当刀具破损时，切削力会增大，导致切削功率增大，机床的电机电流和负载功率增大。所以，电机的负载功率、电流电压的相位差以及波形变化等参数可以反映刀具磨损的信息。电流与功率信号的刀具磨损监测归根到底是切削力的刀具磨损监测，但相比于切削力的刀具磨损监测，电流与功率信号的刀具磨损监测具有成本低、传感器安装方便的优点。

Lin X.等提出了一种基于顺序主轴电流信号的刀具状态监测方法，并应用支持向量机进行刀具破损识别；Pal S.等利用小波包树和主成分分析从电机电流中提取刀具磨损敏感特征，训练了一个人工神经网络，将切削条件与刀具磨损特征相关联，从而可以根据切削条件预测刀具磨损量；提出了一种基于主成分分析（PCA）与支持向量机相结合的刀具磨损状态监测模型，通过功率传感器采集切削过程中的电流和功率信号，采用PCA对采集的参数进行特征提取，选择对刀具磨损状态影响＊大的主成分作为支持向量机的输入样本，实现对刀具磨损状态的准确识别。

但是也存在一些缺点，例如由于是通过电流与功率反映切削力变化进而间接反映刀具磨损状态，所以对于刀具磨损的敏感度较低；此外，采用电流传感器会有延迟效应。

多种信号结合的监测

单一信号的监测已广泛应用于刀具磨损监测，然而单一的传感信号有各自的缺陷以及易受到加工参数、机床刚度、工件材料特性以及周围环境噪声的影响。

为了避免这种影响，多个传感器信号的刀具磨损监测方法逐渐被广泛采用。每种信号对于不同刀具磨损的状态敏感度有所不同，所以一种信号对于某个刀具磨损状态的敏感度损失可以被另一种信号弥补，从而提高刀具磨损状态分类精度，这是多种信号结合的监测手段被应用的＊主要原因。