在实际生产中,由于数控机床内环境十分复杂,物理反应活跃,导致数据机床在生产活动中对刀具的损耗极大,而传统的刀具状态监测无法有效地利用刀具真实寿命,从而造成一定程度上刀具成本的浪费。本文提出了利用数控机床主轴电流信号数据,并借助深度学习和迁移学习的方法建立了对刀具磨损监控的预测模型,期望改善对刀具寿命的利用率,从而为实际生产中带来经济效益。(1)数控机床主轴电流信号的采集与特征提取。鉴于电流信号采集方法的低成本和高实时性,本文选用电流信号作为刀具磨损预测的参量,通过使用开环式的霍尔传感器可以方便地采集机床主轴电流信号。同时,针对受噪声影响的高维度电流信号,本文采用了时域、频域、小波包的方法对电流信号进行特征提取与信号切分,最终,通过各特征量与刀具磨损状态的关联性,选用时域特征均值、方差、峰度、偏度作为刀具磨损预测模型的输入特征。(2)刀具崩刃预测方法的研究。针对实际加工场景中经常出现的刀具崩刃状态,本文使用了深度学习的算法,将刀具崩刃预测划分为一个二分类问题,通过对刀具加工状态下的电流信号建模,实现电流信号与刀具正常状态、刀具崩刃状态两种类别之间的关系映射,实现了97.36%的预测准确率。同时,针对其中出现的数据样本少、数据类别不平衡问题,提出了使用异常检测方法的刀具崩刃预测模型,从而提升了对刀具崩刃状态的识别准确率。(3)基于迁移学习的刀具磨损预测方法研究。在实际场景中,数据采集成本高,因此少样本学习和建模是一种更符合实际应用的方法,在本文中,基于迁移学习的方法,将与目标域数据集不同场景下的机床加工数据应用于对目标刀具磨损预测的建模中,从而实现了对刀具磨损预测的少样本建模和预测,最终基于迁移学习的刀具磨损预测模型实现了74.26%的预测准确率,相较于未使用迁移学习的预测模型提高了13%。基于深度学习和迁移学习刀具磨损预测方法能够实时、有效地实现对数控机床中刀具磨损状态的监测,通过将崩刃监测和刀具磨损预测结合使用,更符合实际机床加工建模场景,有利于提高对数控机床中刀具的寿命利用率和数控机床自动化程度,降低制造生产活动中的生产成本,为工业制造带来经济效益。