数控刀具在切削过程中的磨损会直接影响到加工工件的表面质量和尺寸精度,在刀具达到一定磨损阶段后,若不及时更换刀具会严重影响零件的生产质量,而过早的更换刀具会造成生产成本的提高和资源的浪费。传统的加工车间主要依靠操作人员根据经验判断并选择合适的时间进行换刀,而现代智能制造模式对生产系统的自动化、无人化、准时化要求逐渐提升以及各个制造企业对于精益生产的重视度逐渐加深,这种方式已不能满足实际需求。而依靠刀具磨损过程中其机械信号随时间改变这一理论基础以及现代信号处理技术的发展带来的技术支撑,通过多维时频特征进行刀具磨损实时预测则为整个制造系统中更换刀具这一关键决策过程提供新的研究思路。本文对多维时频特征在刀具磨损预测中的应用展开研究,主要内容包括:首先,本文综述了国内外关于刀具磨损监测领域基于磨损机理和预测方法的重要工作,分析其中的瓶颈问题,为进一步展开研究提供理论基础。然后,针对通过信号处理后提取到存在大量与刀具磨损无关的特征这一问题,将最大互信息系数(MIC)引入到对特征进行有效排序和筛选中,并通过KPCA进行特征融合,最终得到低维度、高相关性的特征,为后续预测模型的建立提供可靠的输入数据。第三,本文研究了一种集成学习算法—梯度提升回归树在刀具磨损预测问题中的应用,相较于传统的Boosting对多个样本进行直接加权,GBRT通过计算每一次迭代过程中的残差并向残差减少的方向建立模型,能够更有效地逼近真实值;此外,针对传统机器学习算法无法给出模型预测可靠性这一指标,提出了多核相关向量机刀具磨损量预测模型(Multikernel＿RVM),在保证其预测精度的前提下,还能够给出其置信区间,使得模型的可靠性得到量化。最后,本文研究了深度学习技术在刀具磨损预测问题中的应用,与传统机器学习算法相比,深度神经网络可自适应提取特征,节省了复杂的特征降维过程,通过大量的参数优化过程和多种算法的性能比较,所提出的双向门控循环单元(Bi GRU)和降噪自编码器(DAE)在刀具磨损预测问题中均有良好表现。