随着自动化技术的不断发展,先进智能制造体系逐渐完善。车削加工是机加工中一种基本的工艺方法,其应用广泛。为保证切削加工平稳进行、机床正常运转,对于刀具这一最易失效的部件进行实时监控变得尤为重要。针对某变速箱厂加工变速箱齿轮所使用机床昂贵且毛坯材料硬度大,为防止机床故障,频繁更换刀具导致刀具利用率不高、成本增加的问题。本文利用信号处理和机器学习技术,建立刀具磨损状态监测模型,实现对加工锰钢棒料时的刀具状态实时监测,从而提高刀具利用率,保证加工质量以及机床正常运转。（1）研究刀具磨损理论,确定以刀具后刀面磨损量达到0.3 mm作为磨钝标准。并根据刀具磨损值与加工表面质量影响关系,划分四个磨损状态并作为后续模型识别分类的标准。选取刀具三向振动信号作为监测信号,并通过合理选型搭建信号获取系统,从而完成不同磨损程度刀具的切削振动信号采集。为适用于各种加工参数条件下对刀具的准确识别,设置切削对照组并完成相应信号获取。（2）研究小波去噪方法,分析小波阈值去噪原理。针对硬、软阈值函数量化处理小波系数的不足,本文提出一种改进的阈值函数,在阈值附近增加平滑过渡曲线,从而优化处理原信号在阈值附近的小波系数,提高信号重构质量。通过MATLAB仿真检验改进阈值函数对仿真信号和实际信号的去噪效果,分别计算硬、软阈值和改进阈值三种去噪方法处理后信号的信噪比和均方误差。结果表明,改进阈值小波去噪方法可以提高信噪比、减小均方误差并取得更好的去噪效果。（3）分析建立卷积神经网络（Convolutional Neural Networks,CNN）刀具磨损状态分类模型,选取反映时频特征的时频图作为CNN输入,实现了对车削刀具磨损状态的分类。同时本文基于长短时记忆网络（Long Short Term Memory Network,LSTM）建立刀具磨损状态监测模型,并利用粒子群算法（Particle Swarm Optimization,PSO）对LSTM网络参数进行优化,PSO-LSTM模型以时序振动信号作为输入,实现对车削刀具磨损状态的分类和磨损值的预测。对比CNN与PSO-LSTM模型分类效果,PSO-LSTM模型具有更高的识别准确率。同时PSO对LSTM模型进行了有效优化,提高了刀具磨损分类的准确率并减小了刀具磨损值的预测误差。（4）设计开发刀具磨损状态监测系统,从而实现对车削加工过程中刀具振动信号采集、处理和分析。将PSO-LSTM网络模型以Lab VIEW与MATLAB联合编程的形式编入软件系统,实现刀具磨损状态监测。并通过车削加工试验对该系统的各项功能进行了验证,结果表明该系统各模块达到性能指标要求,能很好地应用于对数控机床车削刀具的信号监控与磨损状态监测。