随着工业4.0的飞速发展,数控机床在机械加工中发挥着日益增长的作用。一方面,随着数控机床向精细化、智能化发展,对加工精度的要求愈来愈高。另一方面,随着加工过程进行,机床各关键部位的磨损会造成精度缺失,引起加工误差增大甚至导致部件失效发生安全事故。基于以上背景,亟需对机床设备进行在线状态监测,并对关键部件开发对应方法进行精准健康评估。为了对国产数控机床建立完善设备监测和健康评估系统,本文对数控机床的滚珠丝杠健康状态判别、主轴刀具磨损分析以及轴承剩余寿命预测等进行研究分析,建立了传感数据与设备健康状态之间的非线性映射。本论文主要内容包括如下四个方面:第一,针对滚珠丝杠健康状态判别分析,提出了基于栈式去噪自编码器特征优化的极端梯度提升集群模型方法。对于滚珠丝杠状态监测,采用振动、扭矩、电流信号融合特征提取方式,利用小波包分解提取主要特征,使用栈式去噪自编码器进行特征编码,最终通过极端梯度提升集群模型对编码向量进行状态评估,避免了复杂模型引入对模型泛化带来的困难。第二,对于刀具磨损程度分类,采用了基于元学习的小样本训练方法。针对刀具磨损处于多种工况和样本数量小等问题,设计采用小样本元学习进行基模型训练,利用未知模型在不同任务上的先验快速泛化迁移到任务模型。使用刀具磨损的加速度和切削力数据,基于时域、频域统计特征和短时傅里叶变换时频表示进行特征提取,具有目标任务快速泛化、多工况自适应和良好鲁棒性等特点。第三,对于数控机床上的轴承剩余寿命预测问题,开发了多尺度冻结卷积与激活记忆神经网络模型。本文提出使用原始多通道时域信号,利用分步式模型训练策略进行模型部署。首先,采用自适应多尺度卷积神经网络对原始时域信号进行特征提取。其次,冻结多尺度卷积网络接入卷积堆叠记忆网络进行网络训练;最后,激活全网络进行训练微调。第四,对数控机床监测进行需求分析,搭建了针对数控机床集群的设备监测与健康评估系统平台。利用多传感器系统采集机床各关键部件信号,集成开发了设备监测、数据分析、故障诊断、人工智能判别、系统管理等模块。系统平台基于浏览器服务系统,采用神经网络模型嵌入式开发技术,为数控机床的设备监测和健康评估提供了理论、实验以及系统验证。