随着“中国制造2025”战略的不断推进,制造业的地位日趋重要,以智能制造为代表的新一轮工业革命,已经成为了国际竞争的新战略高地。在机械加工领域随着生产加工过程的智能化与自动化程度不断提高,如何实时准确地监控刀具的磨损状态,成为保障生产节拍、提高生产效率和产品质量的关键问题。在数控批量加工过程中,刀具磨损不可避免,当刀具磨损较为严重时会对工件质量产生影响甚至引起机床事故,因此需要在刀具发生严重磨损前对其进行更换或刃磨。但是如果在刀具的剩余寿命较多时便进行换刀则会降低刀具的使用经济性,提高企业生产成本,在批量加工过程中还会造成生产节拍中断,生产效率降低等问题。因此通过对刀具磨损状态的准确识别来为换刀策略提供依据是非常有必要的。在如今大力推进工厂智能化和自动化的时代,可以通过实时监测与刀具磨损相关的物理信号的方式来识别刀具所处磨损状态,本文在了解了现阶段国内外对刀具磨损状态辨识研究的基础上,进行铣削加工试验,并以振动和力信号为监测信号,对刀具磨损状态分阶段进行辨识。本文的主要工作内容如下:(1)搭建实验台,开展切削试验并采集数据。研究了切削过程中各类信号的特点,最终选择以力信号和振动信号为监测信号,搭建了铣削加工试验平台,设计了四因素三水平正交试验,通过试验采集了刀具从新刀至磨钝的振动信号和力信号,以及刀具磨损量和工件表面粗糙度信息。(2)提出了结合工件表面质量的刀具磨损阶段划分方法。研究了刀具磨损机理,制定了刀具磨钝标准,并结合试验情况,通过后刀面磨损带宽度VB值及其对工件表面粗糙度Ra的影响分析,将刀具磨损划分为磨损初期、稳定磨损期、急剧磨损期和刀具失效期四个磨损阶段。(3)提出了基于多维特征融合的刀具磨损阶段辨识方法。基于试验数据和刀具磨损阶段划分,提取了刀具磨损的时域、频域和时频域特征并进行融合,再利用主成分分析PCA对融合的特征向量进行降维优化,构建了刀具磨损状态表征模型,在此基础上进一步构建了基于最小二乘支持向量机LS-SVM的刀具磨损状态辨识模型,并利用粒子群算法PSO对模型中识别率影响大的参数c和g进行了优化,提高了辨识精度。(4)提出了基于深度学习网络LSTM的刀具磨损阶段辨识方法。针对传统机器学习在特征提取时需要依靠个人经验,以及模型只根据当前的信息来对刀具磨损状态进行识别等问题,提出了基于深度学习网络LSTM的刀具磨损状态辨识模型并优化了模型参数,以振动和力信号的原始数据为输入,通过设计三层网络结构实现刀具磨损特征的自动提取和辨识,测试结果表明该模型的识别精度优于传统机器学习模型。