机床是现代机械制造业中最重要的加工设备之一,被称为“工业母机”。而刀具作为机床的“牙齿”,其磨损状态对切削加工的稳定运行、零件加工质量及生产效率具有重要影响。因此,切削过程中对刀具状态进行实时感知,并构建相应的状态监测模型,可以实现刀具磨损在线监测。随着刀具磨损逐渐加剧,通过建立可靠的刀具剩余寿命评估方法,精准预测刀具剩余寿命（Remaining Useful Life,RUL）,保证刀具失效前及时更换,对降本增效、保证加工质量具有重要的工程应用价值。由于刀具磨损的随机性以及磨损机理的复杂性,基于物理模型的预测方法存在建模误差较大,模型预测精度不理想。基于数据驱动的预测方法虽然模型预测精度较高,但预测结果过度依赖于数据质量。针对上述问题,本文建立了物理模型与数据驱动融合的刀具磨损预测模型。首先建立了基于磨粒、粘结和扩散为主要磨损机理的铣刀后刀面磨损模型,并以磨损宽度变化率为评价标准。基于刀具磨损状态监测数据,然后建立了多通道一维卷积神经网络（One Dimensional Convolution Neura l Network,1DCNN）预测模型。最后采用粒子滤波融合算法,将刀具磨损物理模型转化为状态转移方程,数据驱动模型转化为观测方程,进一步构建了刀具磨损的状态空间模型。通过采用融合型刀具磨损预测方法,提升了刀具磨损预测精度。针对采用单一传感器数据在预测刀具剩余寿命时存在数据利用率低、预测精度波动大等问题,本文提出了多传感器融合的刀具剩余寿命预测方法。首先对多传感器信号进行特征提取,基于斯皮尔曼等级相关系数计算特征时间序列的单调性得分,筛选出单调性得分高于所设定阈值的所有特征。然后采用主成分分析（Prineiple Component Analysis,PCA）将筛选的多传感器特征信息进行融合与降维,选择第一主成分并对其进行指数平滑,构建出表征刀具磨损退化的健康指标（Health Indicator,HI）。基于构建的健康指标,最后建立了刀具磨损退化模型,通过采用马尔科夫链蒙特卡洛（Markov Cha1n Monte Carlo,MCMC）采样算法对退化模型参数实时更新,进而迭代预测出各个时刻的刀具剩余寿命。所提方法可以避免基于机器学习方法需要依赖大量全寿命数据离线训练预测模型且模型对新预测任务适应性有限的局限性。最后,通过搭建刀具磨损实验平台,采集全寿命周期的三向切削力信号、三向加速度信号,并对本文所提方法进行验证分析。实验结果表明:与单一预测模型相比,融合型刀具磨损预测模型预测精度更高;采用多传感器融合的刀具剩余寿命预测方法取得了良好的预测精度。