刀具磨损状态监测技术是先进制造技术中的重要组成部分。刀具磨损的实时监测对于提高产品质量,降低制造成本和提高生产效率具有重要作用。然而,该技术发展至今,仍然不能够真正应用于实际加工中,也未能很好地解决变工况加工条件下精确识别刀具磨损状态的问题。为此,本文通过对车削刀具磨损状态监测技术的研究,建立了基于多特征融合和多数投票法的车削刀具磨损状态识别模型。主要研究内容及结果如下:首先,对刀具磨损状态监测的研究背景及意义做了概述,根据刀具磨损阶段的不同,选择刀具后刀面磨损量VB值作为刀具磨损的监测指标。通过分析和比较各种监测方法及监测信号的优劣,选择振动和声发射信号作为研究的监测信号;根据机床的性能参数,设计试验方案,进行全因素试验。采用LABVIEW 2018a软件搭建的数据采集系统对车削试验中产生的振动和声发射信号进行采集。对采集到的信号分别在时域、频域和时频域进行信号分析,得出与刀具磨损状态相关性较强的特征向量作为原始特征。然后采用Relief-F算法对原始特征进行二次特征筛选,得到振动信号和声发射信号中与刀具磨损状态最相关的最终特征参量。然后,又采用PCA（Principal Component Analysis）方法对原始特征进行降维,得到了与用Relief-F算法筛选后相同维数的主元数据特征,从而得出两种情况下分别对应的特征向量作为各自的最终特征样本。最后,将用Relief-F与PCA算法所得的最终特征样本的2/3作为训练集分别输入建立的GA-BP神经网络模型、ELM模型、SVM模型进行训练,并分别输入最终特征样本的1/3作为测试集分别测试上述三个子模型。前者三个子模型的正确识别率分别为88.889%、92.592%、96.256%,后者三个子模型的正确识别率分别为81.48%、77.7778%、77.7778%。之后又采用多数投票法分别对Relief-F与PCA算法情况下的三个子模型的输出结果进行整合,结果显示,所建立的基于多特征融合和多数投票法下的车削刀具磨损状态识别模型在Relief-F和PCA情况下的正确识别率分别为96.296%和85.185%。这表明,经多特征融合后所得模型的性能均优于单个子模型,而且,采用基于Relief-F算法所建立的多特征融合和多数投票法的刀具磨损状态识别模型也明显优于用PCA算法降维后所建立的模型。因此,基于Relief-F算法所建立的多特征融合和多数投票法的识别模型对刀具磨损状态具有很好的识别与监测效果。