随着制造业的迅速发展,对制造业提出了更高的要求,制造业的自动化以及制造系统运行的稳定性和可靠性,要求对制造过程中的一个重要部份--刀具的切削状态进行在线监测.用光学、机械振动、切削力、切削噪声等方法进行监测都收到了不同程度的效果.利用声发射传感器采集刀具切削状态的数据,再利用小波神经网络对它们进行状态识别,是对刀具故障进行在线监测的一种新方法.该文针对刀具切削可以用声发射传感器采集到较高精度并很有效的切削信息的特点,根据小波分析良好的时频局部化特性及提取信号细微特征的特点和神经网络良好的非线型性逼近及自学习与泛化能力,利用小波分析和神经网络来技术来分析处理刀具切削状态信号.在此基础上,研究开发了基于小波神经网络的刀具状态监测系统,试验表明:系统实现了对刀具的切削状态的识别和监测,并得到了较高的刀具切削状态预报率.论文的主要内容和成果如下:1、分析了刀具的切削状态和切削故障检测方法,重点介绍了声发射检测方法及刀具的切削故障声发射检测系统.2、详细分析并阐述了小波分析技术、神经网络技术及小波神经网络技术等几种关键技术,提出了利用小波包各层次频带分解功率监测提取信号特征量和利用BP神经网络技术进行仿真训练、模式识别的刀具故障监测方法,并在此基础上建立了基于小波神经网络的刀具故障监测系统的控制结构模型.3、详细分析了利用声发射检测技术采集刀具的切削状态信息,利用小波包各层次频带分解功率监测提取信号特征,以及利用BP神经网络对刀具故障进行模式识别的实现技术和方法.4、利用MATLAB及它的GUI技术,研究开发了基于小波神经网络的刀具故障监测系统.5、通过实例样本信号对系统进行仿真,得到90﹪刀具状态正确预报率的结果,验证了论文所用方法的正确性及所开发系统的可靠性.