陈 勇，丁文政，卞 荣

（南京工程学院工业中心，江苏 南京211167）

1 引言

近年来，数控机床故障诊断的智能化成为了智能制造领域研究的热点。随着智能制造的快速发展，机器和设备产生的数据量不断增加［1］［2］。在现代智能制造中，数控机床一半以上的停机时间是由机械故障引起的，未能成功预测的故障将导致更高的运行成本、更低的生产率、产生更多不合格的零件，甚至意外停机。为了实现智能化生产，智能工厂必须对机器状态进行监控，识别出初始缺陷，诊断出故障的根本原因，然后将这些信息融入到制造生产和控制中。故障诊断方法有很多种，其中数据驱动的故障诊断方法如深度学习是近年来发展出的一种新方法，具有很大的优势。数据驱动的故障诊断可以利用历史数据建立故障模式，无需任何先验的显式模型或信号征兆，非常适合数控机床复杂系统。深度学习体系结构可以在不需要人工的情况下从输入数据中自动提取出多个复杂特征：通过通用的学习过程从原始数据中提取出多层特征［3］［4］。考虑到数控机床主轴故障诊断中标记样本量小，基于深度传递学习的故障诊断方法可以更快、更有效地实现我们的目标。数控机床工作条件受到多种因素的影响，如不同的刀具、不同的工件、不同的切削参数等。在实际应用中，数控机床发生故障时，主轴振动信号是最为常见的特征信号，其测量方式多种多样［5］-［8］。然而，现有的大多数方法都是基于单一传感器［9］［10］，可靠性及信息量难以满足智能化的要求。……