本文在工业大数据和PHM的应用背景下,利用数据驱动式的分析流程对数控铣刀磨损的预测性评估方法进行了深入的研究和分析。在研究过程中,本文首先对铣削过程中采集的信号进行了充分地探索和分析,主要包括信号无效值的截断处理、异常值的过滤处理,信号周期性、平稳性以及功率和能量特性等方面的分析。接着,对预处理后的信号进行了特征提取,分别用统计方法从时域中提取统计特征、用FFT变换从频域中提取频谱和能量特征、用WT变换从时频联合域中提取小波系数和能量分布比特征。此外,按照特征所属的信号类型和所属的轴向对提取出来的特征进行了划分和融合,用于多信息特征融合的实验研究。本文中通过基于F-test检验的评估值和基于互信息(MI)的评估值对特征进行选择,以提高模型拟合的速度和准确性。在本文中,分别用决策回归树(DTR)和支持向量回归(SVR)模型对多信息融合的特点和影响刀具磨损的主要因素进行了实验验证和分析。结果表明,一般情况下多信息融合的效果要优于单信息,并且得出铣削力信号特征和X轴上特征是影响刀具磨损的主要因素。最后,本文引入了机器学习领域的集成方法作为多模型融合的策略,并用回归树作为集成方法的基础学习器,对刀具磨损进行了评估和预测。在本文基于多模型融合的刀具磨损评估过程中,从模型的准确度、稳定性和适用性三个方面上,通过实验验证和对比分析方式分析了多模型融合方法和单模型方法在刀具磨损预测上的性能。结果表明,基于集成方法的多模型融合策略在上述三个指标中取得的效果明显优于单模型,从而说明了基于集成方法的多模型融合策略能够有效地用于刀具磨损的评估和预测。