主轴作为加工中心的核心部件,它的性能对机床整机的加工精度和生产率有决定性的影响。随着对主轴可靠性、寿命和维护费用的要求日益苛刻,工况监控就显得非常重要,周期或连续地观察主轴的运行状态,可以预防非正常磨损、过热和意外损坏等异常情况的发生,及时识别机床主轴的状态、发现故障早期征兆,及时消除故障隐患,实现设备的智能维护。本文主要针对加工中心主轴系统的异常振动进行监测方法的研究,主要研究内容和结果如下:(1)主轴系统异常振动的信号采集与分析方法研究。介绍了主轴状态信号选择原理,分析了振动传感器的选型和优化布置方法,研究了数控系统信号的采集方法,并对主轴状态信号特征提取的信号分析方法进行了研究。(2)基于振动信号的主轴轴承故障诊断方法研究。针对主轴轴承磨损产生的非平稳振动信号,本文提出一种基于S变换结合奇异值分解的特征提取算法和一种基于小波包能量的特征提取算法,并分别通过神经网络、K近邻和多分类SVM模型对数据集进行分类识别,对测试结果进行对比分析,得到了S变换结合多分类支持向量机的优化结果。(3)主轴夹屑和刀具缠屑的异常振动监控方法。针对主轴夹屑和刀具缠屑问题,本文提出了一种基于基频带能量值的特征提取算法,可以对同一刀具条件下的主轴夹屑和缠屑进行检测。同时,针对异常模式分类问题,本文并提出一种基于基频带能量值和小波包特征偏移度的ID3决策树算法,分别基于正常情况、端面夹屑、锥面夹屑和刀具缠屑四种情况建立并训练决策树模型,测试结果显示,该决策树模型的识别速度快,识别准确率较高,可以作为一种优选的检测分类方法。(4)主轴健康状态评估方法。提出了一种基于小波包能量偏移度的主轴健康状态评估方法,并分别通过主轴轴承磨损状态、主轴正常工作状态、主轴夹屑和刀具缠屑状态对该方法进行了试验研究,结果显示该方法能有效诊断主轴磨损等主轴异常状态的发生,而主轴夹屑和刀具粘屑不会对健康状态评估,可应用于加工中心主轴系统的智能维护。