数控加工过程中的刀具状态实时监测对保证零件的加工质量和效率具有重要作用,是智能数控加工领域的一个关键技术。基于切削力、振动等信号的间接监测是数控加工刀具状态实时监测的有效手段,而数控加工过程中的监测信号不仅跟刀具状态相关,还受工件的几何形状、工艺参数等因素的影响。尤其是单件小批量生产的复杂结构件,其加工过程中的几何形状和工艺参数不断变化,为刀具状态的实时监测带来了很大的挑战。针对以上问题,本文对基于深度学习的数控加工刀具状态实时监测进行了深入研究。论文主要创新点如下:(1)研究了刀具磨损状态、工件几何形状和加工工艺对刀具状态监测信号的影响机理。首先设计了单因素实验分析刀具磨损状态、工件几何和加工工艺对监测信号的影响,进而设计了多因素实验分析了不同影响因素对刀具状态监测信号的耦合关系。实验表明,工件几何和加工工艺对监测信号的影响与刀具磨损状态对监测信号的影响具有很强的相似性。(2)针对传统向量方法在表达刀具状态监测相关的几何-工艺-监测信息时破坏了信息之间高维结构关系及其相关性的问题,提出了基于张量的刀具状态监测多维输入空间表达方法。建立了基于刀位点坐标的几何信息-工艺信息-监测信息之间的实时关联关系,进而针对刀具状态监测的深度学习问题构建了包含信息阶、特征参数阶和特征空间阶的高阶张量空间表示模型。(3)针对传统机器学习在刀具状态监测中提取特征层次低、泛化能力差等问题,研究了基于深度学习的刀具状态实时监测方法。基于张量自动编码器堆叠提取抽象特征,进而建立了基于张量深度自动编码器的刀具磨损量计算模型,实现了刀具状态的实时准确监测。(4)基于CATIA/CAA与LABVIEW平台开发了基于深度学习的复杂结构件数控加工刀具状态实时监测系统,并通过实验进行了验证。