铣削加工领域作为制造业中的重要组成部分,具有非常高的加工效率与精度,而刀具是加工领域中重要的执行元件,刀具的磨损情况对工件的加工精度与加工效率产生巨大影响。机床的工作效率与加工质量都和刀具状态息息相关,若不能及时掌握刀具状态容易造成影响或资源浪费,因此准确的识别刀具磨损状态与精确的预测刀具磨损量是实现刀具可靠性加工的关键问题。本文以铣刀为研究对象,构建基于深度学习等学习模型为刀具磨损状态识别与刀具磨损量预测等任务。通过分析数据特性,提取数据特征,从而提高刀具磨损状态识别与磨损量预测的准度与精度。主要研究内容如下:1.针对实数据量大存在数据冗余情况,本文对退化数据进行预处理,包括异常值,降噪与下采样处理;并对处理后的数据进行状态识别与磨损预测的数据集构造。对刀具状态识别,本文采用集合经验模态分解（EEMD）对数据进行时频图构造,并针对模态分量较多,选取困难等情况,引入快速谱峭度图的思想选取最优模态分量;对刀具磨损量预测,对预处理后的数据进行时域、频域、时频域上的特征提取,通过Spearman与KPCA方法对特征进行筛选与融合,最终得到低维度,强相关特征,为后续的刀具磨损预测模型提高可靠数据。2.针对工业数据采集存在数据量大,且干扰信号复杂,导致刀具磨损状态识别方式复杂、识别精度低等问题,本文构建了EEMDFK-ACNN网络模型。通过集合经验模式分解将采集的不同状况下刀具振动信号分解出故障信号时频特征,利用快速谱峭度图选择最优模态分量进行HHT变换生成时频图;将时频图输入本文构建的网络模型进行学习,对刀具的磨损状态进行识别,并与传统识别方法进行对比分析。实验证明,所提出方法具有良好表现。3.针对传统机器学习模型存在预测精度不高的情况,为了提高刀具磨损量预测的准确性。本文提出基于Bi LSTM模型对刀具磨损量进行预测,并采用信号进行分段处理方法对数据特征进行再优化,将构造的特征数据输入本文设计的Bi LSTM模型,对刀具的磨损量进行预测。通过多种模型预测与算法比较,本文设计的Bi LSTM模型在预测问题具有一定的应用前景。