刀具是机械加工系统中的重要部件,它承受各种热、机械和摩擦载荷并发生磨损。刀具磨损会对加工工件质量产生较大影响,而刀具磨损程度间接反映了刀具剩余使用寿命。因此,过高或过低估计刀具剩余使用寿命,均会造成不必要的经济损失,导致生产成本增加。本文为准确预测刀具剩余使用寿命,开展如下研究:（1）根据刀具磨损机理及主要影响因素,设计并开展9组9L（3~4）车刀正交寿命试验和3组滚刀单一变量寿命试验。在车刀寿命试验中,选取切削速度、进给量和背吃刀量作为主要影响因子,并结合实际生产情况和机床加工特性确定各因子水平。在滚刀寿命试验中,选择该类滚刀常用加工参数开展滚削加工试验。车、滚刀具寿命试验采样频率均设置为12800Hz,采集刀具多轴向加工振动信号进行研究分析。（2）基于时域、频域和小波包特征分析方法研究刀具加工振动信号,提取车刀寿命特征108个,滚刀寿命特征72个,并采用RRelief F算法选择与刀具剩余使用寿命息息相关特征量。最终,选取车、滚刀具各30个特征权重因子较大的寿命特征。对特征选择结果分析可知:相比时、频域特征,小波包特征能更适宜地反映刀具剩余使用寿命变化情况,其中小波能量特征尤为明显。（3）构建优化高斯过程回归（Gaussian Process Regression,GPR）的单工况刀具剩余使用寿命预测模型,并设计多种优化模型分析比对。试验结果表明:相比于支持向量回归机（Support Vector Regression,SVR）、线性回归、决策树、浅层神经网络等模型,优化GPR模型预测结果中均方根误差（Root Mean Square Error,RMSE）降低25%以上。（4）针对GPR模型泛化能力不足问题,建立一维卷积双向长短时记忆网络（1D-Convolutional Bidirectional Long-Short Term Memory,1D-CNN-Bi LSTM）的多工况刀具剩余使用寿命预测模型,并将迁移学习方法应用到该模型中,进一步提高其对未知工况预测能力。试验结果表明:相比于一维卷积神经网络（1D-Convolutional Neural Networks,1D-CNN）,该模型RMSE降低31%以上;相比于应用迁移学习前的预测结果,应用迁移学习后该模型对未知工况预测性能评价指标下降45%以上,预测性能提升明显。