深孔加工在机械制造业中有广泛的应用,其刀具切削状态和排屑状况是否正常是决定深孔加工过程能否顺利进行的关键,研究刀具磨损以及排屑状态监测技术具有重要工程意义。论文以BTA内排屑深孔钻削系统为研究对象,在对深孔钻削特点以及常见故障状态进行分析的基础上,建立了以切削功率和润滑冷却系统油压为监测信号的深孔钻削排屑与刀具状态监测系统,对切削功率和油压信号特征提取和状态识别等进行了理论分析和实验研究。论文分析了深孔钻削过程中油路系统的动态特性,建立了油路系统简化模型,并采用Fluent软件对深孔加工过程油路系统流场进行了仿真研究,获得了深孔加工过程中油压随孔深增加的变化规律,为监测排屑过程是否顺畅提供依据。针对钻削过程传感器信号的非平稳特性以及强脉冲干扰噪声给特征提取和状态识别带来的困难,提出了基于小波包的防脉冲干扰滑动平均消噪方法,并将其应用于切削功率和油压信号的消噪中。仿真和实验结果表明,使用该方法后可以大大提高监测信号的信噪比。分析了基于小波变换的非平稳信号处理方法,对深孔钻削过程中的油压信号与排屑状况、功率信号与刀具磨损状态之间的关系进行了研究,发现油压信号时域特征与排屑状况有密切联系,功率信号频带能量特征与刀具磨损之间表现出较强联系。并且针对油压信号特点,运用压力信号变化率实现了钻削过程排屑状态的监测。讨论了高阶统计量在刀具切削状态特征提取中的应用情况,利用高阶累积量和高阶谱在敏感频段的平均能量来描述刀具状态特征。实验结果表明,利用高阶量可以有效区分刀具磨损的不同阶段。建立了深孔钻削过程排屑与刀具状态识别的径向基(RBF)神经网络模型,分别实现了深孔钻削中切削功率信号特征向刀具磨损状态的映射,和油压信号特征向排屑状态的映射。结果表明,该模型对深孔钻削中两类常见故障状态的识别准确率高。