刀具磨损会直接影响工件加工质量,并降低加工系统的生产效率及经济收益。为了能降低这些负面影响,建立一个可靠、精准的刀具磨损监测系统是至关重要的。现阶段刀具磨损监测研究中存在问题包括:1)以往的研究中忽略了监测信号中的时频相位信息,这导致了刀具磨损监测识别率提升困难。2)应对单一工况的刀具磨损监测,传统隐马尔科夫模型学习到的的隐状态转移概率不能准确地描述刀具磨损变化,故分类识别结果不够理想。3)应对多种工况的刀具磨损监测,纯数据驱动的隐马尔科夫模型不能同时准确地描述每一种工况的刀具磨损规律。针对以上三个问题,本文开展的研究如下:1)提出了一种基于S变换时频幅值及相位信息的特征提取方法。先利用S变换得到监测信号的时频矩阵,再使用统计方法从整个时频幅值/相位矩阵、时频幅值等高线轮廓、时间最大幅值/相位曲线、频率最大幅值/相位曲线等多个方面完成特征提取。结合互信息特征选择算法从高维数特征集合中选择出能够表征刀具磨损的最优子集,为后续决策模型提供可靠输入。2)根据刀具磨损数据不平衡分布的特点,本文结合集成学习算法提出了一种多分类聚焦正类样本的增强集成隐马尔科夫模型。在传统AdaBoost算法的基础上,本文构建了适用于不平衡数据的分类评价指标,优化了损失函数和基学习器权值更新函数。提出的集成模型较传统隐马尔可夫模型在平均识别率上提升了3.6%。3)通过引入刀具磨损物理模型约束隐状态的划分,同时在磨损值输出函数中加入实时特征的影响,本文提出了一种物理信息隐马尔科夫模型。在构建的训练集中加入工艺参数及刀具磨损物理模型生成的经验标签,利用物理信息融合的训练策略完成模型的训练。本方法在分类问题的平均识别率达到了 99.5%,在回归问题的平均MSE达到了 7.052。本文提出了一种有效可靠的刀具磨损监测方法。通过基于S变换的特征提取方法为决策模型提供可靠的特征输入,应对单工况和多工况两种应用场景,分别提出了集成隐马尔科夫模型与物理信息隐马尔科夫模型两种方法,实现了精准可靠的刀具磨损监测。