立式加工中心的故障可以分为数控系统故障、电气控制系统故障和机械系统故障三类。其中,数控系统故障和电气控制系统故障可通过数控系统自带的诊断功能实现故障诊断,继而为设备运维人员提供维修建议。但是针对故障发生率最高的机械系统故障,却没有行之有效的方法进行评估诊断。目前,企业在面对这类型的故障维修时,主要采用“事后维修”和“定期维修”式的维修策略。这两种维修方式的针对性差、效率低,时常还存在“维修过剩”和“维修不足”等问题。为提升立式加工中心的维修保障能力,本文以哈斯VF-2型立式加工中心的主传动系统和进给轴传动系统为对象,研究了面向显性故障和隐性故障的自主维修方法,并构建了自主维修决策支持系统。针对自主维修决策支持系统中的信息采集、数据处理、故障诊断和健康评估建模等关键技术展开了深入的研究,主要研究工作如下:首先,根据立式加工中心机械传动系统的故障类型和故障产生机理,分别拟定了面向显性故障和隐性故障的自主维修方法;以主传动系统和进给轴传动系统为监测对象,构建了以离线模型训练端和在线评估诊断端相协同的自主维修决策支持系统。其次,针对机械传动系统中各个物理源辐射出的多源信息,使用振动、温度和电流传感器,基于LabVIEW平台,实现了多源异构信号的采集;结合深度学习算法的特点,确立了涵盖数据去噪、数据规范化和数据集增强处理的数据处理过程。然后,针对一维卷积神经网络算法在故障诊断和健康评估领域中所存在的问题,提出了基于多尺度卷积架构的卷积神经网络算法,解决了卷积神经网络在提取机械传动系统中的多尺度频率带特征时缺乏自适应性的问题;基于多尺度卷积架构,构建了故障诊断模型和健康评估模型。最后,以VF-2型立式加工中心的X轴传动系统为试验对象,分别进行了面向显性故障和隐性故障的自主维修试验。试验以多源异构数据为驱动,基于TensorFlow深度学习框架,进行了故障诊断模型和健康评估模型的离线训练评价与在线诊断评估,验证了本文所提方法的有效性。综上,本论文所提出的自主维修方法及其策略解决了立式加工中心维修过程中的“怎样维修”和“何时维修”的问题。变被动维修为主动维修,有效地提高了维修效率。