El monitoreo y la predicción en línea del desgaste de herramientas son importantes para mantener la estabilidad de los procesos de mecanizado. En la mayoría de los casos, la condición de desgaste de la herramienta se puede evaluar mediante señales como fuerza, sonido, vibración y temperatura, que a menudo se procesan a través de métodos basados en la transformada de Fourier, típicamente, la transformada de Fourier de corto tiempo (STFT). Sin embargo, la función de ventana de ancho fijo en STFT tiene muchas limitaciones. En este documento, se desarrolló un nuevo método de monitoreo del desgaste de herramientas basado en la descomposición de modo variacional (VMD) y la transformación de Hilbert-Huang (HHT) para monitorear el desgaste de herramientas de carburo en el mecanizado de acero inoxidable. En este método, la función de modo intrínseco (IMF) se utilizó como función de aptitud, y los parámetros (K alpha) para VMD se optimizaron mediante la optimización de lobos grises (GWO). Los resultados muestran que la frecuencia característica en el método GWO-VMD-HHT es más significativa sin aliasing en comparación con el método EMD-HHT, y se presenta un fenómeno obvio de desplazamiento de frecuencia característica. Al utilizar el valor de energía de IMF como característica para clasificar el estado de desgaste de la herramienta de corte, el aumento de energía alcanzó el 85.48% cuando 260-315 pasadas de fresado estaban en estado de desgaste severo. GWO, que puede encontrar con precisión los mejores parámetros para VMD, no solo resuelve el problema de que la función de entropía no es adecuada para señales de fuerza, sino que también proporciona una referencia para la selección de parámetros de VMD.