在切削加工过程中,刀具的磨损会影响到工件表面质量,因此有必要对刀具的磨损做出实时的监测。对刀具磨损的监测通常通过采集切削过程中产生的信号,从中提取特征,然后建立起特征与刀具磨损量之间的数学模型。建模通常有人工智能方法和数理统计方法。但是人工智能方法的训练通常需要大量样本,且算法复杂。而对于常用的线性回归方法来说,由于信号特征或刀具磨损量的不平稳性,容易导致虚假回归产生,从而使得预测结果不准确。本文将协整理论用于刀具磨损监测中,建立起了信号特征与刀具磨损量之间的协整模型,实现刀具磨损量的预测。首先阐述了协整建模的理论方法与建模过程,并通过实例分析比较了协整模型和多元线性回归模型之间的区别。为验证协整建模的有效性,本文进行了TC4钛合金切削实验,对切削过程中的切削力、振动信号和声发射信号进行了分析,从中提取出了与刀具磨损量相关的特征用于刀具磨损的预测。最后,运用协整建模方法建立起了信号特征与刀具磨损量之间的协整模型,这其中包括单位根检验和Johansen检验等过程。通过与线性回归模型的对比发现,所建协整预测模型能够识别虚假回归的产生,因此预测结果更加准确。另外,本文同样运用了两种人工智能方法-广义回归神经网络和小波神经网络建立了刀具磨损预测模型,发现也能得到比较准确的预测结果,但是对建模样本分布范围之外的样本的预测能力要弱于协整预测模型。理论分析及实验验证表明,协整预测模型具有预测速度快、结果准确和采集建模样本过程快等特点,能够实现刀具磨损的实时预测,这对提高加工效率和表面质量具有重要的意义。