Cette étude explore l'utilisation des techniques de Machine Learning pour la classification de l'état d'outils en usinage. Une analyse spectrale singulière (ASS) pseudo-locale des signaux vibratoires relevés sur le porte-outil, couplée à un filtrage passe-bande a permis la définition et la mise en évidence d'indicateurs très sensibles à l'évolution de l'état de l'outil. Ces indicateurs sont définis à partir des sommes des raies spectrales des signaux reconstruits par ASS et de leurs résidus, dans des gammes de fréquence judicieusement choisies. Les taux de reconnaissance de l'usure sont très bons et dépassent les 80 %. Cette étude met en évidence deux aspects importants : la forte richesse en information des composantes hautes fréquences des signaux vibratoires et la possibilité de s'affranchir du bruit inutile par la combinaison de l'ASS et d'un filtrage passe-bande.
