在当前数据时代,机器学习算法成为了联结数据和决策的桥梁。实际应用中,不同的机器学习任务都有较为稳定的算法进行求解。但传统的机器学习只使用单任务的方式进行各自的训练和预测,忽视了其他相似任务可能带来的共享收益。多任务学习的提出就是为了高效的挖掘多任务之间的共享信息,以提升多任务学习系统的整体预测性能。通过为每一个单独的机器学习任务提供额外的有效训练信息,最终提高单机器学习任务的实际预测表现。论文主要研究面向未知任务关系先验场景下的自适应多任务学习,以及该算法在多工况铣削加工刀具剩余寿命预测场景中的应用。目前已有的多任务学习算法可以分为以下几类:基于特征转换和特征选择的多任务学习方法、基于低秩分解的多任务学习方法、基于任务聚类和任务关系学习的多任务学习方法和基于共享网络结构的多任务深度学习方法。相较于单任务学习的方法,上述多任务学习算法的性能已经在多个现实场景中获得了验证。但上述方法也存在着一些不足,当面对大规模未知任务间关系的少样本回归多任务场景时,很难提前获取任务之间共享关系、有效特征等先验知识。同时对于不同簇的任务,包含主要信息的特征类型很有可能也不相同,故基于任务聚类的多任务学习方法也不够准确。而基于深度模型的方法需要大规模、高质量的数据集,面对少样本弱先验的回归预测场景时,网络参数的欠拟合会使得模型预测性能较弱。由此可见,现有的多任务学习算法很难在大规模未知任务关系的场景中发挥很好的预测效果。本论文首先引入鲁棒估计器的概念,并且针对鲁棒估计器难以优化的问题,提出鲁棒正则化项与异常过程的转换方法,利用连续优化不断调整异常过程中的惩罚函数以达到原始鲁棒估计器的近似凸逼近。接下来总结了多任务学习算法的研究现状,并对其适用场景进行了详细的分析。为解决在大规模未知先验的多任务学习场景中难以衡量任务关系、不相似任务之间互相影响等问题,提出了一个全新的基于鲁棒估计器的自适应多任务学习算法。该方法可以使任务在拟合自身数据的同时,自适应的选择与自己相似的任务协同学习。针对包含有鲁棒估计器的目标函数非凸非光滑的情况,将其转换为异常过程的形式,并利用连续交替最小二乘法进行高效优化。本文提出的算法在多组领域标准数据集上均实现了最佳回归预测性能。为解决铣削刀具状态监控预测场景中多种复杂工况、新刀具预测难等问题,本论文将多任务学习引入了刀具剩余寿命预测场景。对于数控机床铣刀加工过程来说,不同工况会导致剩余寿命预测函数的不一致性较为明显。如果只是将工况信息作为特征后进行单任务学习,工况信息在参数优化过程中只起到了样本空间分割或函数参数累加的作用,没有将工况中包含的有用信息进行深度融合。基于鲁棒估计器的自适应多任务学习可以使得相似工况下预测函数的参数收敛更加快速和精准,不相似工况之间的参数在收敛过程中互相不影响,进而整体上提高了刀具剩余寿命预测任务的回归精度。本研究采用多组刀具的全生命周期数据,并进行了数据降噪、特征提取和工况识别等处理,搭建了一个完整的刀具剩余寿命预测系统。通过多组对照试验结果证明,相较于单任务模型,在保证了整体计算的时间复杂度远低于其他学习模型的基础上,基于鲁棒估计器的自适应多任务学习算法能够根据刀具的实时工况和状态监控数据提供更为精准的剩余寿命预测。在新刀具冷启动预测的场景中,多任务学习系统可以挖掘到相似工况之间的有用信息,一定程度上解决了新刀具无标签、无历史数据导致的预测模型欠拟合等问题。