轴承是机床主轴的核心元件之一,其健康状况直接影响主轴的运行状态。主轴轴承一旦突发故障,轻则损坏产品质量,重则打乱生产节奏。因此,实时监测主轴轴承健康状态是实现可靠生产的必要保障。主轴轴承运行工况复杂多变,生产中无法获取全工况下轴承故障数据集,基于特定工况(源域)数据建立的智能诊断模型,在新的待诊断工况(目标域)下难以保证好的诊断效果。深入研究主轴轴承在变工况条件下的有效智能诊断方案,对于实现机床的智能运维与智能制造具有十分重要的实际意义。为解决变工况下主轴轴承的故障诊断问题:设计并开展了主轴轴承故障实验。以某企业常用CNC加工中心为实验平台,获取了变载荷及变转速下的轴承故障数据集,通过对实验数据进行时、频域综合分析,发现信号的幅值范围、有量纲特征同时对工况和轴承健康状态敏感;无量纲特征对工况敏感度低,同时对轴承健康状态区分性不强;信号中转频及其倍频幅值与工况相关性较强。建立了基于卷积神经网络的故障诊断模型。以多层感知机、堆栈自编码器以及循环神经网络作为对比方法,开展多组跨载荷及跨转速诊断实验,验证了基于卷积神经网络的诊断方法的优越性。由实验结果还可知,基于卷积神经网络的智能诊断模型具有较好的载荷泛化性能,但对跨转速的泛化性能随着训练工况数的减少而大幅下降。提出了基于特征对齐卷积神经网络的智能诊断方法。该方法针对不同样本局部特征位置差异导致的模型泛化性能较差的问题,对卷积层和池化层进行了优化设计,配合全局平均池化层实现了样本间的特征对齐。实验表明,所提结构相比常规模型具有更高的诊断准确率,更高的诊断确信度,以及更好的特征鲁棒性,因此提升了工况泛化性能。提出了基于风格迁移策略的跨工况诊断方案。该方案针对单一工况源域下训练的模型泛化性能较差的问题,通过风格迁移生成样本的手段,利用源域故障样本及目标域正常样本生成联合域故障样本,以生成样本辅助智能诊断模型的训练,实现目标域的故障诊断。实验表明,所提方案在源域仅有单一工况的条件下能实现目标域的有效诊断。本文为变工况下主轴轴承的故障诊断提出了多种解决方案,实现了变载荷及变转速条件下的有效智能诊断,并针对目标域故障数据缺乏的问题提出了新的解决思路。