转动轴对中检测做为工业生产中大型机械设备精密检测的重要一部分,其传统的检测方法检测速度较慢、检测精度不高、对检测人员的检测水平要求严格;而新型的激光检测法又有着高昂的价格,这些都制约着工业生产中轴对中检测的工业成本。随着我国向工业强国迈进,提高转动轴对中检测的精准度和速度、降低测试人员的使用门槛成为了提升工业水平的重要一环,也是展示我国工业水准的重要标准。基于以上背景,结合工业自动化生产要求,本文提出了一种基于漏磁技术建立轴对中位置模型,利用机器学习算法进行轴对中预测的方法,以此提高对中检测的速度与精确度,并设计轴对中位置检测系统提高了自动化程度。本文的研究内容包括以下几个方面:（1）研究漏磁检测技术产生的缺陷漏磁场特征,分析适用于轴对中检测的缺陷漏磁场模型,对不同实验条件下漏磁场中的磁感应强度变化特征进行总结分析,重点研究了“台阶型”缺陷漏磁场的波形变化,并分析了将“台阶型”缺陷漏磁场应用在轴对中位置检测模型的可行性。（2）设计并实现了漏磁技术下的轴对中位置检测实验设备,通过磁化技术对转动轴进行磁化,利用霍尔磁传感器收集对中临界处各个方向的漏磁场信息,形成数据集。（3）研究并对比几种常见的机器学习算法的核心原理,着重介绍了随机森林算法、XGBoost算法、Light GBM算法、Cat Boost算法的建模过程以及模型优点。在进行数据集的清洗后,利用机器算法模型进行训练,通过调整算法参数使模型呈现出更好的精准度。通过实验表明,Light GBM算法在进行转动轴对中判断时有着最好的准确度,而XGBoost算法在进行偏移角度和偏移量预测时展现出来最小的误差（4）设计并实现轴对中位置检测系统,包括硬件模块和软件模块。硬件模块进行数据收集,软件模块实现数据的预测与管理,使整个轴对中位置判断的过程更加自动化。基于以上研究成果实现了基于漏磁检测技术的轴对中位置检测模型,并设计了轴对中位置检测系统实现了工业应用,结果表明该模型的构建和系统的使用有一定的可行性和应用价值。