在自动化机械加工产线中，刀具磨损是影响工件尺寸精度与表面质量的首要因素，尤其对于钛合金、高温合金等难加工材料，刀具后刀面磨损带宽度VB的快速增长具有强非线性特征。传统的基于切削力或振动信号的监测方法易受机床主轴转频和进给波动干扰，而声发射（AE）技术因其对微观塑性变形和微裂纹萌生高度敏感，成为更有潜力的在线感知手段。本文开发了一套集成宽频AE传感器（响应范围100~900 kHz）的智能刀柄系统，在车削加工中进行实时数据采集，采样率设定为5 MHz。通过时频域特征提取（包括峰值频率、能量计数、RMS电压及小波包分解的频带能量比），结合主成分分析降维，构建反映磨损演进的高维特征空间。采用改进的隐半马尔可夫模型（HSMM）描述磨损状态迁移——将刀具寿命划分为初期磨损、正常磨损和急剧磨损三个阶段，并引入自适应的状态驻留时间概率分布。实验设计涵盖不同切削速度（60~120 m/min）、进给量（0.1~0.3 mm/r）及冷却条件，每间隔2分钟测量一次VB值作为标签。结果表明，AE信号在180~300 kHz频带的能量占比与VB呈显著正相关（Pearson相关系数0.89），且当该频带能量突增40%以上时，预示进入急剧磨损期。所建HSMM对剩余有效寿命的预测误差在±8.5 min以内（实际总寿命约120 min），优于支持向量回归（误差±15.2 min）。进一步，将监测系统与机械加工中心数控系统实时通信，当预测剩余寿命低于15 min时自动触发换刀指令，并记录当前工件补偿参数。该技术已在某汽车变速箱壳体生产线落地，使因刀具破损导致的废品率从2.3%降至0.5%，且每把刀具的平均利用率提升了22%。本研究验证了声发射在复杂机械加工环境下的鲁棒性，并为数字车间刀具管理提供了一种低成本、高响应的智能感知方案，对推动机械制造过程的自适应控制具有重要意义。jkhjjhg