了振动信号和切削力信号的信号采集系统平台;其次,在初期磨损到严重磨损的整个过程中,采集每次走刀的振动信号和切削力信号与每次走刀后的刀具磨损量VB值;最后,分析了影响刀具耐用度的因素,利用正交试验法对振动信号和切削力信号分别进行了“因子对数据的影响试验”,并分析了磨损程度、主轴转速、进给速度和切削深度对两种信号的影响程度。2、采用时域、频域、时频域分析法对采集的信号进行了特征分析和特征提取。首先,采用时域、频域分析法分别对两种信号进行分析;再在分析得到的特征频段范围中,利用小波包分析法分解信号频段并计算信号不同频带的能量值;最后,采用正交试验法分析振动信号和切削力信号中能量值变化明显的频段,提取最优频段作为融合特征值。3、采用BP神经网络-优化贝叶斯算法建立了基于特征层和决策层相结合的信息融合智能识别系统。选择利用变学习率的BP神经网络进行特征层融合,再利用加入卡尔曼滤波的优化后的贝叶斯融合算法进行决策层融合,最终得到融合后的刀具磨损预测值。通过一系列试验进行刀具磨损状态监测,证实了BP神经网络和优化贝叶斯融合算法相结合的刀具磨损状态监测的可靠性和可行性,为刀具磨损监测方向的发展开拓了新思路。