金属切削加工是机械设计制造之中最常用的加工方式,而刀具又是金属切削加工过程中至关重要的生产要素。因此,刀具的性能、质量及管理能够直接影响加工过程的稳定性、产品的可靠性、加工节拍和生产效率。所以,对刀具磨损状态监测,提取有用信息,分析刀具磨损状况,从而能够实现减低生产成本,减少生产故障,提高生产效率的功能。在刀具磨损状态监测的基础上,利用己知的刀具磨损量值对未来时刻刀具磨损量值进行预测,可以在刀具磨钝前及时采取相应措施。因此,刀具磨损量的预测也非常重要。采集刀具从新刀至刀尖崩裂整个过程中每一次走刀的振动信号和切削力信号,同时测量并记录每一次走刀完成后刀具后刀面的磨损量值；然后,在时域和频域分别对切削力信号进行特征提取,从提取到的特征中选择与刀具磨损敏感的特征值。通过对振动信号进行分析,发现在时域和频域中,不同磨损状态下的振动信号特征区别不明显,很难提取到与刀具磨损敏感的特征值。因此,对振动信号进行小波包分析,选择部分频带能量作为有效特征值。选择的所有特征值归一化处理后,作为神经网络的输入向量。建立三层BP神经网络,并利用训练样本进行训练,然后利用测试样本进行测试,发现刀具不同磨损状态均能够较好地被识别。分别利用ARMA模型,BP神经网络,以及基于以上两种方法的组合模型对刀具磨损量值进行预测。通过选择适当的参数进行建模,利用ARMA模型和BP网络得到的刀具未来时刻的磨损量值,预测值效果均比较理想。利用结合两种模型优势的组合模型进行预测,虽然并非每个预测值的效果都优于单独使用每方法的效果,但是整体预测效果较好。