随着现代制造业自动化加工技术的发展,数控机床被广泛应用于产品加工生产过程中,而刀具作为数控机床最易受损的部件之一,其磨损程度直接影响着产品质量。及时更换磨损刀具不但有利于提高产品质量和生产效率,也有利于提高刀具的利用率,降低生产成本。因此,建立一个可靠的刀具状态在线监测系统尤为重要。刀具状态监测系统主要包括信号采集、信息处理、在线监测三个部分。本文以数控铣床刀具作为研究对象,对刀具状态监测方法及系统进行了研究。针对强噪声背景及铣削加工过程中周期性脉冲干扰下信号分类问题,提出一种基于本征时间尺度分解的核极限学习机刀具状态分类方法。该方法引进本征时间尺度分解技术对原始信号进行分解,提取与原始振动信号相似度高的旋转分量进行特征提取,进而利用核极限学习机进行分类。铣削过程刀具状态监测实验分析表明,该方法可以有效地识别刀具磨损类别。针对极限学习机估计刀具磨损效果不佳问题,提出了一种遗传算法和粒子群优化算法增强极限学习机的刀具磨损值估计方法。该方法利用遗传算法和粒子群优化对极限学习机输入层与隐含层之间的连接权值和隐含层神经元的阈值进行优化。铣削过程刀具状态监测实验分析表明,该方法能够有效估计刀具磨损值。基于嵌入式系统(TMS320C6748F)平台开发了铣削刀具磨损状态在线监测系统,将上述两种方法应用于刀具磨损在线监测系统中。该系统可以通过加工过程中的振动信号分析得到刀具当前的状态,准确地监测铣削过程刀具的运行状态,为操作人员及时更换刀具提供了有效的依据。