加工过程中刀具的磨损将造成工件的精度及粗糙度变差,甚至造成工件的报废,机床停机等故障。因此,刀具故障诊断成为了工况监测中的一个极为关键的技术环节。首先采用声发射技术采集刀具切削状态的数据,使用小波包分析技术提取能量谱,进行特征提取。然后阐述了支持向量机理论,基于已提取的特征,构建支持向量机分类器,用不同规模的数据进行训练测试,得到了理想的分类效果。本文的主要内容如下:第一章综述了刀具状态识别目的和意义,分析了国内外声发射技术和小波包分析技术的发展及研究现状。论述了统计学习理论和支持向量机理论研究和应用发展。最后给出了本论文的主要研究内容,并给出论文的总体框架。第二章着重介绍了声发射技术的原理及特点,并分析了声发射信号的特征提取方法。第三章介绍了小波包分析技术及其特点。根据刀具声发射信号具有随机性的特点和小波包分析良好的时频局部化特性,本论文给出了小波包分解提取信号特征的方法,分析结果表明了小波包分解提取的能量特征能够正确地反映刀具切削状态。第四章介绍了统计学习理论的重点内容,简要介绍了支持向量机算法的主要思想和特点。利用小波包分解提取刀具声发射信号各频段的能量值作为特征向量,构建支持向量机分类器。通过实验证明了支持向量机在刀具状态识别中的可行性和有效性,实现了对刀具磨损状态的识别,取得了比较满意的效果。第五章对全文的主要工作和研究成果进行了总结,并指出了有待进一步改进和研究的方向。