在信息化的大背景下,新一代信息技术与工业的不断融合,加速了机械加工与制造设备的自动化,网络化与智能化进程。数控机床是机械加工行业中高端零件制造的主要设备,其智能化程度决定着机加工的效率与质量。数控机床的加工精度是机床质量的核心指标,其精度取决于机床制造的质量,控制算法与加工刀具等。数控机床刀具是产品加工的直接参与者,刀具的磨损程度是机加工过程中保证产品质量的核心要素。因此,针对机床加工刀具研发一套刀具寿命管理系统是机床设备智能化亟需解决的问题。本文以数控铣床铣刀在加工过程中传感器采集的信号为研究对象,通过特征工程、深度学习算法对采集的信号进行数据挖掘,利用一种基于多传感器融合特征监测刀具磨损值的方法,并搭建基于深度学习模型的刀具磨损值监测、寿命管理系统。本文主要研究内容如下:1,首先,通过数控机床工作台采集振动传感器、力传感器、声发射传感器信号,然后对采集的信号进行时域、频域与小波包系数特征提取。其中,分别采集振动信号、力传感器信号及声发射信号的时域、频域及时频域特征,构建每个传感器的特征向量用于表征数控铣床刀具当前的磨损状态。2,其次,为了能够准确对刀具磨损状态进行识别,考虑实际应用中的噪声环境,采用深度残差收缩网络的自适应去噪能力对刀具磨损状态进行分类识别,增加模型的鲁棒性。本次实验,直接以多传感器组合特征作为训练数据,把刀具的磨损状态分成初期、中期和后期三个阶段,作为训练标签数据共分3类。通过对信号增加不同信噪比的噪声,对比不同的深度神经网络模型,验证深度残差收缩网络在强噪声环境下的识别刀具磨损程度的能力。3,然后,以刀具磨损值为标签数据,建立深度残差网络,依次以每个传感器采集的数据作为训练样本,构建深度残差网络模型,通过对比分析,探寻最优的刀具磨损值监测传感器种类,为传统数控机床设备进行智能化改造提供传感器选型参考。进一步的,基于深度神经网络的方法,融合多个传感器的特征进行深度学习模型的构建,探寻融合多传感器特征相较于单一传感器特征在刀具磨损值监测建模中的监测效果。4,最后,保存各深度神经网络模型,利用python,Qt5等开发工具,研发基于深度学习模型的刀具磨损值实时监测与寿命管理系统。通过试验表明,本文所应用的监测模型、自适应去噪分类识别模型具有更准确的监测效果,更高的识别准确率。同时能够迁移到刀具寿命管理软件里进行应用。