刀具磨损状态的实时监测作为自动化、智能化加工的关键技术,一直以来都是国内外研究的热点。在切削加工过程中,刀具的磨损状态直接影响着工件的精度和表面质量。因此,实现刀具磨损状态的实时监测对于提高产品质量、生产效率以及自动化水平意义重大。本文以铣削加工为研究对象,开展了以下研究工作:首先,本文介绍了铣削加工的特点,综述了刀具状态监测的国内外研究现状,分析了各种监测方法的优缺点。提出以铣削声音信号为主、力信号为辅的方案对铣刀的磨损状态进行实时监测,基于LabVIEW平台设计了铣削声音信号采集分析软件系统,搭建了刀具磨损状态监测系统,并进行铣削实验,完成刀具在不同磨损状态下的信号采集;其次,将机床空转噪声与正常加工时的铣削噪声进行时、频域对比,最终通过高通滤波的方式处理机床环境噪声的干扰。对滤波后的声音信号和力信号进行时、频域分析,得出信号特征与刀具磨损状态的相关性,并通过单因素实验,讨论铣削参数对声音和力信号的影响;然后,利用小波分析理论将信号分为八个频率段,研究刀具不同磨损状态下各频率段能量的变化情况,得到与刀具磨损状态最为相关的频率区间段,并提取不同频率段能量占总能量的百分比和铣削力信号X、Y方向的均值作为识别刀具磨损状态的特征值;最后,研究了模式识别及其常用方法,选择三层BP神经网络作为刀具磨损状态的识别分类器,对所有特征值进行归一化处理后,作为神经网络的输入向量,刀具的磨损状态作为输出向量。利用训练样本对神经网络进行训练,通过分析对比确立了最优的BP神经网络结构(8-9-3型),利用测试样本对训练好的BP神经网络进行测试,并对神经网络的实际输出进行标准化处理,结果表明该BP神经网络可以准确识别刀具的磨损状态。本文通过理论分析和实验研究,成功建立了刀具磨损状态和铣削声音信号以及力信号之间的联系,实现了刀具磨损状态的非接触式测量,并对刀具的磨损状态进行准确地识别,为实际加工现场刀具磨损状态的监测提供了新的思路和方法。