当前新一代信息技术与传统制造产业逐步融合,形成以信息物理系统为基础的全新制造模式。在未来智能制造环境下,工厂内各类传感器采集的数据将以源源不断数据流形式传入云端,并借由服务器分析提取出设备的隐含状态信息,从而对生产系统进行优化与控制。不同于传统浅层机器学习方法,深度学习模型在数据量处理规模、非线性能力、收敛性等方面优势明显。本文针对铣削加工过程中刀具磨损问题,应用深度学习方法建立刀具磨损状态识别及磨损量预测模型,主要研究工作如下:(1)对比了四种常见监测信号的优劣势及适用范围,选取振动信号为监测信号。采用小波降噪方法进行信号预处理,从时域、频域、时频域三方面开展特征提取工作。对比了四种小波尺度图,发现复Morlet小波尺度图效果最佳。(2)建立了两种基于深度学习的刀具磨损状态识别模型。模型一为卷积神经网络与迁移学习模型,通过对比在大小不同数据集上的建模效果,证明了迁移学习在小样本集上的优越性;模型二为堆叠稀疏自动编码网络模型,通过对筛选特征向量集进行降维处理并纳入到Softmax层进行分类。最后对比了两种传统神经网络模型,证明了深度学习模型的高效与精度。(3)建立了基于深度学习的刀具磨损量预测模型。先后对筛选特征向量集进行特征降维、特征后处理两步操作,再采用自适应步长布谷鸟算法优化参数的最小二乘支持向量机开展刀具磨损量预测。综合对比未经深度学习特征降维、未经特征后处理、两种传统神经网络模型等模型,验证了提出模型的精度及有效性。(4)结合本文的理论研究,基于MATLAB软件GUI模块初步设计了刀具磨损监测系统界面,并纳入了状态识别和磨损量预测两类功能,实现了简单操作与可视化。