数控机床是装备制造业的工作母机，是国家综合国力的象征，其可靠性已成为制约行业发展的瓶颈。数控机床可靠性建模是可靠性工程的基础，主要对数控机床可靠性建模方法和技术的研究进展进行综合评述。可靠性建模方法主要分为基于故障时间数据的可靠性建模方法、基于多源层次信息集的可靠性建模方法、基于性能退化数据的可靠性建模方法、基于动态特性参数的工艺可靠性建模方法四种，分析了各类可靠性建模方法的研究历程和技术进展。在数控机床可靠性建模方法取得明显进展的基础上，指出现有可靠性建模方法存在的不足，然后对数控机床可靠性建模方法研究的动态和热点进行论述。最后，从可靠性建模方法的发展规律、技术应用以及行业需求的角度对数控机床可靠性建模方法和技术的发展趋势进行展望。

机电装备的维修、保养直接影响其综合利用效率和使用寿命，健康状态评估是制定装备维护策略、管理维修资源的重要依据，是实现装备预测性维护、故障预测和健康管理的前提。传统的机电装备健康状态评估方法存在过分依赖专家经验、无法处理大规模数据、准确度低等缺点，难以满足现代机电装备健康管理技术的需求。本文在梳理、分析国内外机电装备健康状态评估最新研究成果的基础上，从信号获取、特征提取、健康状态等级划分和健康状态评估四个关键环节，综述了机电装备健康状态评估方法的研究进展和发展动态，指出了机电装备健康状态评估相关技术面临的挑战及解决途径。

针对刀库故障模式多样、故障原因不明的问题，基于刀库故障树分析，建立了盘式刀库系统贝叶斯网络，并利用一批故障数据求解网络节点的先验概率与条件概率。由贝叶斯网络节点重要度分析发现，刀盘电机、刀臂定位键及刀臂本体为盘式刀库的可靠性薄弱环节。此外，由贝叶斯父节点后验故障概率分析发现，换刀组件、储刀组件故障是造成刀库掉刀的主要原因，若发生掉刀应优先检修刀臂及刀盘电机。

针对变工况环境下采集到的滚动轴承振动数据特征分布不一致及待诊断样本标签较难获取的问题，提出了一种子领域自适应的深度迁移学习故障诊断方法。首先，为充分利用卷积神经网络图像特征提取能力，将滚动轴承振动信号采用连续小波变换生成图像数据集；其次，源域与目标域通用特征提取采用改进图像集预训练的ResNet-50网络结构，子领域自适应度量引入局部最大均值差异（LMMD）准则，该度量准则通过计算目标域伪标签以匹配条件分布距离来进行子领域自适应，从而减小不同工况下的子类故障特征分布差异，提高模型诊断精度；最后，在两个公开变工况滚动轴承故障数据集上进行试验验证，结果表明，本文方法平均识别准确率为99%左右，并将其与不同诊断方法进行了对比分析，说明了本文方法的有效性与优越性。

针对滚动轴承在噪声环境条件下故障诊断模型准确率较低和性能不稳定的问题，本文提出了一种稳定抗噪声故障诊断神经网络（SAFDNN）模型。该模型采用原始振动数据信号作为输入，首先使用卷积神经网络（CNN）进行数据信号特征提取，然后利用双向长短期记忆（BiLSTM）充分提取数据信号的序列特征，接着添加注意力机制进行特征融合以自动关注每种数据信号的相关信息，提高模型的诊断性能，最后通过全连接层和Softmax层进行特征分类。实验结果表明，SAFDNN在添加不同信噪比大小的额外噪声条件下能够保持较高的故障识别准确率和较好的诊断效果稳定性。

针对传统故障诊断模型参数多，训练、检测时间长，抗噪性差，不适用于在线实时诊断的问题，提出了基于残差连接和一维可分离卷积（1D-RSCNN）的滚动轴承故障诊断方法，构建了由Jetson Nano和信号采集电路组成的嵌入式系统。利用一维可分离卷积和全局平均池化对模型尺寸进行压缩，改善传统卷积的运算效率；通过宽卷积核，残差网络中引入Dropout提高对噪声的容忍度。试验结果表明，该方法诊断准确率高达99.92%，与其他模型相比，诊断精度高，实时性好，抗干扰能力强，适用于电机轴承故障的实时检测。

