机械加工中刀具的磨损状态不仅直接影响工件的加工精度和表面质量,还影响到工件的加工成本和生产效率等等。如何实现刀具磨损状态的实时监测已成为机械加工中的关键技术之一,因此对刀具磨损状态监测技术研究具有重要的理论意义及实用价值。声发射与刀具切削状态相关程度高,非常适合作为刀具状态监测系统的有效监测信号之一。刀具不同磨损状态对应的声发射信号具有各自不同的特点,对声发射信号进行分析处理能够提取到有效地反映刀具不同状态的主要特征。本文通过声发射信号监测系统,采集和分析了不同切削条件下刀具的声发射信号。分析结果表明:声发射信号难以从单纯的时域或者频域进行数据处理提取到特征。采用傅里叶分析和小波包变换相结合,提取信号幅值的均方差、功率的最大值及小波包分解后各频段的能量值,一起作为反映刀具磨损状态的主要特征。同时切削参数也在一定程度上影响着刀具状态的变化,把切削三要素(切削速度、切削深度、进给量)作为辅助特征。本文将主要特征和辅助特征构成的特征向量通过主元分析进行处理,作为神经网络的输入向量。把刀具状态的特征向量进行主元分析,数据处理结果表明:主元分析不仅实现了对特征向量的降维,还消除了特征向量之间的相关性。主元分析后得到的主元即作为神经网络的输入样本。同时,利用神经网络的自学习、自适应、容错性以及非线性映射能力,建立网络模型用于实现刀具磨损状态的监测。本文分别采用了Levenberg-Marquart的改进算法的BP神经网络、动量因子调整算法的小波神经网络建立了刀具磨损状态的监测系统。实验结果表明:小波网络的训练误差、测试误差都小于BP神经网络,而且达到相同误差要求时小波网络的学习次数明显低于BP网络。基于小波网络所建立的系统稳定性好、识别速度快,能更加准确地进行刀具状态的监测。