随着机械加工变得更加智能化、自动化、高效化、机械的故障检测就成为了不可或缺的一部分,而其中刀具是机械加工中最重要的一部分,但是在高速铣削过程中,很难检测到刀具的磨损状态,而刀具磨损严重时将影响加工精度和生产成本,同时会间接地影响到加工效率和产品质量。如何更高效、更准确、更稳定地实现刀具磨损在线的检测,让诸多学者都跃跃欲试,因此有关刀具磨损状态检测技术的研究具有非常高的应用价值。本文以刀具磨损在线检测为研究对象,通过采集数据并对数据进行分析学习,从而提出了一种基于3-KMMBS的刀具磨损检测方法,并搭建了基于深度学习的刀具磨损检测系统。论文主要的研究内容如下:1.首先,采集高速刀具铣削时在不同轴向的振动和声发射信号,利用小波分析等对其进行数据预处理,其中包括对振动信号进行小波包变换,利用提取到的近似系数与细节系数确定其是否具有奇异性;对原始信号进行倒频谱分析,确定刀具不同的磨损程度具有不同的AE值,并采用改进的3-K-Means聚类算法聚类出刀具的三种磨损状态区间。2.其次,根据有标签样本和无标签样本,建立多选择多隐层神经网络结构对其进行特征学习,再使用Softmax分类器进行分类;其中多选择多隐层神经网络包含了多种隐层结构的神经网络,从而提供了对不同数据源的支持和学习,而Softmax分类器用于对神经网络的输出进行分类,得到刀具磨损的标签值;利用样本中的标签值对比多选择多隐层神经网络中的各个分支准确率,选择出准确率最高的深层网络。3.然后,根据现有的部分有标签样本,采用随机梯度下降对所选择的深层网络进行参数微调,建立刀具磨损检测模型;4.最后,将模型融入到系统中,建立基于3-KMMBS的刀具磨损检测系统。最终的实验结果表明,本文所提出的方法不仅比传统的浅层模型学习能力更强,人为干预更少,而且具有更高、更稳定的检测准确率。同时该系统设计符合系统设计原则,相比较于其他刀具磨损检测系统更人性、更智能、更高效。