刀具是机械加工过程中的重要执行单元。由于加工环境、加工设备的复杂与多样,刀具磨损的过程也千差万别,而刀具的磨损退化状态又直接影响着加工作业的质量与加工人员的安全。目前,智能制造的兴起也对刀具状态监测研究提出了更高的要求,实现刀具的有效状态监测是发展现代制造的关键技术之一,对提高生产效率、保障产品质量、保护加工设备、实现智能制造都具有重要意义。本文在系统分析了目前刀具状态监测研究现状的基础上,以铣刀为研究对象,结合先进的深度学习模型,为刀具磨损状态监测领域提供了新的解决方案,具体研究内容包括以下几个方面:(1)总结了现有的科研学术成果。整理了目前关于刀具磨损状态监测的各种方法并分析了各类方法的特点,研究了深度学习领域的各种代表性算法,讨论了刀具磨损的机理,发掘刀具磨损过程中的特点和共性,为本文在刀具磨损状态监测领域的进一步研究构建理论知识框架。(2)预处理了实验中采集的铣刀磨损退化状态监测数据。介绍了实验条件和设备,对监测数据开展了时域、频域分析。基于不同类型信号在不同磨损阶段对不同特征敏感程度的差异,选取峰峰值与裕度因子两个时域特征,分别利用监测信号中的力信号和振动信号,通过自适应阈值的方法判定刀具磨损的前期、中期和后期的分隔点。(3)验证了多粒度级联森林理论在机械领域的应用价值。介绍了多粒度扫描与级联随机森林的理论基础,阐述了多粒度级联森林的实现框架。将实验中采集的轴承故障数据进行处理后输入多粒度级联森林模型,来验证模型在轴承故障分类工作中的效果。结果表明,多粒度级联森林对机械设备的监测信号具有良好的识别能力。同时,这种深度模型相对于基于神经网络的深度模型具有算法结构简单、计算过程可见、硬件要求低、训练效率高等优势。(4)提出了基于多粒度级联森林理论的刀具磨损状态监测方法。将多理论级联森林理论引入刀具磨损状态监测领域,用于评估刀具健康状态。验证结果表明,基于该方法的监测模型在先验知识不完备状况下的识别性能和训练后模型应用于其他不同刀具健康评估的泛化性能都十分优异。