针对滚动轴承多故障诊断中特征提取困难和分类准确性低的问题，从有效特征提取和故障分类准确性两方面出发，将变分模态分解（VMD）和极限学习机（ELM）方法结合，提出了一种自适应滚动轴承多故障诊断方法。针对VMD参数需人为事先设定导致信号分解效果差的情况，提出了灰狼算法（GWO）优化VMD实现自适应地获取最佳分解参数k和α。进一步，为了克服单个ELM模型分类精度不高和分类结果不稳定的问题，提出集成极限学习机（IELM）实现多故障的分类和识别，提高故障分类的准确性和稳定性。首先，采用GWO优化VMD，自适应地获取最佳分解参数；其次，选择并提取模态信号的时频特征向量；最后，将特征向量输入到IELM中进行训练和分类。实验表明：本文方法可以自适应地分解信号并产生最佳分解效果，实现滚动轴承故障的准确早期预警和识别。

针对数控刀架故障数据少、难获取，且运行数据随工况变化致使故障诊断困难的问题，提出了一种基于非故障数据并考虑工况变化的运行状态异常检测方法。该方法通过多元高斯分布模型和考虑工况变化的偏差特征建模，确定刀架运行状态异常数据的评判依据。首先，通过统计分析找到刀架在不同工作过程中的关键工况与信号特征；其次，分别选择线性回归、信息增益判别、广义回归神经网络方法建立工况与信号特征的关系模型，得到观测信号特征与给定信号特征之间的偏差；最后，采用刀架正常状态时的数据训练模型。通过大量工况变化实验与异常模拟实验，并与传统多元高斯分布模型比较，得出本文所提模型能排除工况变化的影响，并能更好地识别异常状态。

针对传统数控机床故障模式及影响分析（FMEA）中存在专家权重与风险因子权重分配不合理以及风险系数（RPN）计算模型不够稳健的问题，提出一种基于多属性群决策的改进FMEA方法。首先，引入区间数表征机床故障模式风险因子；其次，考虑专家的主、客观权重，根据一致性原则，计算专家综合权重，并利用加权平均算子（WAA）确定故障模式综合评价矩阵；再次，采用区间数熵值法确定风险因子权重，利用改进风险优先数（IRPN）计算模型得到故障模式风险值；最后，结合区间数距离测度，采用最优最劣区间数改进的逼近理想解排序方法（TOPSIS）对故障模式进行风险排序。以某型加工中心为例进行方法应用，验证了方法的合理性和有效性。

针对传统失效模式和影响分析（FMEA）中存在的问题，提出了一种基于区间三角模糊数与灰色关联分析法的改进FMEA方法，并将其应用到加工中心主轴系统的风险分析中。首先，利用区间三角模糊数对失效模式进行评价；其次，利用模糊层次分析法计算风险因子权重值；最后，利用灰色关联分析法对失效模式排序。实例结果表明：FM2（漏油）是风险优先度最高的失效模式。与其他两种方案相比，本文方法能更加合理地对失效模式进行排序。

为提高滚珠丝杠副的定位精度，提出了一种复合载荷作用下考虑滚珠几何误差的双螺母滚珠丝杠副载荷分布模型，分析了在不同轴向载荷和径向载荷复合作用下所有滚珠接触载荷分布状况，在此基础上分析了滚珠几何误差对滚珠动静态接触载荷分布的影响。仿真分析结果表明：本文提出的载荷分布模型对提高滚珠丝杠副的位置精度预测及其定位误差补偿有较好的参考意义。

为得到加速退化试验优化设计中兼顾多个优化目标的相对最优试验配置，提出一种恒定应力加速退化试验多目标优化设计方法。基于Gamma过程建立了加速退化模型，通过极大似然估计方法求解未知参数。综合考虑模型拟合精度及寿命估计精度构建了多目标优化模型，通过NSGA-II对模型进行求解，建立兼顾多个优化目标的Pareto前沿集。以单目标优化目标函数值为基准，计算Pareto前沿集中的各目标函数相对比重。在此基础上，采用层次分析法对拟进行的加速退化试验进行专家决策，得出各目标函数的权重。以目标函数相对比重与目标函数权重误差最小为评价标准，选出Pareto前沿集中的相对最优试验配置。最后，以碳膜电阻的加速退化试验数据为实例验证了本文方法的有效性。

为充分利用信号的时序相关性特征，增强模型对数据信息的全面挖掘能力，以进一步提高卷积神经网络（CNN）诊断精度，本文将CNN与善于处理数据时序相关性特征的门控循环单元（GRU）相结合，提出了一种新的齿轮箱故障诊断模型。CNN通过端对端的方式提取数据空间特征，并将提取的特征作为GRU的输入进一步提取时空特征，最后将GRU提取的时空特征作为SoftMax的输入进行故障识别。两组齿轮箱实验数据分析结果显示：平均故障诊断精度分别可达99.86%和99.85%，与其它现有模型的结果对比体现了本文模型的有效性和优越性。

