1.一种数控机床刀具剩余寿命预测方法，其特征在于：利用状态监控、数据去噪、特征提取和多核加权最小二乘支持向量机的方法建立刀具剩余寿命预测模型，并将该问题的预测对象细化为铣削工具这一数控机床CNC核心生产要素，包括以下步骤：S1：收集PLC控制器信号和外置传感器信号，监测加工过程中的工况信息和传感器数据，传感器数据主要为电流信号和三个方向即x轴、y轴以及z轴的振动信号，以实现刀具磨损在线监测与寿命预测为目标；

S2：接收原始信号数据并进行预处理；

S3：对步骤S2所得到得信号进行时域特征提取；

S4：对步骤S3所提取得时域特征利用主元分析PCA的T2特征图得到对应的数据矩阵；

S5：对步骤S4所得到的数据矩阵提取该特征向量的每一时间段的中值，和每一时间段范围的变化值，以及他们各自的一阶差分值；

S6：将步骤S5所得到的矩阵特征向量作为多核加权最小二乘支持向量机的输入，得到相应的剩余寿命值。

2.根据权利要求1所述的数控机床刀具剩余寿命预测方法，其特征在于：步骤S2中采用小波分析方法对传感器采集的振动信号和电流信号进行阈值去噪后进行时域特征的提取。

3.根据权利要求1所述的数控机床刀具剩余寿命预测方法，其特征在于：步骤S3中关于利用主元分析PCA的统计量T2进行特征提取，提取的步骤如下：S31：去平均值，即每一位特征减去各自的平均值；

S32：计算协方差矩阵；

S33：通过奇异值分解方法计算协方差矩阵的特征值与特征向量；

S34：对特征值从大到小排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵；

S35：将数据转换到k个特征向量构建的新空间中；

S36：计算Hotelling T2统计量，T2统计量定义为：Ti2＝xiλ-1xiT

式中，xi为SVD分解后得到矩阵的第i行，λ为前k个特征值构成的对角阵。

4.根据权利要求1所述的数控机床刀具剩余寿命预测方法，其特征在于：步骤S6中的状态识别模型采用多核加权最小二乘支持向量机的实现，单核加权最小二乘支持向量机执行步骤如下：S61：求解LSSVM模型的优化问题，得出Lagrange乘子序列和误差ei；

S62：将误差序列进行高斯分布化，即在每一个ei前乘上一个权重vi，vi的公式如下：其中 IQR是将误差ei序列从小到大排列，第三四分位与第一四分位数值的差。c1和c2的值分别为2.5和3；

S63：求解W-LSSVM模型，构造如下泛函极小化方程其中，e为误差变量，γ为出正则化参数；由此得到Lagrange函数为：根据Karush-Kuhn-Tucker条件，求得如下方程组：其中：I＝[1,1,....,1]T， α＝[α1，α2，....,αm]T；

S64：通过删除Lagrange乘子较小的样本点实现模型的稀疏化，最后单核W-LSSVM的回归模型输出为：

5.根据权利要求4所述的数控机床刀具剩余寿命预测方法，其特征在于：多核函数的构造为：K＝λ1KL+λ2KR+λ3KP

式中，λ为各核的权重，KL，KR，KP分别为线性核、RBF核和多项式核。