刀具作为金属切削过程的直接执行者,在加工过程中不可避免地存在磨损问题,刀具的状态变化会直接导致产品质量下降和生产成本增加。研究人员和加工企业针对这一问题,逐步建立了各自的刀具监测系统,面对系统长期监测到的海量数据,需要采用有效的方法对其进行分析和挖掘才能发挥数据本身的价值。基于监测数据对刀具磨损状态进行智能识别,一方面可以掌握刀具的健康状态、指导生产工作以及减少事故;另一方面,可以为后续的研究提供理论和实践基础。近年来学者们基于大数据分析方法对刀具磨损状态智能识别进行研究,而该类方法在刀具磨损状态识别应用中存在以下几个不足:(1)缺少对监测到的海量数据进行异常值和噪声处理;(2)对于海量数据缺少一个“剧烈”的过滤过程,未将大数据转变为有价值的小数据;(3)在进行特征工程时缺少不同工况对采集信号主、次要影响程度的分析,特征属性中不含有工况数据属性;(4)进行智能识别的单个或集成机器学习模型多以强学习器模型为基础,对于不同的数据属性缺少差异互补性。本文针对现有研究的不足,开展了以下研究工作:(1)搭建稳定的刀具监测平台,合理的设计试验,为特征提取与模型融合奠定了坚实的基础;(2)采用改进后的四分位距分析法(IQR算法)与无偏风险估计阈值小波法完成了对监测数据的去异常值与去噪工作,取得了良好的效果;(3)借鉴分块算法思想,提出了一种基于决定系数和相对系数的数据去重方法,该方法实现了一个“剧烈”的过滤过程,从海量数据集中选出最有价值最有代表性的小样本数据;(4)在原始数据分析与特征提取工作中运用极差分析方法对传感器信号产生主、次要影响的工况条件进行了研究,经过分析将主轴转速条件纳入了特征属性;(5)对特征数据集运用主成分分析法(PCA)与递归特征去除法(RFE)完成特征属性的筛选,其测试结果与所有特征数据集测试结果一致;(6)通过学习式融合策略对选出的基模型进行融合,经过实验对比发现,模型融合后的识别效果优于基模型和其他强学习器模型,说明该模型融合是有效的。