刀具作为机械加工中材料去除的直接参与者,随着加工的继续将会出现刀具的磨损或者破损现象。刀具的过度磨损或者破损直接影响加工零件的质量,增加制造成本。因此刀具状态的在线监测对提升加工质量、节省制造成本以及提高制造效率,同时对制造业走向智能化、无人化具有非常重要的意义。本文所做研究如下:首先,通过全因子实验获取不同加工条件、不同刀具磨损状态下的切削信号。对铣刀磨损、断裂监测信号的特征提取方法及特征选择方法进行研究。采用时域分析法、功率谱分析法和小波包分解法对监测信号进行时域分析、频域分析和时频域分析。然后对监测信号在时域和时频域的进行特征信号选择,从而获取表征铣刀磨损、断裂状态的特征量。其次,本文基于BP神经网络的多传感器信息融合技术应用于铣刀磨损状态监测中,针对固定参数和变参数加工中的刀具磨损状态进行了对应研究。对于加工刀具磨损状态的监测,给出了固定参数的阈值监测方法与变参数的基于小波包分解与BP神经网络的多传感器信息融合的监测方法。通过小波包分解与相关系数法提取多种传感器采集的信号的特征值及工具显微镜测量相应的刀具磨损VB值,将获取的训练样本训练BP神经网络识别系统,并用检测样本验证网络。最终,在监测中将信号特征值作为BP神经网络的输入,输出刀具磨损值。同时,提出了基于相同切削层横截面积的BP神经网络的变参数整合网络,将具有相同切削层面积的不同加工参数组合归入同一子网络进行训练、监测,减少了子网络数量,又提高了系统的容错性。最终,采用LABVIEW编程语言和MATLAB数据处理软件进行监测铣刀状态软件的联合开发,得到包括波形显示、数据传输、数据存储以及断刀报警、铣刀磨损值实时监测等功能的软件系统。经实验验证,该监测系统技术能够有效的辨识刀具磨损状态,并得出相应磨损值并给出刀具断裂提醒。本研究在设计切削实验、加工信号的采集、传感器信号分析、信号特征提取及刀具状态模式识别及刀具磨损值预测方面做了有益的探索。提出了刀具状态监测实用模型,发展了刀具状态在线监测技术。