数控机床状态监测作为机床智能化研究的核心,在保障机床安全稳定运行、提高加工质量及生产效率等方面发挥重要作用,而数控机床加工过程状态识别作为机床状态监测的关键部分,一直是国内外研究的重点。本文以数控机床的加工状态为研究对象,结合先进的信号处理及模式识别方法,展开其加工状态识别研究,对研究机床加工规律、切削参数优化、加工状态控制方法与策略具有重要意义。本文首先从数控机床的系统构成及工作原理出发,分析机床不同监测信号的特性,以明确机床加工过程状态识别研究的监测信号类型及传感器规格参数。然后从机床关键零部件的振动状态研究入手,提出了一种基于低维特征的机床主轴振动状态识别方法。一方面,利用局部判别小波包变换完成主轴振动信号的状态特征提取,系统地解决了小波包变换时的分解层数、基小波函数选择及冗余信号分解等问题。另一方面,对提取特征向量进行主成分分析,以降低特征维度和计算成本,并结合监督学习方法实现基于低维特征信息的状态识别。为克服机床关键零部件状态识别研究中单传感信息分析所存在的不确定性和局限性问题,分别从数据级和特征级层面研究多传感器信息融合的体系架构和方法论,提出一种多传感器信息融合的机床加工状态识别方法,可降低状态信息不足对识别结果的影响。为验证所提出的不同多传感器信息融合方法的可行性,设计了具体的叶片加工实验,并通过其加工过程的多通道振动和声音数据完成多传感器信息融合方法有效性验证。最后基于LabVIEW和MATLAB的混合编程方式开发了一个多传感器信息融合的机床加工过程状态识别系统,保留两个软件各自优势的同时,解决了数据采集和数据处理系统独立运行所带来的过程复杂、工作量大等问题。本文针对数控机床加工状态识别而提出的多传感器信息融合方法,综合利用了不同传感器的状态信息,与单传感器信息分析相比,提高了状态识别的准确率,可有效应用于数控机床状态监测中。