刀具是机械加工过程中不可或缺的组成成分,零件的表面加工质量和数控机床的加工精度都与刀具的状态息息相关,当刀具已经严重磨损而没有及时进行换刀时,生产加工的效率和质量都将受到严重影响,因此对于加工时的刀具磨损状态监测研究显得尤为必要。实际中刀具的加工条件是复杂多变的,所以研究在不同工况下的刀具磨损预测有着重要的意义。本文结合多传感器信息提出一种基于深度残差网络的刀具磨损预测模型,并基于迁移学习提出多种工况下的磨损预测模型迁移方法,使模型可以实际应用于加工中不同工况变化的情况下,对实际加工中刀具的磨损状态监测起到了重要意义。本文的主要研究内容概括如下:(1)研究了刀具磨损形式及机理,分析了刀具磨损监测实验中的多种传感器信号和磨损值趋势变化,针对采集到的传感器信号中的异常值、无效值等进行预处理并通过小波降噪优化信号,然后分别从信号的时域、频域、时频域上提取相应的180维磨损特征,比较分析了不同特征与刀具磨损值的相关关系,最后基于互信息法筛选出与刀具磨损最为相关的48维信号磨损特征应用于后续刀具磨损预测模型。(2)针对单一工况下的刀具磨损监测实验分别采用传统机器学习方法(随机森林、支持向量机)和常见深度学习方法(卷积神经网络、循环神经网络)建立了刀具磨损预测模型,并提出一种基于深度残差网络的刀具磨损预测模型,说明了模型结构及参数的设置并进行训练调优,最后通过不同模型的实验预测结果比较,证明了将深度残差网络应用于刀具磨损预测模型中的有效性和优势,为多工况下的模型迁移奠定基础。(3)对不同加工条件下的刀具磨损预测进行了研究,采用迁移学习方法对上述提出的深度残差网络刀具磨损预测模型展开了多工况下的迁移研究,并通过多工况刀具磨损监测数据进行了验证,实验结果表明基于迁移学习的刀具磨损预测模型可以良好地应用于多工况下的刀具磨损状态监测,证明了将迁移学习方法应用于刀具磨损监测中的可行性和实用性。最后基于XGBoost集成学习方法分析出多传感器信号特征的重要性,并提出一种离线与在线相结合的实际刀具磨损监测方案。