刀具监控系统一般由信号检测、特征提取和状态识别三部分组成，其关键技术有智能传感、信息融合、信号处理和智能学习决策。

1.智能传感

1.1智能传感技术

多传感器信息融合与单一传感器信号处理有着本质区别。多传感器的信息更复杂，能够在不同层次上融合集成。经融合后的信息具有冗余、互补、实时与低成本性，且多传感器融合的信息更全面、更准确。

1.2智能传感技术的发展趋势

信息采集由单传感器向多传感器发展，特征提取由单特征值向多特征值发展；多传感器信息采集成为趋势。

多传感器获取多种信号，进行多参数的智能决策；开发灵敏度高、结构紧凑、安装方便、抗干扰的传感器；向多传感器信息融合的方向发展，尤其是基于神经网络的多传感器信息融合。

2.基于神经网络的多传感器信息融合

信息融合需要有效算法和较强的数据处理，神经网络和计算机分别满足此要求，因此信息融合在刀具监测中广泛应用。多传感器信息融合与神经网络相结合，构成多参数、多模型系统，应用于刀具监测中，前景广阔。

基于神经网络的多传感器信息融合具有如下优点：

（1）信息存储在网络的联接权值和联接结构上，形式统一，便于建知识库及管理。

（2）神经网络增加容错性。当传感器出现故障或检测失效时，神经网络的容错功能允许检测系统正常工作，并输出可靠信息。

（3）神经网络具有自学习和自组织功能，能自适应检测环境的变化及检测信息的不确定。

（4）神经网络具有并行机制，处理信息速度快，满足实时处理需要。

3.信号处理

3.1信号处理技术

信号处理是分析处理采集的信号，获取特征值，对特征值决策分析，达到监测目的。

刀具监控的信号处理方法极为丰富，有时域分析、频域分析、时频分析、统计分析、智能分析、神经网络等。传统的信号处理多集中时域或频域分析。近年来，信号处理方法则逐渐向时频分析和智能方向发展。

（1）傅立叶变换

将瞬时多变的时域信号转换到频域上，更有利于分析其特征和性质，而傅立叶变换是频域分析的重要方法。离散傅立叶变换（DFT）的时域和频域均离散化，可用计算机作傅立叶分析。

快速傅立叶变换（FFT）使DFT 的运算效率提高1至2 个数量级。傅立叶变换用频谱特性分析表现时域信号，但也有其局限性。

（2）小波分析

小波分析是多分辨率分析的时频分析方法，在时域、频域都能够表征信号局部特征，其窗口大小固定不变但形状可变。小波、小波包能分析微弱故障，适应于探测正常信号中夹带的瞬态反常现象，应用前景广宽。

连续小波变换是一种特征提取方法，通过将信号在时间—频率尺度上的特征提取，反映原信息的特征，但不能准确反映信号的能量大小。基于多分辨率的小波分析具有变化的时间或频率分辨率，能准确反映信号的能量大小。

基于信号的小波包分析将信号分解在带宽相同、首尾相接的频带上，对高频和低频都具有较高的时频分辨率。

（3）广义自适应小波

广义自适应小波分析是指在小波分析中，根据信号特点，依照某种算法对一个或几个参量进行适应性选择，以取得＊好的分析效果。这些参量包括小波基、小波分解尺度、平移系数和加权系数等。