在铣削加工中,由于刀具脆性材料本身硬度高、脆性大的特性,刀具破损已经成为刀具失效的主要原因。刀具失效影响工件表面加工质量,引起机床故障停机,导致企业生产效率降低,生产成本增加。因此,铣削破损监测成为生产中迫切需要解决的关键问题。随着信号处理技术的发展和多传感器融合的监测技术的发展,刀具的破损识别率有了较大改善,但是同时也增加了提取特征的维度,增加了刀具状态监测系统的复杂度。如何降低多传感器融合的特征维度,从多传感器的特征中选择出能够体现刀具切削状态的最优特征子集成为多传感器监测迫切需要解决的问题。首先,对铣刀破损监测信号的特征提取方法及特征选择方法进行研究。采用功率谱分析法和小波包分解法对监测信号进行频域分析和时频域分析,然后对监测信号在时频域和频域的进行特征提取源信号的选择,通过对监测信号在频域和时频域的源信号进行基于统计学量的特征提取,获取表征铣刀破损状态的特征量。提出采用基于GA-SVM的封装式算法对时频域及频域的特征进行特征选择,以遗传算法为搜索策略,以SVM为铣刀破损识别分类器,输出反映铣刀破损状态的最优特征子集。其次,以HAAS机床为实验对象,通过监测主轴X方向和Y方向的振动信号以及切削声信号搭建铣刀破损监测实验系统。设计以主轴转速、切削深度和进给速率的三因素三水平正交试验以及刀具破损制备实验,采集新刀与破损刀具在不同因素水平下切削时的主轴振动信号与切削声信号。并对采集到的主轴振动信号与切削声信号进行统计学量特征提取及基于GA-SVM的封装式算法特征选择,输出最优特征子集及SVM最优参数。最后,设计相同切削因素下其他水平的正交试验对基于最优特征子集及SVM最优参数建立的铣刀破损识别模型进行实验验证。最后,结合Lab VIEW在图形界面易于开发的优点以及MATLAB强大数学运算功能特点,采用Lab VIEW与MATLAB混合编程对基于多传感器融合的铣刀破损监测平台进行设计与开发。该监测平台可以实现主轴振动信号以及切削声信号的波形实时显示、数据传输、数据的实时存储以及铣刀破损识别等功能。该平台对工业现场基于多传感器融合的铣刀破损监测具有一定的应用价值。