智能机床作为典型的智能制造装备,自主决策制造过程的各环节执行流程,能够监控、诊断和修复生产过程中出现的各类偏差,为加工生产提供最优化的解决方案;能够计算并预报切削刀具、主轴、轴承和导轨的剩余寿命,提供剩余使用时间、更换时间以及当前状态。因此智能机床加工状态自感知、自学习、自适应和自优化是亟需攻克的关键技术之一,刀具磨损在线监测技术是其中的重要组成部分。在线监测刀具的磨损状态与磨损量,为智能机床切削刀具的及时更换、半径补偿、路径优化、失效预警提供决策依据,在线监测基础上的预测,拓展了制定及时有效、合理准确执行策略的时间尺度,具有重要的工程应用价值与理论研究意义。铣削作为用途最广泛的切削加工方式之一,具有加工条件多样、切削参数多变、切削过程不连续、铣刀磨损机理复杂且随机性强等特点,致使准确而适应性强的刀具磨损在线监测及预测理论支撑难以形成。为解决现有的高档数控机床刀具磨损监测技术存在准确性和适应性相互制约的难题,本论文以具有复杂形貌的整体式三刃立铣刀为研究对象,以铣刀磨损状态的准确判定和监测/预测方法的适应性为研究目标,从立铣刀磨损状态判定及其测量、磨损状态在线监测、磨损量在线估计、磨损状态与磨损量在线预测四个方面展开研究,主要工作和成果如下:(1)分析了切削过程中整体式三刃立铣刀的磨损形态,提出了采用后刀面磨损宽度与前刀面缺损面积结合的铣刀磨损状态综合判定方法;针对铣刀磨损图像获取不易的问题,研制了后刀面磨损快速测量装置和前刀面图像快速获取定位支撑;通过图像预处理、图像配准、图像差分等方法,提出了前刀面刃口缺损面积快速计算方法,解决了铣刀磨损图像获取及磨损量计算的难题;通过对比铣刀前刀面缺损面积与后刀面磨损宽度两个指标在判定铣刀磨损状态时的表现,结合其对工件已切削表面完整性的影响分析,检验判定方法的合理性和有效性,弥补了用单一方法判定刀具磨损状态带来监测准确性降低的缺陷。(2)从数据驱动的刀具磨损状态在线监测角度,建立了基于“单层稀疏自编码器+分类器”(SSAE网络模型)的自适应提取切削力与切削振动融合信号特征的刀具磨损状态在线分类识别模型,克服了提取切削信号特征对专家经验的依赖;针对SSAE网络模型必须刀具磨损经验数据监督训练过程的不足,提出了基于稀疏自编码器(SAE)的无监督刀具磨损状态在线监测方法,该方法通过自适应提取切削过程中力与振动融合信号的特征,重构输入信号形成误差序列,通过挖掘重构误差序列与刀具磨损的内在联系,厘定了判别刀具磨损状态的阈值和准则,设计了相应的在线监测策略,实现了铣刀初始磨损、稳定磨损、严重磨损和失效四种状态的在线监测,达到了减少高档数控机床刀具磨损状态在线监测过程的限定条件和人工干预的目的;在两种不同的铣削环境下进行了多次铣削试验,验证了该方法的有效性。(3)从数据与物理模型融合驱动的刀具磨损量在线监测角度,建立了立铣刀磨损下的切削力模型,依据切削过程刀具磨损对力模型参数的影响分析,将与磨损相关参数整合为5个力模型系数,简化切削力模型;以切削过程采集的力信号为桥梁,将力模型系数从铣削力模型中分离出来,通过力模型系数与铣刀前刀面、后刀面磨损趋势之间的相关性分析,建立后刀面磨损量估计模型,从而避免大量的力模型参数标定实验与求解运算;在此基础上,提出了一种无监督在线刀具磨损估计方法,该方法能较好地适应新切削环境,在估计后刀面磨损值之前,只需进行三次钝刀小距离切削实验,即可对估计模型参数进行校正,提高了数控机床刀具磨损量在线监测模型/方法的适应性;开展了两种刀具类型下的不同切削工况试验,验证了所提方法的实用性。(4)在无监督的磨损状态与磨损量在线监测的基础上,运用时间序列分析方法揭示监测时间序列的特征、规律和平稳性,探究适宜的预测模型识别、定阶、参数估计及适应性检验方法,并提出了基于求和自回归移动平均模型(ARIMA)的刀具磨损状态、磨损量循环迭代在线预测方法,不断更新历史值和当前值组成的训练集,以一定步长预测未来的铣刀磨损状态和磨损量,拓展了智能机床制定及时有效、合理准确执行策略的时间尺度;开展了多次不同刀具类型、切削参数下的试验,验证了预测方法的合理性和可行性。