在金属加工过程中,刀具磨损不仅影响工件的加工精度和表面质量,甚至会引起工件报废和机床损伤。因此,利用刀具磨损在线预测技术,准确识别刀具磨损状态,对于保证制造过程的顺利进行和产品质量具有重要的意义。基于特定机床、同类型刀具和工件及相同加工要求下的加工过程的相似性,充分挖掘历史数据的价值,本文提出一种基于特征迁移的变工况刀具磨损预测方法,用于实现不同工况下刀具磨损状态的预测,达到减少重复的数据分析、建模及提高刀具磨损预测模型的泛化能力的目的。主要工作如下:（1）基于迁移学习的原理,构建了不同加工参数组合下相同刀具及工件加工过程刀具磨损状态预测的方案,并建立不同加工参数组合下的刀具寿命周期内的铣削加工实验。采集加工过程中切削力传感器信号数据和刀具磨损数据,为后续研究提供数据支持。（2）为减少特征冗余,并获取与刀具磨损相关度高的特征来构建迁移学习的源域和目标域中的信号特征数据,提取切削力信号的时域、频域和小波域特征,并采用基于保留交叉验证的极限学习机模型对提取的特征进行选择。（3）分析一组加工参数组合下刀具（记为历史刀具）寿命周期全加工过程选择的传感器信号特征（即源域特征）和另一加工参数组合下刀具（记为新刀具）前期加工过程选择的特征（即目标域特征）之间的相关性,建立源域特征和目标域特征的特征迁移模型。通过迁移模型将源域特征迁移到目标域中,获得新刀具寿命周期全过程的完整信号特征。然后采用最大均值差异（MMD）对迁移结果进行评估,根据评估结果选择源域和目标域特征中相似度较高的特征作为刀具磨损预测模型的最佳特征子集。（4）为进一步提高预测精度,采用鲸鱼优化算法优化的支持向量机（WOA-SVM）构建刀具磨损预测模型,以特征迁移获得的新刀具寿命周期全过程的最佳特征子集为输入,对新刀具加工中后期的刀具磨损状态进行预测,分类准确率高达95%,验证了提出的变工况刀具磨损预测方案的有效性。