在机械制造领域,刀具是众多研究者着重研究的对象。在加工过程中,刀具磨损的状态会对工件质量产生较大的影响。刀具磨损严重的情况下,会直接影响加工设备的正常运行。过早的更换刀具,会导致加工成本的上升;未及时更换刀具,将导致工件加工质量不合格,甚至会对加工设备造成损坏。因此对于整个制造业而言,对刀具磨损监测的研究是非常有必要的。通过分析铣刀磨损特点以及刀具磨损与传感器信号之间的关系,将刀具的磨损状态划分为三个阶段并确定了所需要采集的信号。针对加工过程中传感器原始数据无法直接反映刀具磨损状态变化的问题,采用信号处理技术对原始信号进行预处理。去除切削过程中进刀和退刀时所采集的无效信号,同时利用滤波法剔除原始信号中的奇异点。在时域中,每种信号分别提取13种特征;在频域中,每种信号分别提取10种特征;在时频域中,每种信号分别提取了小波包能量熵。针对数据维度高和数据矩阵复杂问题。将逻辑回归、分类与回归树、线性回归、线性判别分析四种算法作为递归特征消除算法的基模型。通过基于交叉验证的递归特征消除来确定所选特征的最佳数量。利用不同基模型的递归特征消除对提取的特征进行排名。通过所得到的最佳特征数量和特征排名,最终得出四组最佳特征集。利用四组最佳特征集分别用于K近邻、支持向量回归和极端随机树算法模型的训练。通过十折交叉验证和验证集对算法模型进行验证。对比分析得出,基模型为分类与回归树的递归特征消除算法与极端随机树算法相结合,能够有效的对刀具磨损量进行监测。基于Python和LabView开发出复杂刀具状态信息监控平台。该平台分为基本信息、状态检测、数据处理和刀具过程管理四大模块,能够实现机床、操作人员、材料和刀具基本信息的写入和查询,同时能够实时在线采集数据、预警和后期离线状态下对数据进行处理等功能。