近年来,促进传统产业换代升级的“互联网+”技术受到热烈关注,在此背景下,数字化工厂应运而生。作为一种全新的生产制造组织方式,数字化工厂通过对整个加工制造生命周期数据的采集处理,对生产全过程进行监管、控制、仿真、评估和优化。将计算机仿真、大数据处理、人工智能与现代数字制造技术融合,使其具有数字化、集成化、虚拟化、动态性、分布性、严谨性、协同性、互补性等特性。数字化工厂加强了产品设计和产品制造之间的联系,使工厂的生产效率提高、供给均衡、管理智能。作为制造业产品加工的关键设备,数控机床的数字化及产品加工制造的全流程监控是首先需要关注并重点研究的技术。如何通过数字化工厂获得的大数据分析预测机床的工作状态,进而分析预测产品的质量及改善措施以提高产品的良率,是该领域中数字化工厂智能化的首要需求。本文围绕上述问题,基于某数字化工厂获取的机床数据以及公共数据集,开展了如下研究。（1）基于制造工厂提供的机床加工数据,采集制造加工元件整个生命周期的相关数据进行分析,研究从数据获取数字化工厂的工位生产情况、机床工作效率、机床警报分析等的方法,并通过对电力信号统计分析和刀具、工件移动速度情况分析,实现对数控机床加工状态的实时监测,为工业互联网背景下的数字化工厂提供监控、分析、决策等方面的解决方案。（2）刀具磨损是数控机床加工质量的关键因素。针对高维数据的刀具磨损识别分类问题,提出一种将Lasso特征重要度和超限学习机相结合的算法（Lasso Feature Importance Extreme Learning Machine,LFI-ELM）,从特征重要度的角度出发,使用Lasso特征重要度分析方法,从232个数据特征中选择获得X轴输出功率最小值、主轴加速度误差最大值、主轴输出电压最大值、Y轴位置误差波峰系数、Y轴反馈电流最小值共5个特征,对刀具磨损情况进行有效识别。进一步将LFI-ELM算法应用于刀具磨损识别领域。基于传统超限学习机算法的刀具磨损识别准确率仅为60.87%,而基于LFI-ELM的刀具磨损识别准确率高达97.39%。（3）基于机床加工数据提出了将随机森林算法应用于加工工件质量预测及主轴轨迹预测。从几何误差角度分析加工工件质量,将平面误差向量模长作为评价指标之一。研究了制造的工件质量情况,以此为基础,进一步通过对主轴轨迹预测,实现对加工工件的质量预测,为管理者提供参考方案,便于管理者对数控机床进行及时调整,从而降低废件造成的原料损耗。（4）产品制造中,工件移动速度是一个重要的工艺参数。本文提出了基于皮尔逊加权的k-近邻算法（K-Nearest Neighbor algorithm based on Pearson Correlation Coefficient,PCC-KNN）的工件移动速度预测方法,通过计算电机电力信号与工件移动速度之间的皮尔逊相关系数,并将其作为权重为欧式距离加权,从而改进k-近邻算法。该算法提高了k-近邻算法的性能,RMSE降低了1.6581和0.9256、R2Score提升了0.3285和0.1793。当RM SE与R2Score结论不一致时,综合考虑均方根误差RM SE和决定系数R2Score两种评价方法,提出了混合的评价方法R2S＿-RM SE作为两者综合考虑的评价方法。以R2S＿-RM SE作为评价方法,基于PCC-KNN的工件移动速度预测结果比传统k-近邻算法预测结果提高了0.0972和0.1599。