随着机床在自动化、集成化和无人化方向发展越来越快,如何保证产品的质量和生产效率显得尤为重要。刀具状态识别技术可以在保证产品质量的同时实现刀具的高效利用,因此对刀具状态识别技术进行研究十分重要。针对刀具加工特点,本文选择对刀具声发射信号进行监测。声发射信号频率高,能够很好的避开低频噪声干扰。但是由于声发射信号频率高、刀具加工工况不同,因此采集到的信号不仅复杂,而且数据量大。目前用于刀具状态识别的方法大多是先利用信号处理等算法提取信号特征,再利用机器学习等方法实现状态识别。这种特征提取方式往往需要大量的先验知识、丰富的信号处理理论和实际经验作为支撑,并且在特征提取过程中掺杂的人为因素较多,不确定性较强,同时还需要花费大量的时间和精力。本文引入了深度学习方法,利用堆叠降噪自编码和卷积神经网络来实现刀具状态识别。(1)自编码网络是一种可以将高维数据映射到低维空间的无监督算法,堆叠降噪自编码是多个自编码堆叠而成。本文搭建双隐层堆叠降噪自编码,利用声发射频域信号制作样本用于网络训练、得到特征表达,并利用其有监督的训练分类网络,同时进行全局微调,以实现高精度的刀具状态识别。实验中,本文对堆叠降噪自编码的网络层数、隐含层节点数和学习率等参数进行对比分析,从而寻找到较优的网络模型。(2)卷积神经网络是一种包含卷积结构的多层有监督网络。本文利用短时傅里叶变换将一维信号转变成二维时频谱图作为网络输入,构建大量表示不同刀具状态的带标签样本数据,以确保样本的多样性,并将预处理后的样本用于卷积神经网络的训练,从而实现刀具状态识别。实验中,本文对卷积神经网络的学习率、批处理等参数进行了对比分析,从而寻找出较优的网络参数。实验结果表明,上述两种方法摆脱了常用智能诊断方法中对大量信号处理技术和实际诊断经验的依赖,能够自适应提取声发射信号特征,并高效智能的实现了刀具状态识别。