机床状态监测可以保证加工过程的稳定性和安全性,传统机床状态监测中单一传感器容易受到机床设备的复杂性和运行环境的不稳定性影响,获取的信息通常会伴随着不确定性和不精确性,甚至使系统出现错误判断。采用多传感器融合技术对机床状态进行监测可以有效解决该问题,但是如何对这些数据进行有效融合就成为了机床状态监测研究中的关键。数据融合技术中的D-S证据理论在不确定性信息的表示和推理方面有优越的能力,因此本文在分析数据融合的基本原理以及典型数据融合算法的基础上,针对机床中数据存在的问题,重点研究了D-S证据理论在不确定数据和冲突数据融合处理中的问题。本文针对D-S证据理论的不确定性和冲突问题提出两种改进方法,并采用高斯隶属度函数作为机床状态监测中的基本概率分配函数。第一种是针对不确定性数据的改进。通过引进Z-number和模糊层次分析法的概念,从D-S证据理论的角度使用Z-number模型结合信息的约束和可靠性,采用层次分析法思想来将该模型转为经典模糊数,再用融合规则融合处理后的Z-number得到结果,合理地建模和处理了传感器数据融合中的不确定性。仿真实验表明,该方法能得到更准确的结果,能合理的表示出证据中的不确定性,使结果更有效。第二种方法是针对冲突数据的改进。首先为了减少多个传感器数据收集过程中的干扰,引入了分批估计获得传感器可信度,并对获得的证据进行第一次修正;其次通过计算证据体偏离度来获得证据的修正系数,并对获得的证据进行第二次修正;最后利用D-S证据理论对修正后的证据进行融合,完成决策和信息处理过程,对数据的仿真表明所提出的算法可以合理融合冲突数据,减少异常数据对融合结果的影响,同时也能避免0悖论问题,具有良好的鲁棒性。最后在机床状态监测中分别对两种新算法进行了效果的检测,通过结果可知,两种改进算法均能获得准确的融合结果,得到与实际相同的机床工作状态,同时可以提高状态监测的准确率和鲁棒性,并能有效解决证据的不确定性、冲突问题。