陈启鹏，谢庆生，袁庆霓+，黄海松，魏 琴，李宜汀

(1.贵州大学 现代制造技术教育部重点实验室，贵州 贵阳 550025；2.贵州大学 公共大数据国家重点实验室，贵州 贵阳 550025)

0 引言

机械智能故障诊断作为智能制造的关键组成，成为“中国制造2025”的重要内容[1]。在机械加工过程中，切削加工是零件成形最主要的加工方式，刀具的磨损状态将直接影响零件的加工精度、表面质量以及生产效率。因此，刀具状态监测(Tool Condition Monitoring, TCM)技术对于保证加工质量、实现连续自动化加工具有非常重要的意义[2]。刀具状态监测方法分为直接测量法和间接测量法，直接测量法采用电阻测量法、光学测量法、放电电流测量法、射线测量法等，直接得到刀具的磨损值，但由于生产过程中受冷却液等干扰影响，无法实时检测加工过程中的刀具磨损状态，在实际的工业生产中应用较少；间接测量法采用切削力测量法[3]、声发射[4]、机械功率测量法[5]、振动信号[6]及多信息融合检测[7]等，能在刀具切削过程中通过传感器实时采集信号，经过数据处理和特征提取后，采用BP神经网络(Back Propagation Neural Network, BPNN)[8]、模糊神经网络(Fuzzy Neural Networks, FNN)[8]、隐马尔可夫模型(Hidden Markov Model, HMM)[9]、支持向量机(Support Vector Machine, SVM)[10]等机器学习(Machine Learning, ML)模型对刀具磨损量进行监测。传统的机器学习模型受制于提取特征质量的不稳定性，需要相关的研究人员具备一定的经验和技巧。同时，样本的训练采用浅层结构算法，模型的收敛速度不可控，容易陷入局部最优解，而深度学习(Deep Learning, DL)的方法可以有效避免上述问题带来的影响。

深度学习在1986年被引入机器学习，在2000年被用于人工神经网络(Artificial Neural Network, ANN)。……