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侧边铣削，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，给予数据以不同磨损状态划分的标签和信号分段，对同一向数据进行归一化处理，并且进行统一分段，具体如下：数据的总长度可设为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，防止数据的长度发生改变导致减少；

(4)经过卷积网络的数据，通过池化层，减小特征映射的大小，防止过拟合的子采样层；

(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，让数据变成两维，最后连接SoftMax层，输出所识别的磨损分类并与实验数据的真实数据进行了比较，通过反向传播算法训练模型，可以调整权值和偏置，通过比较输出类标签与真正的标签和传播通过网络输出层的误差最小化损失函数L，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；

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；wt bt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；

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]。

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，防止过拟合的子采样层；池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。