生产过程的自动化和智能化已成为制造业的发展趋势,数控铣床凭借其高自动化、高稳定性、高精度和柔性化等优点,已成为自动化生产中的重要部件。刀具作为数控铣床实施铣削操作的最终端部件,是铣削加工成功的关键因素之一,也是最易损伤和浪费最严重的部件,对其进行及时有效的状态识别与监测尤为重要。然而,铣削刀具状态监测(Tool condition monitoring,TCM)呈现的样本量有限、信噪比低、时变性强等特征,使得传统状态监测方法大打折扣。因此,如何提高刀具状态的识别精度及其剩余有效寿命的预测精度,及时有效地监测刀具运行状态,已成为铣削加工智能化发展亟待解决的问题,也是当前智能加工技术的主要方向之一。本研究以立铣刀为研究对象,围绕铣削过程刀具状态监测与剩余有效寿命预测问题,结合机器学习、智能计算和随机过程理论,对监测模型、特征选择方法、剩余有效寿命预测等方面进行了深入研究,旨在为铣削过程的刀具状态监测提供更有效的方法。为提高铣削过程TCM的准确性,结合核极限学习机学习速度快和层次角度核函数能够模拟大型神经网络计算向量相似度的优点,提出了一种两层角度核极限学习机算法。该算法克服了核极限学习机在复杂非线性高维数据特征学习上的欠缺,避免了核函数及其核参数的选取与设定问题。在若干分类和回归问题基准数据集上的测试表明,该算法在不明显影响学习速度下能有效提高学习性能。提出了基于两层角度核极限学习机的铣削TCM模型,在两个铣削TCM基准数据集和一个单传感TCM实验的应用研究,证实了该模型在有限样本TCM情形下的可行性和有效性。为进一步提升TCM识别精度,提出了基于盲源分离技术和两层角度核极限学习机的刀具状态监测方法,引入稳态子空间分析方法对原始信号进行盲源分离,再利用两层角度核极限学习机对刀具状态进行识别,TCM基准数据集和TCM实验分析表明,该方法可以显著提升TCM的识别精度。为克服大多数特征参数选择方法侧重于局部依赖性的不足,提出了基于全局诊断误差和改进差分进化算法的TCM特征选择方法。该方法首先构建基于时域、频域、时频域等多域特征参数候选集,建立以最小化全局诊断误差和特征参数数量为目标的两目标优化模型,并将其转化为单目标无约束优化组合问题,进而采用差分进化算法进行寻优。为加快优化算法的收敛速度,对差分进化算法加以改进,充分利用历代种群个体的解信息,迭代更新特征参数对目标函数的取值特性,并按照一定比例优化种群个体,从而减少算法迭代次数。TCM基准数据测试和多传感立铣刀状态监测实验分析证明,该方法能实现在减少传感器数量的同时获得刀具状态的高精度识别。针对有限样本下刀具剩余有效寿命预测精度不足的问题,结合随机过程理论,提出了基于逆高斯过程的刀具剩余有效寿命预测方法。根据实验数据规律,对逆高斯过程的形状函数加以改进,假设刀具磨损单位增量服从基于当前磨损状态的逆高斯过程,采用极大似然估计法对改进逆高斯过程模型进行参数估计,进而采用切片采样技术快速有效地生成改进逆高斯过程随机数,基于随机数的概率分布对刀具剩余有效寿命进行预测。对TCM基准数据集和多传感立铣刀状态监测实验的分析表明,该方法能获得有效的刀具剩余有效寿命预测值和95%置信区间。开发了基于DSP的便携式TCM原型系统,可较准确地监测立铣刀的运行状态,有效地预测立铣刀剩余有效寿命,为提高刀具有效利用率、降低加工成本提供必要的信息化支撑。