能源消耗带来的环境问题已经广泛地引起了人们的关注。制造业能耗巨大,且废水、废气等污染物的不断排放对环境造成了巨大的影响。数控机床加工是完成零件加工的重要途径之一,精确有效的机床能耗预测模型可满足机床能效评价、能耗优化等方面的需求。但在机械加工过程中,刀具磨损不仅会影响数控机床加工能耗,还会影响零件加工质量和加工精度。因此,将刀具磨损考虑至数控铣床能耗预测模型中具有重要意义。本文首先对数控铣床的能耗组成进行分析,将数控铣床能耗划分成空转能耗、空进给能耗、基础能耗、辅助系统能耗和材料去除能耗。并对上述能耗特性进行分析,分别建立上述能耗的功率模型。再根据CNC编码建立各个能耗部件的能耗时间,从而构建了不考虑刀具磨损的数控铣床能耗模型。然后,分析刀具磨损的机理,提出了基于人工智能机器视觉技术的刀具后刀面最大磨损量的提取流程,该方法操作简便且能达到与基于金相显微镜的提取方法精度接近的结果。利用响应面法分析刀具磨损量、转速、进给速度和切削深度对数控铣床材料去除功率的影响。由方差分析和响应面法可知,刀具磨损对数控铣床材料去除功率具有显著的影响,因此将刀具磨损量、转速、进给速度和切削深度作为材料去除功率预测模型的输入。建立基于长短期记忆（Long-Short Term Memory,LSTM）神经网络考虑刀具磨损的数控铣床材料去除功率预测模型。最终建立了考虑刀具磨损的数控铣床能耗预测模型。最后,通过实验研究获取相关数据。根据实验数据进行回归分析获得空转功率、空进给功率的相关系数。使用实验数据训练基于LSTM神经网络的材料去除功率预测模型,最终获得基于LSTM考虑刀具磨损的材料去除功率预测模型。基于LSTM神经网络建立的数控铣床材料去除功率预测模型的预测精度为94.55%。将所提出的预测模型与BP神经网络、时间序列神经网络和传统模型进行对比分析,验证了所提模型的有效性和优越性。