1.一种基于图像特征和LLTSA算法的刀具磨损状态监测方法，其特征是，包括以下步骤：第一步，将声发射传感器通过磁力座安装在车床刀架上，利用声发射传感器采集刀具不同磨损状态切削过程中的声发射信号；

第二步，采用EEMD算法对采集的声发射信号进行降噪处理，将信号分解为不同个数IMF分量，结合互相关系数与峭度组成的联合准侧筛选有效的IMF分量，重构信号获得降噪信号；

第三步，采用S变换对降噪后信号进行时频分析，通过时频图分析刀具磨损过程中信号频率及能量变化，将S变换时频图像转换为等高线灰度图，通过灰度共生矩阵算法提取图像纹理特征，构建原始特征向量；

第四步，进行敏感特征选择及优化，采用基于散布矩阵评估方法选择出对刀具磨损状态变化敏感的特征，再通过LLTSA算法将筛选的敏感特征进行融合降维，获得能与刀具磨损状态建立良好映射关系的融合特征向量；

第五步，特征向量标量化，利用Lloyds算法对融合特征向量进行标量化处理，获得标量量化后的特征序列；

第六步，利用第三步至第五步处理后获得的不同磨损状态样本的特征序列分别构建初期磨损状态离散隐马尔可夫模型、中期磨损状态离散隐马尔可夫模型、后期磨损状态离散隐马尔可夫模型，构建一个刀具磨损状态模型库；

第七步，将采集的监测数据经过第一步至第五步处理后获得的特征序列输入到刀具磨损状态模型库中，输出三个对数似然概率，分别记为P(O|λ1)、P(O|λ2)和P(O|λ3)，比较三个对数似然概率值大小，其中最大的对数似然概率对应的状态即为当前刀具的磨损状态；当刀具磨损状态为后期磨损状态时，需要及时更换刀具。

2.根据权利要求1所述的一种基于图像特征和LLTSA算法的刀具磨损状态监测方法，其特征是，所述的第二步，采用EEMD算法对采集的声发射信号进行降噪处理的具体步骤如下：

1)对刀具切削过程中采集的声发射信号进行EEMD分解，将原始信号S(t)分解为若干个IMF分量，式中，rn(t)为残余函数，代表信号的平均趋势，而各个IMF分量为c1(t)、c2(t)…cn(t)；

2)计算每个IMF分量与原始信号S(t)的互相关系数，互相关系数定义为：式中：cov(X,Y)为两信号的协方差，D(X)和D(Y)为信号X和信号Y的方差；

3)计算每个IMF分量的峭度，定义为：

式中：μ是信号X的均值；σ是信号X的标准差；

4)将互相关系数与峭度分别归一化处理，组合为联合准则，通过联合准则筛选有效的IMF分量，联合指标定义为：Z＝K′+ρ′

式中：K′为归一化之后的峭度，ρ′为归一化以后的互相关系数；

5)利用筛选的有效IMF分量重构信号，获得降噪信号y(t)。

3.根据权利要求1所述的一种基于图像特征和LLTSA算法的刀具磨损状态监测方法，其特征是，所述的第三步,采用S变换对降噪后信号进行时频分析的具体步骤如下：

1)采用S变换对降噪信号y(t)进行时频分析，获得时频图，通过时频图分析不同磨损状态时信号中频率及能量的变化，其S变换定义为：式中：w(t-τ,f)为高斯窗函数， 为必须满足的条件，f是频率，τ是高斯窗函数的中心点；

2)将S变换时频图转换为等高线灰度图，分析其纹理变化；

3)采用灰度共生矩阵算法计算图像0°方向的灰度共生矩阵，分别提取对比度t1、相关t2、能量t3、逆差距t4、熵t5等5个纹理特征；

4)重复以上1)～3)完成图像其余角度，分别为45°,90°,135°灰度共生矩阵计算，依次获 得特 征 向 量 ，然 后 组 合 全 部特 征 构 成 一个 2 0 维的 原始 特 征 序 列

4.根据权利要求1所述的一种基于图像特征和LLTSA算法的刀具磨损状态监测方法，其特征是，所述的第四步,进行敏感特征选择及优化的具体步骤如下：

1)计算同一磨损状态下相同特征多样本间的类内散布矩阵：式中，代表第j类的第i个数据特征值，μi表示第i类特征值均值；

2)计算不同磨损状态下相同特征多样本间的类间散布矩阵：式中，μo是总体样本的全局均值向量；

3)计算特征敏感度

式中，tr{SB}为SB的迹，反映所有类的特征方差的平均测度，tr{SW}为Sw的迹，表征每一类的均值与全局均值之间平均距离的一种测度；

4)计算原始特征向量中每维特征的特征敏感度 将特征敏感度的均值作为阈值；

5)筛选出 的特征，构建刀具磨损状态的敏感特征向量T′；

6)采用LLTSA算法将敏感特征向量进一步优化，获得维数更低、冗余信息更少的融合特征向量T″,LLTSA算法的主要思想是寻找一个转换矩阵A将Rm空间中具有N个点的含噪数据集X＝[x1,x2,…,xN]映射为Rd空间的数据集Y＝[y1,y2,…,yN]即：Y＝ATXHN，d＜m

式中，HN＝I-eeT/N表示中心矩阵，I为单位矩阵，e是所有元素均为1的一个n维列向量，Y为X潜在的d维非线性流形。