随着航空航天技术的发展,难加工材料的使用越来越多。在难加工材料切削过程中刀具磨损比较严重,实时掌握加工过程中刀具的磨损状态不仅可以改善加工质量,还可以提高加工效率,因此刀具磨损监测系统具有重要的意义。然而,面对不同的切削加工方式,刀具磨损也日趋复杂,传统的单一模式识别分类器已经不能满足要求,因此急需建立一种新的模型以实现复杂切削过程的刀具状态监测。本文提出了异态集成学习模型,并基于该模型构建了刀具状态监测系统。在该模型中,根据集成学习基分类器选择原则,选取了支持向量机(SVM)、隐马尔科夫模型(HMM)以及径向基神经网络(RBF)这三个单分类器作为异态集成学习模型的基分类器。同时,为了验证异态集成学习模型的优越性,采用了同态集成学习和单分类器与其作对比,同时采用了majority voting和stacking两种集成结果整合策略来选择最优组合。为了验证监测系统的有效性,选择了航空航天领域中常用的两种加工过程进行实验性监测:钛合金铣削和复合材料钻削。对于铣削切削力信号,进行了谐波特征提取,并采用最大相关最小冗余(mRMR)算法进行了特征选择。对于钻削力信号,提取了时域特征并通过局部保持算法(LPP)进行了特征选择。应用上述方法建立的数据集,对异态集成学习模型进行了训练和测试。通过与单分类器和同态集成学习分类效果的对比,表明了异态集成学习模型具有更高的分类精度和更好的稳定性。同时通过majoring voting策略和stacking策略的分类效果的对比,表明stacking策略更具有优势,因此异态集成学习结合stacking整合策略能取得最好的效果。通过本文的研究,证明异态集成学习模型的泛化能力相比于以往单分类模型得到了改善,同时模型复杂度降低,所以该模型更有优越性。因此,基于异态集成学习模型建立的刀具状态监测系统更具有实际应用意义。