在考虑刀具误差和本身尺寸误差导致加工后零件尺寸精度预测不符合实际使用要求情况的基础上，提出了一种耦合模糊区间和模糊权重的隶属函数模型，该模型考虑了加工过程中各种影响因素占比非固定的情况，还动态表征了多种影响因素在加工过程的贡献变化情况。此外，实际零件加工尺寸的大小多为模糊值，本文将零件尺寸视为一种可能性分布并结合模糊隶属函数构造了新的可靠性预测模型。将预测值与实验数据对比后发现，加工精度可靠性分析的准确度得到显著提升。

以几何误差为研究对象，基于多体系统理论，建立了数控机床综合误差模型；运用向量投影响应面法，建立了加工精度可靠度模型和可靠性敏感度模型，以评估加工精度可靠度并获取几何误差分布参数对可靠度的影响排序，实现几何误差参数的合理优化和可靠度的整体提升。最后，通过案例分析验证了该方法的正确性。

提出了一种基于粒子群-支持向量机（PSO-SVM）及时序环节的数控刀架故障诊断方法。首先，将数控刀架划分为5个子系统，并将一个工作周期划分为4个时序环节（T1、T2、T3、T4）；其次，探索了数控刀架不同时序环节振动、电机电流、油压以及接近开关等信号的特征提取方法；最后，提出了基于PSO-SVM的数控刀架故障诊断方法，并开展了不同时序环节的数控刀架故障试验。根据故障数据对支持向量机（SVM）和PSO-SVM两种故障诊断方法进行了对比验证。结果表明：时序环节T2、T3和T4的故障诊断准确率分别提高了28%、23%和5%，验证了该故障诊断方法的有效性。本文方法不仅适用于数控刀架，还为其他复杂机电系统的故障诊断研究提供了一个新思路。

针对现有数控机床故障模式影响及危害分析（FMECA）中分析因素少、未考虑因素间相互影响、各因素权重相同等问题，将网络层次分析法（ANP）和数据包络分析OCD模型应用于数控机床使用阶段FMECA的研究，以各因素打分作为输入指标，以经济损失作为输出指标建立OCD模型，并得到各故障模式的效率值，进而提出一种计算风险优先数RPN的新方法，根据（RPN）值得到故障模式的危害度排序。以某型数控机床为例，应用该方法对其进行故障模式影响及危害性分析，验证了该方法的有效性。

为解决电主轴步进多应力加速退化试验针对模型参数优化设计时部分模型参数估计精度低的问题，提出了一种新的步进多应力加速退化试验方案优化设计方法。利用敏感性分析方法、应力综合重要度确定加速退化试验中加速模型的各参数权重，基于D_s准则与各参数权重提出了一种新的优化设计准则，结合遗传算法给出了优化流程。最后，以国产电主轴为例，对其加速退化试验方案进行了优化设计，将结果与现有准则进行对比，验证方法的有效性。

针对发动机的失火故障，提出了一种基于卷积神经网络（CNN）的失火诊断方法，构建了基于STM32单片机的柴油机失火故障实时诊断系统。通过STM32CubeMX软件将柴油机失火故障诊断的卷积神经网络写入到单片机中，在试验过程中利用单片机的定时器输入捕获功能采集柴油机的转速信号，且将上止点信号作为转速采集的触发信号，将采集到的转速进行预处理作为卷积神经网络的输入。通过柴油机台架试验证明，所建立的柴油机失火实时诊断系统在较宽的转速与负荷工况下有较高的诊断准确率。

目前，针对薄壁件铣削加工过程中的颤振识别问题，普遍采用传感器信号进行判别与预测，而没有建立颤振特征与加工表面的相关联系。本文利用图像处理与模式识别技术，通过铣削表面图像实现薄壁件加工状态的精确辨识与预测。首先，设计了混合滤波方案，实现了采集图像的预处理；然后，通过改进的局部二值模式和灰度共生矩阵提取图像的颤振纹理特征，并以K近邻分类算法对铣削加工过程中采集的图像进行预测和识别。实验结果表明：该模型辨识的准确率为95.5%，算法平均运行时间为0.069 s。实验结果验证了该方法具有较高的辨识准确率，同时满足颤振预测及检测的实时性需求，对薄壁件铣削加工状态的识别及智能加工具有良好的指导意义。

针对传统故障模式、影响及危害性分析（FMECA）中因指标等权及主观确定故障影响概率带来的危害度计算偏差，提出一种综合故障概率、故障影响及故障后果的改进故障分析方法。应用最小二乘法、邻接矩阵、Pagerank、统计分析等评估故障概率、故障影响度、故障维修时间，据此引入灰色理论构建各指标的白化权函数并计算评估值，形成指标评价矩阵，基于熵权法计算指标权重，应用加权平均法计算并评估故障风险。以某国产加工中心为例进行方法应用，并与传统方法比较验证了本文方法的有效性。

