刀具磨损直接影响工件的加工质量,进而会影响企业加工成本和生产效率,因此,开展刀具磨损状态监测研究具有十分重要的意义。切削加工过程中,海量的加工信号构成的加工大数据能够完整表征刀具全生命周期磨损变化趋势,但是仍然需要借助大数据分析理论和深度学习模型用于实现刀具磨损状态的准确识别和磨损值的高效预测。此外,由于加工现场信号干扰往往较为严重,如何通过优化网络结构进一步提高模型的抗干扰能力也值得深入研究。本文以铣削加工为研究对象,围绕加工过程中刀具状态监测这一关键问题,确定监测信号类型,建立并优化对应的深度学习模型用于实现刀具磨损状态监测。同时进一步优化深度学习模型结构,提高了模型的抗干扰能力。最后开发出一套面向加工现场的刀具状态监测原型系统。论文的主要研究工作涵盖以下几个部分:针对刀具磨损程度难以低成本准确识别的问题,提出了一种深度残差双向长短期记忆神经网络结构。该模型深入分析主轴电流信号,并将残差结构引入双向长短期记忆神经网络网络中,有效缓解了模型所面临的梯度问题,提高了模型收敛速度;同时构建了时间步均匀池化层,直接建立通道特征与标签之间的联系,防止模型出现过拟合。后续的模型性能对比试验验证了该模型的可靠性,模型识别的准确率高达0.9449。针对刀具磨损值准确预测的问题,提出了一种改进深度残差卷积神经网络的刀具磨损预测算法。该方法采用短时Fourier变换和双线性插值处理主轴振动信号的时频图用于模型输入,同时深入优化原始Res Net网络结构,建立了9种潜在的改进深度残差卷积网络块并通过实验确定最佳的网络块;然后通过堆叠网络块加深网络结构,提高了模型的泛化能力。后续对比实验结果证明了该模型能够用于刀具磨损值的准确预测。为了进一步提高刀具磨损值预测的精度和效率,提出了一种多频带深度卷积神经网络结构。该方法采用小波包分解分析主轴振动信号,并提出了并行子CNN结构用于从对应的小波包矩阵中依次提取出敏感特征,将任务对模型泛化能力的需求进行了分散,进而建立了并行网络结构实现模型高效学习复杂特征。后续模型对比实验结果证明了所提模型预测性能较好,且样本的测试时间缩短了25.181%。针对模型难以适应干扰严重的加工现场这一问题,提出了一种基于注意力机制多频带递归卷积网络结构。该模型在多频带深度卷积神经网络的基础上构建了递归卷积网络结构用于进一步挖掘主轴振动信号敏感特征,能够在不增加额外参数的情况下更为全面地分析各个频带的时频信息。同时引入注意力机制,提高了模型的抗干扰能力和识别效率。相关实验证明了递归卷积网络结构和注意力机制都能够有效提高模型的特征提取能力和鲁棒性,且所提模型的抗干扰能力优于多频带深度卷积神经网络。面向3C行业加工现场复杂的加工现状,开发了一套刀具状态监测原型系统。该系统采用微服务架构进行构建,同时提出了一个低值信号过滤算法,并在此基础上应用本文提出的刀具状态监测模型,进而实现了刀具状态的稳定可靠监控。最后,系统总结了全文的主要研究成果,并对下一步的研究方向进行展望。