近年来,推动互联网、大数据、人工智能和实体经济深度融合,促进传统制造业向先进制造转变已成为新时代工业的发展方向。切削刀具在产品制造过程中起着举足轻重的作用,因此对刀具进行状态监测、磨损量评估、寿命预测等智能维护工作异常重要。刀具磨损状态准确监测一直是制造业的难点和研究热点,国内外研究人员开展了长期系统深入的工作,取得了多项进展,对制造业的发展有着重大意义和深远影响。本文针对立铣刀磨损监测开展研究,基于信号采集、信号分析、信号处理、机器学习等多学科理论,设计了铣刀磨损状态监测系统,具体工作内容如下:(1)开展刀具磨损监测试验,通过试验获得了刀具全寿命周期的多类型信号和磨损量数据。并通过时频域信号处理的方法对采集到的信号进行分析,证明了试验数据的有效性,为其后的研究以及系统设计提供了数据支撑。(2)提出了基于DenseNet的刀具磨损阶段识别方法,利用深度神经网络DenseNet的特殊结构,从多种类型的时域信号中,自适应地提取到能够表征刀具磨损阶段的典型特征。利用t-SNE降维算法将高维特征映射至二维平面,验证了特征的有效性。最后,评估了模型对不同类型信号的识别能力以及多信息融合能力,实现了刀具磨损状态的智能识别。(3)基于随机森林算法,建立了刀具磨损特征与刀具磨损量之间的映射关系。使用保序回归算法进行评估结果优化,提升模型评估精度,并且保证磨损量拟合曲线具备单调递增性。使用了装袋法和随机特征选取两种随机方法,避免过拟合,同时提升模型的泛化能力。通过每个行程多次评估取均值和多株回归树取均值,两次算术平均保证了模型对每个行程评估结果的稳定性,实现了同加工条件下,同型号刀具的磨损量评估。(4)开发铣刀磨损状态监测系统,将刀具磨损状态识别和刀具磨损量评估算法进行集成,利用GUI工具包wxpython开发了刀具状态监测系统的图形用户界面,使用PHM刀具数据集进行测试,刀具磨损阶段识别准确率达到了96%,刀具磨损量评估结果的平均绝对误差低于10um。