制造业是国民经济的基础,而数控机床作为基础制造能力构成的核心,其关键部件若出现故障将直接降低机床加工效率,因而对关键部件进行实时状态监测与性能评估尤为重要。在生产过程中一旦发现故障就需要立即停机检修,因此监测部件处在健康状态下的监测数据容易获取、处在故障状态下的数据难以获取。故障数据的匮乏制约着刀具状态监测与性能评估技术的发展,因此研究如何在故障数据匮乏的条件下识别刀具健康状态并进行性能评估对于提高制造业水平具有重要意义。论文围绕数控机床刀具状态监测与性能评估涉及的关键技术展开深入研究,具体内容如下:1.阐述了铣刀磨损机理,根据国标给出APMT 1135型铣刀磨损阶段划分方法和磨钝标准;完成了实验平台的设计与搭建,开展了42把刀具的退化实验,采集了刀具全寿命周期内多传感器数据并验证了数据有效性,为开展刀具状态监测与性能评估技术研究提供数据支撑。2.针对现有智能故障诊断方法在处理不平衡数据时存在少数类样本识别率低的问题,提出了一种基于深度代价自适应卷积网络的数据不平衡条件下刀具状态识别方法。为不同健康状态的样本设置不同的误分类代价并不断自适应更新,在确保多数类样本识别率的基础上增加了少数类样本识别率。3.针对刀具失效状态监测数据匮乏的问题,提出了一种仅利用刀具正常磨损状态监测数据进行性能评估的方法。采用受限玻尔兹曼机重构误差构建健康指标,利用监测数据偏离正常状态的程度表征刀具健康状态,进而结合健康指标和刀具简化模型,利用粒子滤波算法对刀具服役寿命进行预测,实现了失效数据匮乏条件下刀具性能的准确评估。4.开发了刀具状态监测与性能评估系统。首先搭建了监测数据采集系统;其次,以提出算法为基础对软件进行了模块化设计;最后,基于B/S架构开发了监测系统前端和后端,实现了刀具的实时状态监测与性能评估。