硬脆材料的高硬度和脆性,使其在旋转超声加工过程中具有较高的切削力和较低的材料去除率,造成刀具快速磨损,引起刀具端面形貌发生不规则的变化,进而影响工件形状精度和表面质量。因此,开展硬脆材料旋转超声加工刀具磨损状态监测技术的研究对于提高硬脆材料加工质量和效率、实现机床自主化加工具有极其重要的意义。本文确定了基于振动和切削力信息融合的刀具磨损状态监测方案,搭建相关实验平台。研究了旋转超声加工刀具整个寿命周期的端面磨损形态以及刀具磨损对工件加工质量的影响,并对刀具磨损阶段进行划分。采用时域、频域和小波包分析方法对振动和切削力信号进行分析处理,提取能够反映刀具磨损状态的特征。基于各特征的类内、类间离散度和敏感度计算特征选择因子,据此进行特征优选达到特征降维的目的。提出了一种改进的GA-BP神经网络,采用遗传算法进行网络初始权值和阈值的优化,避免网络陷入局部最小值;为加速收敛过程,采用BP算法对权值和阈值进行微调;最后采用基于模糊推理的结构学习算法对网络结构进行了优化。将所提出的改进GA-BP神经网络用于旋转超声加工过程刀具磨损状态的识别,识别率达到了95%,明显优于传统的BP神经网络。采用虚拟仪器技术开发了基于Labview的刀具磨损状态监测系统,该系统包括多传感器信号采集与存储、监测系统参数离线调整和刀具磨损状态在线监测三个模块,最后通过仿真实验验证了该系统的可靠性。