车削刀具磨损会造成切削刃几何参数及其与工件接触条件的改变,使得切削力和振动增大,影响工件的表面质量和尺寸精度。此外,切削力增大还会造成切削稳定性下降,诱发颤振,因此,在刀具状态监测时需要同时考虑加工颤振。为此,本文主要分析了刀具磨损和加工颤振的异常状态及其传感信号表征,提出了相应的加工异常状态辨识模型。本文具体工作如下:针对车削中的加工状态监测,理论分析车削刀具磨损导致的切削力增大对电机电流与切削振动力学的影响规律,以此为基础提出了基于多传感器的车削加工状态监测技术方案。从工件表面质量、刀具形貌、传感器信号表征、机理分析四个层面研究了刀具磨损和加工颤振的异常状态,并从实验和理论分析了磨损和颤振存在一定的耦合关系。使用基于统计规则的冲击信号滤除和小波去噪对传感器信号进行预处理,并提取了相关的时频域特征,通过支持向量机的特征递归消除算法（Recursive Feature Elimination based on Support Vector Machine,SVM-RFE）进行特征筛选,确定了对于刀具磨损和加工颤振均敏感的最优特征集,提高了异常状态监测的泛化性。建立了基于正样本无标签学习（Positive Unlabeled Learning,PU学习）算法的加工异常状态监测模型,实现了从只有部分正样本标签的样本集中学习,解决了加工状态监测中广泛存在的样本标签不完善和不准确的问题。与有监督学习算法相比,本文模型更适用于加工状态监测的实际应用场景,提高了异常状态监测方法的使用范围。最后,为验证模型状态辨识的有效性,采集车削过程的传感器信号,构建训练集时只对30%正常切削样本进行标定,以此为基础针对刀具磨损和颤振两种加工异常进行状态辨识,均获得了较高的准确率。通过实验验证了PU学习在加工状态监测领域的应用有效性,解决了现有加工状态监测无法兼顾加工过程多种异常状态的问题。