随着机械加工过程向自动化、智能化的不断发展,机械故障智能化监测技术的研究就至关重要。刀具是机械加工中最重要的加工要素之一,刀具磨损不但直接影响了工件的尺寸精度和表面质量,也会间接影响加工效率和生产成本等。如何通过更加有效的方法去监测刀具磨损已成为大批学者的研究重点,所以关于刀具磨损状态监测技术的研究具有巨大的潜力和应用价值。本文以高速铣削过程中刀具的磨损状态为研究对象,利用刀具在不同磨损状态下的铣削力信号对不同监测技术进行研究。具体研究内容主要有:(1)建立了高速铣削刀具磨损状态监测的试验系统,通过试验的压力传感器采集了大量的力信号数据;(2)通过对铣削力信号在时域、频域以及时频域上进行特征提取和特征选择,选择13个典型特征作为后续神经网络的输入向量;(3)建立了基于BP神经网络的刀具磨损状态监测模型;(4)把深度学习理论引入到刀具磨损监测领域,提出了一种基于深度学习的高速铣削刀具磨损状态监测方法。本文的主要贡献点就是提出了应用深度学习方法来实现刀具磨损的智能监测。通过小波包变换提取铣削力信号在不同频段上的能量分布作为初始特征向量,采用无监督学习对稀疏自编码网络进行特征学习,并将单层网络堆栈构成深度神经网络,最后利用有监督学习对整个深度网络进行微调训练,建立铣削刀具磨损的智能监测模型。实验结果表明,与传统的浅层模型进行对比分析,本文提出的基于深度学习理论刀具磨损监测新方法可以自适应提取刀具的磨损信息,并具有更高的监测准确度。