该文论述了加工过程状态智能监测中有关知识获取中的三大问题,即知识获取方式、知识的不确定性和知识的不完全性.为解决这三个问题,该文提出了基于粗集理论的知识获取方案.首先提出了粗集神经网络模型,该神经网络模型根据从样本中所萃取的知识构造.为解决样本信息不确定性而引起粗集神经网络不收敛的问题,该文提出了一种有效的"最劣样本剔除法",即在网络训练过程中不断剔除最劣样本,以保证粗集神经网络的收敛性.为简化粗集神经网络的训练,并且实现知识的更新,该文进一步提出了一种更完善的基于粗集知识获取的智能监测模型,该模型包括决策树(相容性规则)、粗集神经网络和数据库三个组成单元,其中由决策树和粗集神经网络组合成实时监测部分,而数据库为模型的知识离线更新部分,在数据库中定期从所储存的历史数据中学习知识,并用所学的知识更新实时监测部分.在理论分析论证的基础上,应用该监测模型,对实际的加工过程刀具磨损状态进行分类决策.实验结果表明,在采样信号噪声干扰大的情况下,该模型仍能较好地分类刀具状态,并具有较好的知识更新能力,从而验证了该监测模型具有良好的知识获取能力和较好的监测准确性.