1.不同磨损刀具的车削热与多元影响因子的相关性分析方法，其特征在于：包括以下步骤：

S1：基于正交试验方法，设计车削参数，拟定车削试验方案，搭建试验系统，完成不同刀具磨损状态下相同车削参数下的车削试验，在车削试验过程中，同步采集刀尖处温度时域和三向振动时域信号；

S2：通过史蒂芬‑波尔兹曼定律，将温度时域信号转化为热功率密度时域信号，公式为：2

式(1)中，I为车削热功率密度，单位是W/m ；ε为发射率；σ为史蒂芬‑波尔兹曼常数，σ＝‑8 ‑2 ‑4

5.6696×10 W·m ·K ；T为物体辐射单元的表面温度，单位K；Ta为周围环境温度，单位K；

取车削热功率密度均值为车削热特征值，取三向车削振动加速度自功率谱密度最大值为车削振动特征值；

S3：根据车削热特征值、车削振动特征值以及车削参数建立基于单向车削振动特征值预测车削热功率密度均值 的拟合公式，计算不同磨损状态刀具的车削热特征值的预测值值与实测值的相关性。

2.根据权利要求1所述的分析方法，其特征在于，所述步骤S2具体包括：把各时刻实际测量热功率密度均值作为热信号分析的特征值，选择轴向、径向、切向振动加速度自功率谱密度最大值Pmax‑1、Pmax‑2和Pmax‑3作为振动特征值。

3.根据权利要求1所述的分析方法，其特征在于，所述步骤S3具体包括：S3‑1:采用单一变量分析方法，分别分析不同磨损状态刀具的车削参数对车削热功率密度均值的影响；分别分析不同磨损状态的三向车削振动加速度自功率密度最大值对车削热功率密度均值的影响；车削参数包括车削速度、进给速度和车削深度；

S3‑2:建立车削热关于车削振动及车削参数的拟合模型，分析车削振动及车削参数对车削热的影响。

4.根据权利要求3所述的分析方法，其特征在于，所述步骤S3‑1包括：根据试验设定的车削参数及在各次试验中的车削热功率密度均值，计算出不同刀具磨损状态下车削热功率密度均值与车削参数之间的灰色相对关联度，分析何种车削参数对车削热的影响最显著；根据各次试验中的车削热功率密度均值和三向车削振动自功率谱密度最大值，计算出不同磨损状态刀具三向车削振动加速度自功率谱密度最大值和车削热功率密度均值之间的灰色相对关联度，分析车削热功率密度均值和三向车削振动加速度自功率谱密度之间的相关性；

灰色相对关联度的计算公式为：

其中，

其中，γ0i是灰色关联度值，s′0s′i是差序列， 是均值像的始点零化象，i＝0,1,2,

3。

5.根据权利要求3所述的分析方法，其特征在于，所述步骤S3‑2包括：以三向车削振动的某个方向的加速度自功率谱密度最大值Pmax以及三个车削参数为自变量，建立车削热功率密度均值ΔI的拟合模型，分析车削振动及车削参数对车削热的影响：

其中， 为预测的车削热功率密度均值；Pmax为三向车削振动加速度自功率谱密度最大值，单位W/Hz；v为车削速度，单位mm/s；vf为进给速度，单位mm/min；ap为车削速度，单位mm；

C,x,y,z,w为回归系数，i为车削振动的三个方向且i＝1、2、3；

首先对拟合模型两边取对数，然后由最小二乘法原理，建立各次试验中车削热功率密度均值的拟合值和实测值的残差值平方和Π，待优化的回归函数模型应使残差值平方和Π为最小值；

式(7)中，j为试验次数，ΔI为各次试验中实测的车削热功率密度均值；

设置求解粒子群算法的参数，通过粒子群优化算法来求解优化函数的回归系数C,x,y,z,w的值，并将回归系数带回到公式(6)分别得到与轴向振动、径向振动、切向振动对应的拟合车削热功率密度均值，分别为

6.根据权利要求5所述的分析方法，其特征在于，还包括：通过相关性系数R验证建立的预测模型的可靠性，计算公式为：其中，xj为热功率密度实际测量数据序列，yj为热功率密度预测数据序列，一 为热功率密度实际测量数据序列的平均值， 为热功率密度预测数据序列的平均值，n为试验次数，j表示第j次试验。