随着中国制造2025和工业化4.0的提出,国家制造产能需求逐渐增大,工艺要求越来越高,对高端数控机床的需求与日俱增,高精度、高可靠性设备的研发、制造和维护对于保证制造业和经济的稳定发展起着极其重要的作用。机床设备由很多复杂的子系统构成,在各类子系统中,电主轴起着关键性的作用。电主轴作为旋转部件,一方面需要保证旋转过程的稳定性,同时也要保证加工过程的可靠性。其运行状况直接关系到机床的加工精度、加工效率和使用寿命,对产线生产效率也起着极其重要的作用。周期性或连续性地观察主轴的运行状况,可以及时发现异常的早期征兆,及时消除隐患,实现设备的预测性维护。因此,为了应对电主轴系统振动异常诊断,提出相应的分析方法和评估方法十分必要。本文从实际动力总成生产线的卧式加工中心电主轴着手,主要通过采集电主轴前端轴承处振动信号,结合振动信号分析方法和深度迁移学习分析方法,来评估电主轴的振动状况。主要相关内容如下:（1）电主轴振动信号采集过程,以及振动信号分析方法的结果对比。主要描述卧式加工中心电主轴前端轴承处传感器布置和振动信号采集方案,并通过采集实际振动信号进行初步分析和对比。首先通过小波降噪,将信号噪声滤除,然后验证小波分析、傅里叶变化、经验模态分解等不同时频处理方法对实际信号分析结果的可行性。（2）基于异常振动信号的实验和相关分析方法研究。针对电主轴实际工作情况下常出现的两类异常:主轴与刀具间夹屑,加工过程的自激振动,设计两类异常的振动信号采集实验,并对相关过程的振动数据分别进行分析,根据振动信号特征生成相应特征图像:谱峭度图和小波时频图,以特征图像区分主轴不同振动状态。（3）基于深度迁移学习的主轴异常振动信号分析。采用深度迁移学习的方法,深度迁移学习模型采用VGG16模型进行微调,对主轴异常状况下振动信号特征图和正常状况下振动信号特征图进行分类识别,分析模型训练结果和准确率,并对两种异常状况均进行分析判断,证明该方法的实际有效性。（4）针对主轴健康与异常的判断,基于目前主流的信号分析方法:支持向量机,通过本文深度迁移学习和支持向量机方法的研究和对比,结合实际机床数据,验证了深度迁移学习的实用性、可靠性和高准确率。