1.一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法，其特征在于，包括以下步骤：(1)将测力仪和压电式加速度传感器安装于数控机床工作台夹具及工件上，在恒定工况下，使用恒定的切削参数对材料进行铣削，同时将测力仪连接电荷放大器，采集三向力信号和振动加速度信号；

(2)将采集到的信号进行数据预处理，根据刀具的不同磨损状态(磨损初期、稳定磨损期、急剧磨损期、刀具失效期)，将信号进行分段，并为每个分段信号与对应磨损状态进行关联标识,数据为XYZ三个方向的力信号与XYZ三个方向的振动信号总共六维，对每一个维度的信号数据进行归一化处理，并且进行统一分段，具体如下：一个维度的信号数据的长度可设为x,在统一划分后，数据变成xm，n,其中m为数据划分的列数，n为数据划分的长度，可以理解为x＝m×n，一维的数据在经过划分后变成了二维数据输入模型；

(3)将分段好的数据输入卷积神经网络，通过不同大小的卷积核，实现数据的深度扩充，根据设定的卷积核数量，数据增加了一个新的维度p,从而使得数据的深度得到了增加，数据变成了xm，n，p，同时因为卷积核本身有大小，对数据进行零补，防止因数据长度改变导致的数据量减少；

(4)经过卷积网络的数据，通过池化层，减小特征映射的大小，防止过拟合；

(5)按照时间的关联性特点，将上一步中所得数据输入长短时记忆神经网络，将数据变成两维，最后接入SoftMax层进行刀具磨损状态辨识，输出所述的刀具磨损状态分类。

2.根据权利要求1所述的一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法，其特征在于：在卷积网络中，卷积网络公式如下：yi，j，k是卷积的输出层，1≤i≤m，m是样本的数量，1≤j≤p，p是卷积核的长度，1≤k≤n、f是激活函数，通常一个双曲正切、RELU、或Sigmoid函数，，xi，k为输入数据，*为卷积运算，k是权重，bi是偏置量。

3.根据权利要求1所述的一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法，其特征在于：池化层是为了减小特征映射的大小，防止过拟合。池化层的输出是之前特征映射的局部最大值，可以表示为：zi，j，k＝max(x2i-1，j，k，x2i，j，k)

其中zi，j，k是池化层的输出，且1≤l≤m/2。

4.根据权利要求1所述的一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法，其特征在于：长短时记忆神经网络包含三个门，分别是输入门、输出门和遗忘门，遗忘门决定了可以传递多少先前的信息，其输出计算式如下：

ft＝σ(wfzzt+whfht-1+bf)

σ是一个Sigmoid的函数，w是权值，zt为当前输入，1≤t≤m/2,，ht-1是前一个细胞的输出；bf是偏置量。

输入门决定了可以保存在单元格中的新信息，计算式为:

it＝σ(wzizt+whiht-1+bi)

输出门决定要从单元格状态输出什么信息，其输出可以表示如下:

ot＝σ(wzozt+whoht-1+bo)

ht＝ot×tanh(ct)

5.根据权利要求1所述的一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法，其特征在于：用于分类的SoftMax层，计算式如下:其中ui是第ith层的输出。

6.根据权利要求5所述的一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法，其特征在于：通过反向传播算法训练模型，可以调整整个联合网络模型的权值和偏置，再通过比较输出的预测值和真实值的误差，计算误差函数L使得模型在训练集上的误差最小化，L计算式如下:其中m为样本数量，u为真实标签，u′为输出结果。

7.根据权利要求6所述的一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法，其特征在于：在反向传播过程中，不断调整权值和偏置值，直到迭代次数达到设定值为止，参数调整可以表示为:ε是学习速率,确定参数的更新速度；wtbt表示第t次迭代中权值和偏置值；wt-1bt-1表示第(t-1)次迭代中权值和偏置值。

8.根据权利要求1所述的一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法，其特征在于：刀具按照不同的磨损量，共划分为四类，具体为刀具的初期磨损、正常磨损期、急剧磨损期和刀具失效期，结合神经网络输出层数量可以将磨损类别表现为：[0,0,0,1][0,0,1,0][0,1,0,0][1,0,0,0]。