叶轮作为水电、核泵等众多大型设备的关键部件,其加工质量直接影响设备的运行状态和使用寿命,而加工过程中的铣刀磨损直接影响叶轮的加工精度,因此研究加工过程的铣刀磨损状态监测方法具有重大意义。本文提出利用主轴电机电流信号作为监测信号,通过深度学习的方法对铣刀磨损状态进行监测,针对时间序列信号自身特点,提出加入压缩感知技术和格兰姆变换对深度学习网络进行改进。论文主要研究内容如下:(1)充分分析国内外研究现状和现有监测方法的利弊,对刀具磨损机理进行分析,确定刀具磨损监测信号和监测方法,通过理论分析确定电流信号可以反映刀具磨损状态,通过搭建信号采集平台保证信号采集的可行性,设计三种不同性质的试验,分别采集了刀具不同磨损阶段状态数据、刀具全寿命数据和现场实验数据,形成了三个数据集,为后续研究打下基础。(2)利用压缩感知和堆栈稀疏自编码器对电流有效值信号中的铣刀磨损状态信息进行提取。首先,利用压缩感知对电流信号的频域数据进行压缩,其中为提高网络的鲁棒性,对观测信号添加高斯白噪音;然后,将压缩后的数据输入堆栈稀疏自编码网络,网络最后一层连接Softmax分类器,通过半监督学习对诊断模型进行训练,提取输入数据中隐含的表征不同磨损状态的特征信息。(3)针对Softmax分类器对特征数据分类能力的不足,提出利用格兰姆变换将特征数据映射到二维空间,利用层数更深的残差神经网络,进一步提取数据中表征刀具磨损状态的特征数据,利用有监督学习的方法对模型参数进行训练,诊断模型最后一层连接径向基函数,实现刀具磨损预测,依据刀具磨损预警值,给出刀具的可靠性评估。(4)基于LabVIEW搭建铣刀磨损状态在线监测平台,实现刀具磨损状态的在线评估,监测平台通过调用训练好的深度学习网络模型,实现刀具磨损状态的在线监测,同时监测平台,具备电流有效值信号波形显示、存储和简单的离线分析功能,该系统具有界面简单,便于操作的特点。