随着工业产品个性化需求和质量要求提高,数控机床的高效率、智能化加工需求愈来愈大。刀具直接负责机床的切削,其磨损状态对加工效率和零部件质量有决定性影响。因此,准确可靠地监测刀具磨损状态是保证加工质量和加工效率的关键所在,也是实现数控机床智能制造的必然要求。当前,信息技术和制造业深度融合发展,数控机床加工时产生工业大数据流,借助现代数据分析方法,如机器学习及其分支深度学习等,可将其用于监测刀具的磨损状态。本文对刀具磨损监测方法研究现状进行探讨后,通过开展信号采集处理、特征提取与选择、基于机器学习和深度学习网络建模等工作研究了刀具磨损状态的监测。主要内容如下:首先,利用动态信号采集分析系统和功率仪采集加工过程中的振动和功率信号,并对信号开展降噪等预处理工作,随后提取信号特征。设计铣削实验,采集加工过程中产生的振动和功率信号;而后基于小波阈值降噪等方法消除振动的部分噪声,根据机床功率特性等处理功率;对单方向振动信号进行时域、频域和小波分析后,提取37个特征,在功率信号中提取10个时域特征;由在功率和3个方向振动信号中提取的共121个特征构成特征集合。其次,构建特征选择体系,利用其选择用于单一切削参数刀具磨损状态监测的信号特征,以差分进化灰狼优化的支持向量回归（DE-GWO-SVR）、双向长短时记忆网络（Bi-LSTM）和深度残差网络（DRN）为基础,构建监测刀具磨损状态的模型,并对比监测效果。利用基于F分数（F-score）和皮尔逊（Pearson）相关系数构建的特征选择体系选择到33个振动和3个功率信号特征;利用DRN、基于Iterative映射和指数收敛因子改进的DE-GWO-SVR及基于贝叶斯优化（BO）的Bi-LSTM和训练集建立用于监测刀具磨损的模型;基于相同评价指标对比不同模型监测效果。结果表明:基于DE-GWO-SVR和Bi-LSTM构建的模型精度较高,DE-GWO-SVR模型预测刀具磨损值消耗的时间最短,DRN模型精度低但受网络深度影响较小且模型训练速度快。最后,筛选出适用于监测多切削参数条件下)具磨损的信号特征,引入迁移学习,进一步研究DE-GWO-SVR模型、DRN迁移模型和Bi-LSTM迁移模型在多切削参数刀具磨损状态监测中的应用效果,并设计刀具磨损状态监测系统。利用多切削参数条件下的特征选择体系选择到25个振动和3个功率信号特征;研究DE-GWO-SVR模型的多切削参数刀)具磨损状态监测效果及切削参数特征对监测效果的影响;将Bi-LSTM模型和DRN模型通过迁移学习应用到多切削参数刀具磨损状态监测中。结果表明:迁移学习和DRN模型相结合监测多切削参数刀具磨损的效果最好。完成模型构建后,基于Matlab软件的Appdesigner模块设计了包含系统操作和数据显示区的刀具磨损状态监测系统,实现了研究内容的可操作性和可视化。本文所提模型的刀具磨损值预测误差基本在±0.02mm以内,证明了所提方法具备较高的精度和稳定性。本文所提方法为自动化加工过程中准确监测刀具磨损状态,从而提高加工质量和效率,实现智能制造提供了技术支持。