1.一种基于多特征融合的刀具磨损状态辨识方法，其特征在于，包括以下步骤：

(1)在数控机床工作台夹具及工件上安装测力仪和加速度传感器；

(2)用刀具对工件进行铣削加工操作，获取刀具铣削加工过程中的切削力信号、振动加速度信号，获取四种刀具磨损状态，即：磨损初期、稳定磨损期、急剧磨损期、刀具失效期；

(3)利用聚合经验模态分解(EEMD)对所采集的切削力信号和振动加速度信号来进行分解，获得分解后的信号；采用相关系数法确定各固有模态函数(IMF)与原信号的相关系数，根据相关系数的大小作为后续特征提取的信号的依据；

(4)对特征提取结果进行分析，确定切削力和振动信号的时域特征、频域特征、近似熵、模糊熵和样本熵特征与刀具的磨损情况之间的关系，根据分析所得的结果以及切削力和振动信号的时域特征、频域特征、近似熵、模糊熵和样本熵特征的特征量，构造初始联合多特征向量；

(5)利用奇异值分解(SVD)对切削力信号和振动加速度信号联合多特征向量进行优化，剔除联合多特征向量中的冗余特征和不相关特征；

(6)以优化后的特征集作为输入，采用基于遗传算法优化的最小二乘支持向量机(LS-SVM)刀具磨损状态辨识模型进行辨识，将所述刀具磨损状态进行输出。

2.如权利要求1所述的一种基于多特征融合的刀具磨损状态辨识方法，其特征在于：步骤(2)中，选择与原信号的相关系数大于0.1的固有模态函数作为后续特征提取的信号。

3.如权利要求1所述的一种基于多特征融合的刀具磨损状态辨识方法，其特征在于：步骤(5)中，根据降维后重构的新向量的贡献度，选择前十个主元作为新的特征向量来表征刀具磨损状态。

4.如权利要求1所述的一种基于多特征融合的刀具磨损状态辨识方法，其特征在于：在步骤(6)中，将降维重构的样本集划分为训练集和测试集；将训练集作为输入，将刀具的磨损状态作为输出，使用基于遗传算法优化的最小二乘支持向量机的刀具状态识别模型进行辨识。

5.如权利要求4所述的一种基于多特征融合的刀具磨损状态辨识方法，其特征在于：在步骤(6)中，采用RBF核函数建立基于最小二乘支持向量机的刀具状态识别模型，该核函数需确定惩罚因子c和核参数g两个参数，通过遗传算法进行优化。

(1)对RBF核函数的惩罚系数c和核参数g进行编码，并产生初始种群；

(2)运用训练样本集对LS-SVM分类模型进行训练，并用测试样本测试以得到分类结果，计算分类准确率即客观反映个体适应度，得到相应的适应度函数；

(3)进行停止条件判断，若满足则停止计算，得到优化后的最优惩罚系数c和核参数g若不满足，则继续执行遗传操作并进行下一代遗传。