数控机床刀具故障是数控机床加工过程中常见问题,这些问题严重影响加工工件的质量和精度,刀具故障导致的停机影响加工生产的效率。目前国内中小企业中仍然大量使用的普及式数控机床一般不具备刀具状态的智能诊断功能,为改善普及式数控机床的加工质量和加工精度,提高普及式数控机床加工过程的生产效率,此类企业迫切需要解决加工过程中数控机床的刀具磨损状态的智能诊断。本文的主要目标是解决国内中小企业仍在大量应用的普及式机床刀具磨损状态的智能诊断问题,在前序课题已采集并处理刀具监测相关数据的基础上,继续围绕该问题展开了相关的分析和研究工作。在不同的中小企业中,需要监测的普及型数控机床的数量差别较大。基于企业的应用需求和特点,提出了嵌入式模块与服务器采用C/S结构、服务器采用分布式系统架构的设计方案。该方案可根据需要监测的普及型数控机床的数量部署分布式服务器的规模,具有安全稳定、可扩展性强、经济实用的特点。目前刀具磨损智能诊断主要使用人工神经网络等方法,该方法跟使用者的经验等因素关系很大,容易陷入局部最优解,不容易推广。本文结合云理论和支持向量机的优点,提出云-支持向量机模型,该模型既保留了云理论的随机性和模糊性的统一的优点,又具有支持向量机通过引入核函数巧妙解决高维问题、避免局部最优解等优点,因而可操作性和推广性更强。通过使用EUNITE的用电峰值预测任务对该模型进行仿真验证,经与支持向量机方法的结果进行比较发现该模型精度更高,该模型具有实用性。最后将提出的云-支持向量机模型利用数控机床的切削实验数据对刀具磨损状态的智能诊断进行了模拟实验,实验结果的分类识别率较高,应用于刀具磨损状态的智能诊断具有实用性。针对刀具磨损监测系统实时数据量大、逻辑较简单的特点,提出使用关系型数据库与NoSQL数据库融合的数据库架构,设计了MySQL和Cassandra的融合数据库模型,并对数据访问整合层进行了详细说明。