中国制造2025计划的提出带来了制造业的蓬勃发展,在制造业占据重要位置的数控机床也朝着智能化、高质量的加工目标疾速发展。刀具作为数控机床加工各类零部件时的关键执行部件,其磨损状态直接影响着工件的质量和机床的效率。因此,研究刀具磨损对保障加工品质、提升设备效率意义重大。在深度学习和信号监测技术大力发展的当下,基于刀具铣削信号数据而展开的数据驱动的刀具磨损状态识别和剩余寿命预测得到广泛的探索。本文基于PHM 2010高速铣削刀具数据集开展此方面的研究。首先,对刀具原始数据按照预处理和特征提取与选择一系列步骤完成数据分析工作。针对原始数据中的无效值和异常值采取截断和滤波的方法去除,使用EMD和SVD相结合的方法提取时频域特征,然后对提取的154个多域特征进行计算MI取交集的方式选择出32个敏感度高的特征构成特征空间。其次,开展刀具磨损状态识别方法的探讨。考虑到机器学习方法复杂的特征工程和识别准确率低,本文提出了将深度学习1D-CNN网络用于刀具状态识别。此模型能够自适应提取特征并完成最终的状态识别,通过将其与其他常用机器学习识别模型在实验数据上的比较验证,结果表明1D-CNN识别模型具有更高的可靠性和准确率。而后,探索刀具磨损剩余寿命预测的方法。为保证剩余寿命预测的全面可靠性,本文从磨损值和剩余走刀次数两个方面建立模型进行预测。本文提出了将CNN网络和BiLSTM网络相结合并加入Attention机制的方法来自动提取特征并搭建深度模型完成预测。最后选取了多种常用的机器学习预测模型和深度学习预测模型进行对比,证明了所提方法在刀具剩余寿命预测上的稳定性和高精度。最后,设计了刀具磨损监测系统。为了将本文研究内容更好的推广应用,采用了 PyCharm编程设计界面将所有研究可视化。基于PHM 2010刀具铣削数据实现并验证了系统的用户登录、数据分析处理、磨损状态识别和剩余寿命预测四个模块功能。