随着铣削技术向着高速、高精、高质的方向不断发展,铣削过程中刀具磨损已成为影响工件尺寸精度、表面质量、加工效率及生产安全的关键因素,因此对刀具状态监测技术的研究至关重要。本文以铣削加工过程中刀具的磨损状态为研究对象,利用加工过程中的振动信号,采用多种机器学习方法对刀具磨损特征进行学习,实现对刀具磨损状态的识别,主要工作如下:首先,结合铣削加工试验过程中刀具的不同磨损状态,利用振动信号包含的复杂数据信息,通过时域分析、频域分析、小波包技术提取原始高维特征,利用MLLE算法进行特征降维,减少多个特征参数之间的冗余性和不相关性,并将所有低维特征输入XGBoost模型进行刀具状态识别,并使用GA算法对XGBoost参数进行寻优,实验结果验证了该模型在刀具状态识别上的具有一定可行性和有效性。其次,为了改善原始数据特征工程的低效性,利用DenseNet网络、BILSTM网络能够自适应的提取空间、时间特征的优势,将振动信号丰富的特征映射到刀具磨损状态,采用了一种基于注意力机制的CRNN刀具状态识别模型,实验结果表明该模型在刀具状态识别任务上有更高的准确率。最后,为了解决刀具磨损对加工精度造成的影响,利用CRNN模型建立刀具磨损量与振动信号的关系,实时识别刀具磨损量,并采用分段式刀具磨损补偿模型及时补偿加工过程中刀具磨损造成的误差,保证铣削加工工件的精度要求。