数控机床是现代工业生产中最常用、最典型的机电一体化设备,进给系统作为数控机床中的重要环节,其性能参数和进给效率直接影响数控机床的加工精度和生产质量。滚动轴承和滚珠丝杠副是进给系统中的两大主要部件,分别起到支撑和传动的作用,若二者发生故障,则会影响整个传动系统的传动效率,进而对数控机床产生巨大影响,甚至损坏。因此,开展关于数控机床进给系统的性能检测和故障诊断研究,对保障数控机床安全、可靠、高效的运行具有十分重要的意义,对实际工程应用也具有很高的实用价值。本文以数控机床进给系统中的滚动轴承和滚珠丝杠副为研究对象,综合分析国内外复合故障的研究现状,针对单一传感器信息量小、信息来源有限的缺陷,提出了基于多源信息融合的复合故障诊断方法。采用振动传感器、噪声传感器和温度传感器采集复合故障的多源信息,并借助MATLAB和LabVIEW平台进行编程,实现对复合故障的模式识别和故障诊断。分析了滚动轴承和滚珠丝杠副的故障机理及常见失效形式,确定了研究的十种复合故障类型,利用NI数据采集卡和五个外置传感器,并设计基于MATLAB的LabVIEW编程对故障信号进行采集和存储。利用时域、频域以及时频域中的EEMD方法对故障信号进行特征提取。引入SLLE降维方法对庞大的特征向量进行简化、筛选,为提高诊断的速度和精度打下了基础。在分析其振动信号特征的基础上,提出了基于EEMD-FastICA的复合故障振动信号分离方法。通过MATLAB平台建立了滚动轴承复合故障的仿真数学模型,并与试验结果进行对比分析。分析了故障数据结构特点,提出了流形聚类分析的复合故障诊断方法,用流形距离来描述数据之间的相互关系,对复合故障进行分类识别和诊断。并与其它方法进行对比,发现该方法诊断过程更加直观、简单,诊断结果准确率较高。建立了BP、RBF和GRNN三种神经网络的智能诊断系统,对复合故障筛选之后的特征值进行特征级融合。通过试验对比研究三种网络的识别性能,结果表明,GRNN神经网络在复合故障诊断中更具有优势,诊断结果更准确。基于复合故障信息具有不确定性的特点,提出了改进D-S证据理论的诊断方法。引入聚类系数的概念,对证据理论进行改进,并应用到滚动轴承和滚珠丝杠副的复合故障诊断中,实现决策级融合。试验表明,该方法降低了各证据体之间的冲突率,可有效提高复合故障诊断的准确率。