黄称意，朱锟鹏

(1.中国科学技术大学信息科学技术学院，合肥 230026；2.中国科学院合肥物质科学研究院先进制造技术研究所，江苏 常州 213164)

0 引言

刀具状态是影响切削加工质量和效率的重要因素。在实际加工过程中刀具与工件直接接触，不可避免地会发生刀具磨损甚至断裂等现象，对刀具状态的准确监测并根据刀具状态建立合理的换刀策略、减少意外停机时间、设置相应的误差补偿，对于保证加工质量并提高经济效益具有重要意义。

当前刀具状态监测方法主要分为直接法和间接法，直接法容易受现场加工条件的影响而难以在实际加工过程中在线应用[1]，间接法则是利用多传感器信号和智能化方法来推断刀具状态，易于在工业环境中实现。其中切削力、振动、声发射、电流等是间接法中广泛使用的传感器信号[2]，而多源信息融合则能够综合各种传感器信号，更鲁棒地反映出刀具的状态[3]，所以本文采用了多源信号在特征层融合的方式。

从多源信号中提取的特征往往维数太高，降低了计算效率，不利于模型理解，而且信息冗余较高。特征选择是实现降维的有效途径之一，从特征全集中选择出有效的子集是间接法刀具状态监测最基本、最重要的任务之一[4]，因为模型学习和状态预测在一定程度上取决于特征子集的选取。

神经网络、支持向量机和隐马尔可夫模型等是间接法中常用的智能化方法[5]，各种过滤式特征选择方法为其提供了有效的输入。……