李 鹏，黄亦翔，夏鹏程，时 轮,2

(1.上海交通大学机械与动力工程学院，上海 200240；2.上海交大智邦科技有限公司，上海 201306)

0 引言

数控机床是制造业的核心，加工过程中对其各部件的状态进行智能化监测是实现智能制造的必要环节，其中刀具磨损状态的监测非常重要。研究表明，可靠的刀具状态监测系统可降低生产成本10%～40%，提高生产速度10%～50%[1]。目前，常用的刀具状态监测方法主要包括直接法和间接法。直接监测法是通过测量刀具表面的几何形状参数来获取刀具磨损状态，如光学图像法[2]、电阻法[3]和放射法[4]等,其精度高，但易受冷却液、光照等的影响，且无法实现实时在线测量。间接监测法是通过采集分析加工过程中与刀具磨损相关的信号如振动、切削力、声发射等来评估刀具磨损状态，其精度不如直接监测法，但可实现实时在线测量，实际应用更为广泛[5]。如Gao等[6]采集加工过程中的切削力信号，通过小波变换提取不同频率段的信号特征，使用隐马尔可夫模型对刀具磨损状态进行评估；李宏坤等[7]采集加工过程中的声发射信号，通过小波包分解提取特征并利用逻辑回归模型评估刀具的磨损状态；赵帅等[8]提取机床主轴电流信号的时域、频域和小波包分解特征，使用随机森林实现刀具磨损状态的准确评估。以上研究均是使用传统机器学习算法，信号特征主要通过人工提取，依赖于专家经验知识的辅助，模型的迁移能力和泛化性能不好。近年来，深度学习算法凭借其强大的学习能力，在计算机视觉、语音处理等领域获得了广泛的应用，也逐渐被用于刀具磨损监测领域。……