数控系统在智能制造装备系统中占据极其重要的地位,且向无人化、集成化和自动化的方向不断发展,其加工效率、加工成本和加工质量与刀具的健康状态息息相关,因此研究刀具健康监测技术显得尤为重要。随着自动化技术、传感技术和信息化等技术的飞速发展,刀具健康监测系统可以轻而易举地获取海量数据,获取的磨损状态信号呈现工业大数据多源异构的特性。传统的处理刀具健康监测的方法多通过信号特征提取、特征选择后进行模式识别达到刀具状态识别的目的,这种方式不仅依赖于大量的专家知识和极强的信号分析理论且耗时耗力,很容易受到人为主观因素影响,因此本文提出用深度学习算法处理刀具数据,从而充分利用刀具健康监测系统的多传感器信息,实现刀具多源异构大数据的融合。首先,本文设计了铣刀切削实验,并在分析刀具不同监测信号特点的基础上选取了声音信号、振动信号和红外热图像相结合的多源异构信号作为监测信号,然后采集了刀具从开始切削到磨损报废整个过程的大量监测数据,并对刀具后刀面磨损量进行了测量,划分了磨损阶段,为后文信号分析处理提供基础。其次,本文研究了刀具多源异构大数据的融合处理过程,对于采集的结构化振动和声音信号通过深度置信网络(Deep Belief Network,DBN)实现磨损特征的自适应提取并进行刀具磨损状态识别;同时利用卷积神经网络(Convolutional Neural Network,CNN)完成大量红外热图像的训练处理过程和新图像的预测功能,从而得到刀具磨损状态的混淆矩阵,最后基于D-S证据理论实现DBN和CNN神经网络的决策层融合实现全局最优决策,充分融合多传感器信息进而达到对刀具健康状态监测的预期目标。本文提出的深度学习融合算法为处理多源异构工业大数据和数控机床加工过程智能化监控提供了一种新的思路。最后,本文基于JavaWeb开发了刀具健康监测系统,可以实现实时地调用SQLServer数据库中的监测数据加以分析处理实现在线监测刀具健康状况并做出预警,为日后的刀具健康监测系统的实际应用做出了初步的探索。