碳纤维增强复合材料(CFRP)/钛合金叠层材料在减轻质量的同时能综合两种材料的优异性能,在航空制造业得到广泛应用。CFRP/钛合金叠层的连接仍以螺栓连接为主,为保证连接孔的相对位置精度和加工效率,常采用一体化制孔。螺旋铣孔是一种新型制孔工艺,具有独特优势,在CFRP/钛合金叠层一体化制孔中已得到初步应用,但制孔时螺旋铣孔刀具磨损严重,为保证孔壁质量和尺寸精度,有必要对其磨损状态进行监测。为此,本文以机器人螺旋铣孔系统为平台,研究了螺旋铣孔刀具磨损状态监测方法,主要研究内容和创新点如下:介绍了螺旋铣孔加工原理、优势及其应用,阐述了刀具磨损状态监测研究现状,对比分析了传统机器学习和二维卷积神经网络(2D CNN)应用于刀具磨损状态监测的不足以及一维卷积神经网络(1D CNN)的优势、基本原理与应用现状。在介绍机器人螺旋铣孔系统组成,分析螺旋铣孔刀具磨损形式的基础上,对其磨损阶段进行了划分。阐明了电流信号作为监测信号的优势,在机器人螺旋铣孔系统中做了电流信号采集试验,建立了电流信号数据集。提出一种基于1D CNN的螺旋铣孔刀具磨损状态监测方法。设计了一个轻量级1D CNN,直接以螺旋铣末端执行器主轴、公转轴和进给轴电流时域信号为输入,网络能自动提取刀具磨损特征和分类不同磨损阶段,并将特征提取和分类统一到同一个框架中进行全局优化。电流信号数据集上试验结果表明,该方法可取得99.18%的监测准确率,明显优于支持向量机模型的96.24%监测准确率。针对电流信号数据集样本类别不平衡和急剧磨损阶段查全率不高等问题,进一步提出一种基于代价敏感一维卷积神经网络(1D CS-CNN)的螺旋铣孔刀具磨损状态监测方法。该方法从算法层面对1D CNN进行改进,通过增加急剧磨损阶段的错误分类代价,并将代价矩阵融入到网络损失函数中,使网络具有代价敏感性,从而得到1D CS-CNN。电流信号数据集上试验结果表明,该方法可将急剧磨损阶段的查全率由98.38%提升到99.60%,并将监测准确率提升到99.29%。