现代加工制造产线逐步走向高度自动化,“无人车间”或“少人车间”的生产模式越来越普遍。在这种模式下,生产流程中某一工序的刀具如果发生断裂,很可能导致其他刀具及后续零件因非正常加工的接连报废,给企业带来一定的经济损失。因此数控系统需要能够在线监测刀具断裂故障,及时做出断刀报警,以减少企业损失,提高产线可靠性,并进一步实现生产加工的自动化。目前基于声发射、机器视觉等刀具监测方法,通常需要增加额外的数据采集设备。本文选择直接使用数控系统内部主轴功率数据作为监测是否断刀的依据,减少了增加外部设备的成本。为了将功率数据处理为神经网络模型的输入样本,必须从原始庞大的时域数据中筛选出一段数据量较少且可能包含断刀特征的功率数据。本文基于指令域对加工中的刀具功率数据初步分段,将含有实际切削指令对应指令行的主轴功率数据作为候选数据。再以该候选数据的最后一个采样点为基准,向前偏移截取适当数据点作为监测刀具断裂的特征数据。最后将该特征数据在数值上进行“0～255”的归一化,在维度上从原始的一维数据重组为三维数据,转化为图片格式样本,使其更适合作为神经网络模型的输入样本。基于神经网络模型的断刀监测功能算法需要大量刀具样本进行训练。但加工采集的断刀数据负样本过少,与正常加工数据正样本数量严重不均衡。使用生成对抗网络（GAN）可以生成大量含有断刀特征的断刀样本,但传统GAN结构较简单且在训练时表现得不稳定。本文在传统GAN的基础上提出了一种基于随机变量与断刀样本间联合分布的生成对抗网络（JGAN）,并在训练中采用一定训练技巧,提高了训练时的稳定性及生成样本的质量,并利用JGAN扩充断刀样本,解决了样本不均衡的问题。监测加工中的主轴功率是否为断刀数据是一个二分类问题。利用刀具正负样本集来训练一个深度卷积神经网络（CNN）,可以在自动提取刀具数据特征的同时,实现对输入刀具样本的二分类。但深度CNN内部参数过多,从头训练模型的时间成本过高,且刀具样本不充足,模型易发生过拟合。本文利用针对刀具样本的迁移训练,固定预训练的CNN模型中大量以提取特征为主的卷积层的权值,重新训练剩余全连接层参数,成功将原CNN模型迁移到断刀监测任务中。本文最后利用迁移训练后的CNN模型开发了完整的断刀监测功能模块,并进行了针对钻头的断刀监测加工实验。实验结果的准确性验证了利用JGAN生成断刀样本、深度CNN监测刀具断裂状态的断刀监测算法的可行性。