随着计算机科学与先进制造技术的进步以及人们对生活品质的追求,使得人们对产品的外观和质量方面的都提出了更高的要求,这样使得传统的制造开始不断受到挑战,一种全新的制造方式——智能制造开始发展起来。智能制造技术使得系统高度集成,也使得管理者很难预测其决策会对未来系统性能产生何种程度的影响。所以,智能加工机器在具备加工机器基本的加工能力的基础上,还需具备就是自主感知能力,不仅能够对自身的各种参数的、状态的感知能力,还能感知外界环境。因此,智能机器具有对自己和外界的多物理域信息采集、处理与融合的能力,并利用这些信息实现自主感知(状态识别、故障诊断与健康评估)的能力。智能加工机器也是智能制造系统的一种缩影,智能制造系统的实现,将首先体现在以智能加工机器为核心的智能单元上。所以,智能加工机器的智能程度决定着整个智能制造系统的智能程度,而智能加工机器的智能又主要是由其自主感知能力决定。因此,为了有效的解决智能机器自主感知问题本文提出了一种基于多物理域信息多模式融合与深度学习的智能加工机器自主感知方法。由于智能加工机器与制造环境的信息系统都是多个物理场耦合而成,所以本文利用智能加工机器及其制造环境的多物理域信息多模式融合信息为自主感知提供精炼可靠的融合特征,再利用具有高精度的分类能力的算法建立智能加工机器自主感知模型,并应用在智能加工机器主轴电机自主感知中。本文主要深入研究了一下内容:首先,通过对目前国内外各种信息融合技术的优缺点进行分析,提出一种结合改进的高斯混合的隐马尔可夫模型(GMM-HMM)具备随机时间序列建模能力与D-S证据理论具备决策融合能力的多物理域多模式融合方法,实现了智能加工机器及其制造环境的多物理域信息融合;然后,通过对比传统的机器学习方法与目前流行的深度学习算法,提出了一种支持支持智能加工机器自主感知的基于LSTM的深度学习网络模型。再结合深度态势感知这种进阶式感知方法的优势建立了一种基于深度学习与深度态势感知的智能加工机器自主感知模型,实现高可靠的自主感知。最后,将本文所提出的智能加工机器自主感知方法用于加工机器的主轴电机模拟试验系统,通过采集电机的振动、转速等多个物理域信息的数据来验证基于GMM-HMM和D-S的多物理域信息多模式融合的有效性,以及利用融合后的特征信息作为基于深度学习与深度态势感知的自主感知模型的输入,验证该模型对实现主轴电机自主感知的精度及其可靠性。