实现加工中的保质增效是企业提高核心竞争力的重要手段,而加工中刀具磨损和破损导致的加工动态误差和非计划性停机都会影响到加工的质量与生产效率。加工中产生的切削力、振动和声发射等物理现象能从不同维度反映刀具磨损,如何从中提取有效特征,预测刀具磨损,是获得状态特征和质量特征的变化关系,实现加工参数的有效调控以达到保质增效的关键环节。本文分析了多传感器的信号特征与刀具磨损的相关性与特征间冗余度,实现信号特征的融合,获得刀具磨损预测模型的最优特征子集。针对单一预测模型存在稳健性不高的问题,构建了一种刀具磨损的集成预测模型。主要的工作如下:(1)对刀具磨损预测模型建模流程、刀具磨损形式及其量化方法和多传感器融合的优势进行了阐述。进行了刀具生命周期的铣削加工实验,获取多传感器监测数据与刀具磨损数据,并对采集到的多传感器数据进行预处理,为后文的数据分析与建立数据驱动模型构建好基础数据。(2)研究了传感器特征提取与分析方法。对采集到的多传感器信号提取了165维特征,并利用皮尔逊相关系数和最大信息系数分析了这165维特征的相关性与冗余度,发现了最大信息系数在数据挖掘上的优势,并用其筛除了不敏感特征。(3)为降低特征维度与冗余,结合最大信息系数与核主成分分析,构建了一种特征融合算法。利用构建的算法对多传感器的不同组合进行了特征融合,分析并对比了融合前后的相关性与冗余度,证明了融合特征的有效性。(4)针对单一模型稳定性不高的问题,从子模型的差异度与精度两方面构建了一种改进的集成高斯回归模型(Bagging-GPR),并验证了改进的模型的精度和稳健性。确定了多传感器不同组合下特征融合的优先级,提出优选预测方案来解决多传感器数据缺失的情况,其R~2可达0.96以上,对指导实际刀具磨损预测具有指导意义。