针对实际应用中缺乏统一集成的用于数控装备可靠性分析的信息物理融合系统框架和算法实现，本文提出了一种基于数字孪生的方法，研究了具体的框架搭建和算法实现。通过数据采集、数据处理、数字孪生模型训练和评估、模型调试和优化、模型在线部署、可靠性分析、预测性维护7步序列化的工作流程实现了从物理层到信息层再返回物理层的闭环控制。通过数控装备主轴回转误差预测可靠性实验验证了该信息物理融合框架的可行性和有效性，该框架和算法能够对数控装备进行可靠性分析，有助于支持更有效和科学的预测性维护。

针对齿轮箱在强噪声环境下复合故障信号微弱、故障特征难以提取等问题，本文提出了一种改进的最小熵反褶积（MED）与奇异谱分解（SSD）结合的方法。首先，构建边际功率谱峰度指数（MPSK），利用MPSK对MED进行参数优化；为弥补SSD的不足，将改进的MED作为SSD的前置滤波器；然后利用相关系数分析法选择有意义的奇异谱分量（SSC）；最后对信号进行频谱分析，确定具体的故障模式。采用仿真信号与齿轮箱试验台的复合故障信号对所提方法进行了应用，验证了方法的有效性和优越性。

以双螺母预紧滚珠丝杠副为研究对象，分析其失效机理，建立了性能退化失效与疲劳点蚀失效共存状态下的竞争失效模型。综合考虑滚珠直径、滚道半径、接触角、摩擦因数、运行速度等结构参数和使用参数与可靠性指标之间的关系，建立了滚珠丝杠副可靠性设计的数学模型，提出了滚珠丝杠副可靠性定量设计的方法，并通过样本分析验证了该方法的有效性。

螺旋锥齿轮结构中各设计参数和边界条件往往存在随机类和区间类参数混杂的情况，由于两类不确定参数的测度空间和测度性质不同，基于概率论的传统可靠性建模分析方法将不再适用，为此提出了一种基于随机-区间混合不确定性的二阶可靠性分析方法。利用二阶泰勒级数展开法在最可能失效点（MPP）近似展开极限状态方程，在此基础上引入极坐标，将n维极限状态函数的近似转化为一个新的极坐标二维函数；利用函数梯度向量代替直角坐标系中的失效域质心向量思想，在极坐标空间中推导随机变量和区间变量的极坐标概率密度函数；以二次二阶矩可靠性分析方法为基础，利用积分法推导出失效概率区间。最后，通过某装备综合传动装置的螺旋锥齿轮结构可靠性分析案例验证了本文方法的有效性。

针对复杂工况下高速动车组轴箱轴承故障难以准确诊断的问题，提出了一种Shuffle-SE单元设计方法，并基于模块化思想建立了一种新的轻量化网络Shuffle-SENet用于高速列车轴箱轴承故障诊断。Shuffle-SE单元以ShuffleNet V2单元为基础，在保留网络轻量化的同时，对网络结构进行了局部优化，并进一步嵌入了Squeeze-and-excitation（SE）结构。所构建的轻量化网络模型在保证运算高效的同时，故障诊断精度明显提升。此外，本文对Shuffle-SE单元的数量及SE结构中降维系数对网络模型性能的影响进行了深入分析。实验分析结果表明：本文网络模型可有效用于多种复杂工况下高铁轴箱轴承故障诊断，相比MobileNet V2、ShuffleNet V1/V2、ResNets等目前较为流行的神经网络模型，本文模型在运行效率和故障诊断精度两方面均有较好表现。本文研究为深度学习技术走向工程实际应用，克服对计算机硬件配置较高的限制提供了一种新的解决方法。

机床性能退化引起加工质量下降和其他问题，加工参数影响退化率。因为有多个加工参数，机床退化建模涉及多个变量，广泛使用的建模方法是回归分析。回归分析的主要缺点是精度依赖于所选平均退化函数，且不给出到退化限的时间分布。为克服上述问题，提出一个基于等效加工时间的建模方法，它将每个加工参数看作为一个“应力”，通过乘积模型组合多个加工参数成为一个“复合应力”；使用加速退化模型组合复合应力与实际加工时间成为一个等效加工时间，从而使多变量退化建模问题简化为单变量退化建模问题。最后，通过一个刀具磨损的实例例证了该方法的优越性。

深度学习在故障诊断中有良好的诊断能力与泛化能力，但大部分工作是直接从卷积层面上提取信号特征图，使邻近信号点未被考虑，并且采样频率不同也会对特征提取有影响。为此，本文基于MTF以及ResNet18算法提出了M2TF-ResNet算法。本文在凯斯西储大学（CWRU）轴承数据集中进行了大量实验。通过验证得出：该算法可适应不同采样频率下信号的特征提取，避免训练过拟合，并且与其他故障诊断方式相比，该算法在诊断率上的优势更突出。