随着先进制造技术的应用,加工过程将会只有少数人或无人参加,更多的制造任务会由自动化设备来完成。而刀具是整个自动化制造系统中最薄弱的环节,因此,要使自动化的加工过程高效稳定地进行,研究和开发加工过程中刀具状态监测技术就显得尤为重要。本文以切削区域处于封闭空间、切削条件极为恶劣的BTA深孔钻削过程为研究对象,针对目前研究中依赖传感器获取数据同时需要外置决策模块的问题,提出了借助数控系统自身丰富的工况信息,从数控系统中提取加工过程中主轴电机的电流信号,基于电流信号特征参数与钻头磨损之间的内在关系,自动识别钻头磨损状态的无传感器监测方案。并对其中的特征参数的提取技术以及基于特征参数的智能识别技术进行了研究。、为了便于信号的离线研究,建立了基于机床数控系统通讯模块的主轴电机电流信号采集系统,通过钻削实验获取了主轴电机电流信号以及钻头的磨损规律信息。分别在时域和频域对主轴电机电流信号进行了处理和分析,研究了电流信号在钻削过程中的变化规律,提取了信号的特征参数并讨论了各特征参数与BTA钻头磨损之间的关系。结果表明,、时域的均值、均方根、峭度、偏度等特征参数与钻头磨损的变化规律表现出了一定的相关性,其中峭度、偏度作为无量纲参数,能够更好地反映信号的本质特征。在频域内,主轴电机电流的功率谱密度的变化也与钻头的磨损规律呈现出相关性。从功率谱中提取的频带能量及频率重心等特征参数也能一定程度地表征钻头的磨损规律。针对主轴电流信号成分较为复杂,且局部与整体之间具有一定相似性的特点,采用小波分形方法,研究了信号中不同频率分量的分形特征。为了描述在不同尺度下各分量内部及各分量之间的自相似性,分别提取了小波分形盒维数和小波分维数来进行表征,并研究了其与钻头磨损之间的相关关系。结果表明,主轴电机电流信号的小波分形盒维数从低频带到高频带逐渐增大,说明信号在不同频带具有不同的成分信息。且第一层细节部分的盒维数与钻头磨损呈现出一定的相关性。而主轴电机电流信号的小波分维数特征的变化规律与钻头磨损之间呈现除了很好的反相关关系。其拟合曲线上可以很好地表征信号的三个磨损阶段。针对特生下参数样本数较小的特点,采用相关向量机(RVM)分类模型对钻头磨损状态进行识别,研究了核函数以及核参数对于RVM分类模型识别率的影响。在合适的核函数及核参数下,选择信号的峭度、偏度及小波分维数组成特征向量作为训练样本,对相关向量机(RVM)的分类模型进行训练,进而对各磨损状态下的测试样本进行了识别测试。结果表明,RVM分类模型对于深孔加工过程中钻头的磨损状态识别准确率高,且具有很好的泛化能力,能够满足钻削过程中实时高效识别的工作需求。本文的研究工作为BTA深孔钻头的无传感器监测系统的实现奠定了基础,同时也为刀具识别监测技术的研究提供了新的思路。