在制造业中产品的加工质量不仅关系着一个企业自身的效益与存亡,同时由于制造业是许多产业的根基,所以其也与依赖制造加工的其它行业乃至国家的稳定发展有着密切的联系。本课题关注产品质量与加工过程的智能监控,对统计过程控制与刀具状态监控的一些关键问题进行了研究,提出了基于深度学习的控制图和直方图模式识别方法,以及基于深度学习和半监督学习的刀具磨损预测方法。为企业提高质量管理的自动化与智能化水平,保持稳定的加工状态和加工质量提供支持。课题中的一些研究成果已迅速得到相关领域学者的关注。本文的主要研究内容如下:(1)为解决统计过程控制领域中控制图模式识别需要手工提取各种复杂特征,以及质量控制自动化与智能化水平不高的问题,在经典的二维卷积神经网络的基础上,提出了一种基于一维卷积神经网络(One-dimensional Convolutional Neural Network,1D-CNN)的控制图模式识别方法。该方法不需要人工提取复杂特征,而是利用1D-CNN从控制图原始数据中通过特征学习获得最优特征集。与传统的基于专家特征与多层感知器的识别方法相比,在解决传统方法不足的同时,提高了控制图模式识别的正确率。(2)为解决现有直方图模式识别研究的不足,同时为进一步提高控制图模式识别的精度,在上述研究的基础上提出了一种基于双向长短期记忆神经网络(Bi-directional Long Short-Term Memory Network,Bi-LSTM)的控制图与直方图模式识别方法。该方法同样属于深度学习方法具有特征学习能力,而不需要人工提取特征。由于其基于递归的算法机制,使其在处理时间序列类数据上具有独特优势。与包括1D-CNN算法在内的其它深度学习方法相比,Bi-LSTM提取的特征质量与模式识别精度均最优。此外该方法可以有效地识别出实际生产数据中的异常模式。在与刀具状态监控结合应用时,可避免各自的缺点。(3)在刀具状态监控任务中,获得大量有标签训练数据既昂贵又费时。并且在数据量有限的情况下,传统的监督学习算法难以获得令人满意的结果。为了克服这些不足,本文提出了一种基于半监督学习和深度学习的刀具磨损预测方法,建立多传感器信号与实时磨损量之间的回归关系。在该方法中,首先训练1D-CNN来提取多传感器信号特征,之后在其低维流行空间内利用K近邻算法(k-Nearest Neighbor,KNN)对未标记样本进行标记,最后筛选置信度高的伪标记样本加入到训练集,易于获取的大量无标签数据被网络充分学习,使其潜在的价值得到有效利用。利用所搭建的基于机器视觉的刀具磨损量检测系统获取的数据集,与PHM2010(Prognostic and Health Management 2010)刀具磨损数据集,对所提出的刀具磨损预测方法的性能进行了实验验证。实验结果表明,该方法的预测精度与小样本监督学习方法的预测精度相比有显著的提升。