磨削加工是零件制造过程中非常重要的一环。在磨削过程中,判断砂轮与工件是否接触,以及砂轮是否钝化对磨削效率和磨削效果有着重大影响。传统的方法是依靠工人的经验判断砂轮与工件接触状态,并定时修整砂轮。这种方法有很大的局限性,人工判断砂轮与工件接触状态,会影响砂轮对刀精度；提前修整砂轮,就未能完全利用砂轮的使用寿命,降低了磨削效率；延迟修整砂轮则会影响加工产品的质量,造成残次品,这严重阻碍了磨削加工技术向自动化和智能化发展。由于砂轮磨削过程中会产生声发射(Acoustic Emission,简称AE)信号,因此本文在分析砂轮状态监测技术研究现状的基础上,从现场采集到的磨削AE信号入手对监测砂轮与工件接触状态和砂轮的钝化状况进行了研究,主要工作如下：(1)构建了磨削过程中工况在线监测试验系统。声发射换能器对磨削过程中不同工况下的AE信号进行采集,A／D数据采集卡将模拟信号转化为数字信号,对采集到的AE信号进行初步分析,发现了当工况发生改变,各相关数据也随工况发生相应变化,这些变化具备单调性、可重复性,证明了该硬件采集系统的有效性和利用声发射信号进行磨削工况监测的可行性。(2)基于小波变换对AE信号进行特征提取。对于滤波后的AE信号,基于多分辨率小波分解技术,对不同频带小波分解系数采用RMS (Root Mean Square)法构造表征磨削状态的特征向量,并以此作为其后神经网络的输入。分析结果表明,此方法可有效地描述磨削过程中的不同工况。(3)采用基于神经网络的模式识别技术辨识磨削工况。本文建立了三层BP神经网络作为磨削工况识别分类器,确定了最优化的BP神经网络结构和参数。网络训练和仿真测试结果表明,该技术能够实现对磨削加工过程中不同工况的有效识别,准确率在96%以上。