刀具是铣削过程中最关键的部件之一,也是最易损坏的部分,它的磨损状态会直接影响加工零件的表面质量和机床的正常运行。因此及时、准确的获取刀具磨损状态信息,建立有效的刀具状态监测（Tool condition monitoring,TCM）方法显得尤为重要。人工智能诊断模型已广泛应用于TCM中,如:支持向量机、随机森林、人工神经网络等。但是由于加工过程的复杂性和动态随机性,以及昂贵的实验成本和较长的实验时间,获得的刀具磨损数据集容易出现样本缺失和样本不足的问题,这对模型诊断结果有着直接影响。为了解决上述问题,本文以立铣刀为研究对象,开展基于铣削过程仿真和生成式对抗网络的样本完备化方法研究。首先,基于有限元仿真软件Deform对铣削加工过程进行仿真。研究了铣削过程仿真中的材料模型、本构模型、摩擦模型、热传导模型等关键技术,以保证仿真的精度。其次,搭建了基于切削力的铣削加工实验,对比了刀具正常状态下仿真模型的切削力数据与实验数据的相关性。结果表明,仿真数据与实验数据匹配度较高。针对铣削实验中存在的样本缺失问题,提出了一种基于有限元仿真的TCM方法。采用低成本、易实现的有限元仿真方法得到类别完整的仿真铣刀磨损样本,根据实验所测磨损值数据,利用插值法将缺失的刀具磨损状态值补全,从而弥补实验样本中缺失的磨损状态样本。将不同刀具磨损下的仿真信号与实验信号进行对比,证明了仿真信号的可用性。最后,采用支持向量机、随机森林、决策树和广义回归神经网络对实验数据和仿真数据进行了测试,验证了仿真样本的可用性和有效性。针对铣削实验中存在的样本不足问题,利用生成式对抗网络的“无限生成”能力,对仿真样本和实验样本进行扩容,生成大量的合成样本。结合实验数据和仿真数据,获得刀具磨损状态的完备样本。最后,将完备样本在不同诊断模型中进行测试,结果表明:本文所提方法可以显著提高TCM的分类精度。