制造行业的智能制造转型,将使得新一代信息技术与传统制造业的进一步融合,在未来的工厂环境中,各类传感器将源源不断地采集与设备相关的监测信号。而刀具作为制造行业的基础设备,其磨损会影响着产品的质量和生产的效率,因此刀具磨损状态的识别、刀具磨损量以及刀具的剩余寿命的预测,对于提高产品质量和提高生产效率具有重要的意义。针对上述问题,本文研究如何利用刀具状态监测信息以准确地预测刀具磨损量和刀具剩余寿命,主要研究内容有:(1)研究了刀具状态监测信号的预处理,包括去除空值、检测并去除离群值、去除多项式趋势。(2)从时域特征提取、频域特征提取、时频域特征提取三个方面研究了刀具状态监测信号的特征提取方法,在时域方面将信号的统计特征信息作为信号的时域特征,在频域方面通过幅值谱、功率谱分析提取信号的频域特征,在时频域方面则应用经验模态分解(Empirical Mode Decomposition,EMD)提取信号的时频域特征。(3)考虑到多重假设检验作为特征选择方法存在错误发现率(False Discovery Rate,FDR)高的风险,引入Benjamini-Yekutieli方法作为特征选择方法,既保障了选择的特征的有效性,又能很好地控制错误发现率。(4)提出了一种基于深度学习的两阶段预测方法,该预测方法将刀具磨损状态分类问题和刀具磨损值预测问题统一在同一个方法中,能同时预测刀具当前的磨损状态类别和磨损值;采用Dropout深度前馈网络建立刀具剩余寿命的预测模型。实验结果表明,就磨损状态分类问题和磨损值预测问题分别同支持向量机进行了性能对比,对比发现提出的两阶段预测方法取得了不错的效果;此外,与基于支持向量机的刀具剩余寿命预测模型相比,基于Dropout深度前馈网络的剩余寿命预测模型能更好地拟合真实的剩余寿命曲线。最后,基于MATLAB GUI、Java和SQL Server数据库,本文开发了一个刀具磨损与剩余寿命监控的系统,以实现刀具加工时数据采集和分析、刀具磨损与剩余寿命预测、可视化监控等功能,提高企业的信息化管理水平。