在加工过程中,刀具的状态直接影响着工件的加工质量,因此建立实时性强、可靠性高的钻头状态监测系统,对延长钻头的使用寿命,提高生产效率具有重要意义。本文首先建立了振动钻削钻头状态监测试验系统,利用声发射传感器和压电式力传感器对振动钻削过程中钻头不同磨损状态下的声发射信号和钻削力信号进行同步采集。受加工条件的影响,在实际的振动钻削加工过程中,传感器采集的信号中往往会夹杂着大量噪声,因此采用小波阈值去噪法对声发射信号和钻削力信号进行了去噪预处理,提高了信号的信噪比。接着对去噪后的声发射信号和钻削力信号进行分析处理,分别在时域内对信号进行了均值、方差和均方值的计算,在频域内对信号进行了功率谱分析,在时频域内对信号进行了小波分解,并提取了各频段的小波能量系数。根据钻头不同磨损状态下监测信号特征值的分析结果,选择声发射信号的均方根值、D1、D2、D3频段的小波能量系数,钻削力信号的均值、方差、D4、A5频段的小波能量系数共8个与钻头磨损状态相关度较高的特征值组成向量,作为BP神经网络的输入。最后建立了基于BP神经网络的振动钻削钻头状态识别模型,通过样本数据对模型的训练,建立了监测信号特征值与钻头磨损状态之间的对应关系,经样本测试结果表明,该模型对振动钻削钻头状态具有较好的识别效果。本文建立的振动钻削钻头状态监测系统对延长钻头的使用寿命和提高生产效率都具有实际意义。