物联网的兴起,尤其是与制造业不断融合,孕育出制造物联这一新兴制造模式。在制造物联环境下,部署在车间的控制器和传感器会产生大量的实时数据流,这些数据中包含着关于系统(设备)运行状态的信息,需要对这些原始数据进行分析并从中提取出隐含的信息、知识,从而实现对系统(设备)的实时监控与精准控制。传统浅层机器学习方法表征非线性模型的能力不足,需要特定领域的专家知识从原始数据中提取优良的特征以便训练模型。近年来,以深度学习为代表的新兴机器学习方法在学术界和工业界引起了广泛的关注,进一步推动了人工智能在众多领域的应用。为解决浅层机器学习方法存在的缺陷,本文以切削加工过程刀具磨损为研究对象,探讨运用深度学习的方法实现刀具磨损预测与状态识别,具体的研究内容如下:首先,对制造物联的内涵进行了分析,搭建了制造物联原型平台,选用树莓派作为传感网络节点,利用开源软件实现了将数据实时推送至监测系统的功能;综述了刀具故障预测与健康管理的研究现状,在制造物联平台下建立了刀具监测系统,为后续进行刀具磨损预测和状态识别打下基础。其次,针对加工过程中振动信号的噪声问题,对比了分析平滑处理去噪和小波阈值去噪的性能,结果表明后者的去噪性能更好;对比了分析短时傅里叶变换、小波变换和希尔伯特-黄变换处理非平稳、非线性信号的优缺点,结果表明希尔伯特-黄变换获得最好性能。接着,以人工提取特征作为训练模型输入,采用传统浅层学习方法建立基于BP神经网络和模糊神经网络的刀具磨损预测模型;并与基于深度学习方法建立的预测模型比较,结果表明深度学习方法预测准确率更高。最后,针对卷积神经网络在图像处理方面存在的优势,提出将卷积神经网络应用于刀具状态识别;针对在小数据集上构建分类器的问题,提出将迁移学习方法应用于刀具状态识别,结果表明迁移学习方法有助于提升小样本数据集分类模型的准确率。