该文结合监测系统三大部分,即信号检测、特征提取、状态识别,进行基于多传感器信息融合的刀具状态监测研究:选择对刀具磨损反应敏感的切削力信号和振动信号作为检测对象;根据信号的特点,分别在时域、频域和时频域对检测到的信号进行分析和信号特征提取;以神经网络模型实现多传感器信息融合,对刀具状态进行识别决策,构造出在单一工况和多工况条件下进行刀具状态监测的系统.该文用小波包分解的方法,把时域信号分解成不同频域段对应的子信号,从这些子信号中选择最大程度上反映刀具磨损的组合作为研究对象,再对这些组合进行特征提取.文中通过调整网络结构、在可调节参数的调整公式中引入动量项、在学习过程中采用变学习率和最小误差保留策略等优化学习算法加速神经网络学习速度,改善其收敛性.并就传统BP网络和小波神经网络的学习算法加速神经网络学习速度,改善其收敛性.并就传统BP网络和小波神经网络的学习效果作实例对比.在实际刀具监测模型的构造中,对于单一工况条件下的刀具监测系统,比较了以单一传感器检测信号和采用多传感器信号建立刀具磨损检测模型在各种工况条件下的刀具识别性能,从神经网络的输出效果和监测信号对刀具磨损反应的敏感性两方面论证了采取多传感器信息融合建模的必要性;至于多工况条件下的刀具监测,提出了基于正交工况条件实验数据的刀具监测系统建立方案,按照这一方法建立的刀具监测模型具有对刀具磨损程度识别的有效性和对工况条件的扩展性.