故障诊断技术是正在迅速发展的研究领域,是实际应用需求与多科学理论发展两个方面交替作用的结果。从实际应用方面看,随着现代化技术水平的不断提高,各类工程系统的复杂性大大增加,系统的可靠性与安全性已成为保障经济效益和社会效益的一个关键因素,得到了广泛的重视;从学科理论的发展方面而言,故障诊断具有很强的学科交叉性,现代控制理论、信号处理、模式识别、人工智能等学科领域近20年来的迅速发展,为解决复杂系统的故障诊断问题提供了有力的理论基础。随着生产自动化程度的提高,特别是柔性制造系统(FMS)技术的出现,人们越来越重视对加工过程的在线监测。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。据统计生产工程中75%以上的设备故障是由于刀具失效引起,因此对刀具状态进行在线监测显得尤为重要。本文根据小波分析良好的时频局部化特性以及神经网络极强的非线性映射能力,在MATLAB平台上以刀具状态AE信号小波分解提取各频段的均方根值(rms)作为模式识别的特征向量,然后分别采用BP网络及其改进算法和RBF网络进行模式识别。仿真试验表明:无论速度还是精度,RBF网络都要优于BP网络,L-M算法优于自适应学习率梯度法,而自适应学习率梯度法又优于标准BP算法,并得到了较高刀具切削状态预报率。