数控机床作为现代制造生产中的关键技术设备,以其高精密度、高效率的生产特性成为了现代工业之母。因机床故障而引起的停机事件给企业带来了巨大的经济损失,而数控机床机械部件由于诊断困难广泛采用定期维护与更换的维修制度,造成人力与物质资源的极大浪费,因此对数控机床的健康诊断和故障辨识方法研究具有十分重要的意义。本文以数控机床的常见故障部件伺服系统、滚动轴承和变速齿轮箱为研究对象,以现代机器学习理论及方法为基础,针对其故障机理、故障特征提取、故障模式分类以及健康状态评估等方面进行深入地研究,分别开展了基于贝叶斯网络的灰色关联区间三角模糊多属性伺服系统故障诊断方法、基于流形学习的变速箱故障特征提取方法和基于深度卷积神经网络的滚动轴承故障分类方法的研究,并搭建了面向健康状态诊断的数控机床故障辨识系统。论文的主要工作如下:(1)针对数控机床伺服系统故障信息属性权重未知的特点,通过对伺服系统机理分析,提出一种基于贝叶斯网络的灰色关联区间三角模糊多属性故障诊断方法。将主轴伺服系统各故障信息之间多属性层次结构利用贝叶斯网络建立了逻辑关系,为了获得各故障信息的权重值,在传统灰色关联分析理论的基础上,通过构建多目标优化模型,得到故障信息概率矩阵。提出区间三角数模糊多属性问题算法,利用其探明引起数控机床主轴伺服系统故障原因,求解参考序列和比较序列的灰色关联度,以获得区间数表述的灰色关联度并排序。通过仿真试验验证了所提方法的有效性,查找到引起主轴伺服系统故障的主要原因。(2)针对变速齿轮箱非线性耦合的故障特点,应用流形学习算法原理,提出一种应用于变速齿轮箱故障的监督拉普拉斯特征学习算法。该算法通过结合局部邻域信息和类别标签信息的一致性,有效地利用了高维非线性数据集中嵌入的内在几何结构;然后将该算法应用于数控机床变速箱的故障特征提取,提出一种基于流形学习的变速箱故障特征提取新方法。该方法通过直接学习数据提取高维故障数据中的本征流形特征,在很大程度上保留了嵌入在信号中的整体几何结构信息,并利用类别标签信息来指导训练数据的聚类,将复杂模态空间转化为低维特征空间,从而易于实现模式分类和故障诊断。同时进行了变速箱故障试验,对比传统的特征提取方法PCA、LDA以及LaplacianEigenmaps算法,新方法体现了更好的分类能力,明显提高了故障模式识别的分类性能,从而验证了所提方法的可行性和有效性。(3)以数控机床滚动轴承为诊断对象,针对轴承故障振动信号非线性、非平稳、样本大数据等特性,在深度学习理论的基础上,提出一种基于深度卷积神经网络的轴承故障分类方法。该方法通过利用深度卷积神经网络较强的特征学习能力,可从原始振动信号中提取有效特征,对滚动轴承的健康状态进行了模式分类。通过对试验样本集和数控机床滚动轴承故障的试验结果表明,该方法表现了较好的故障分类效果,被证明是一种有效的故障分类方法。(4)建立面向健康状态的数控机床故障辨识系统,搭建了数据采集试验平台,确定了各传感器的型号和各部件测点位置,系统采用cRIO数据采集控制器采集各研究对象的振动信号和噪声信号,利用Labview和Matlab混合编程技术,实现了数据采集、数据分析和时频特征提取,通过运用提出的故障辨识方法对机床主轴伺服系统、变速齿轮箱和滚动轴承的故障试验,诊断结果验证了所提出的系统模型是有效的。