数控机床具有较高的加工精度和效率,是发展现代机械制造业必须的基础设备。高档数控机床已经成为航空航天、汽车等各种高新技术行业机械制造的主要装备。数控机床故障造成的停机事故将给企业带来巨大的经济损失。应用数控机床故障智能诊断技术可以防止突发事故的发生,维持正常的生产秩序,减少过度维修,可以大幅度减少维修的费用,具有很强的实用价值。数控机床故障智能诊断的实质是对机械部件运行状态进行实时监测,通过检测、分析机械部件运行状态的相关信息和数据,提取对性能退化敏感的一系列特征值,采用人工智能的方法拟合特征值与部件寿命之间的复杂映射关系,建立符合部件实际性能的故障诊断数学模型,对不同工况下部件的故障进行预测。实际运用中,机械部件的故障复杂,通过传感器采集到的数据样本分布一般并不均匀,并且一旦出现故障就会及时停机进行检修,可以得到的故障样本量很小。经典的人工智能方法很难对这些样本进行准确分类。本文利用超球面支持向量机算法构造故障诊断模型。将传感器采集的数据进行小波包分解后提取能量特征值作为特征向量。其中一部分对故障数据进行训练处理,将另外的一部分故障样本进行数控机床故障的诊断。并与BP神经网络和RBF神经网络进行比较,结果证明了这种方法具有更高的诊断精度,特别是在小样本诊断方面具有很强的优势。最后,利用VC++与MATLAB开发了故障智能诊断系统,并在长征718机床上安装传感器采集数据,对诊断系统进行现场运行测试,试用结果证明,所开发的系统能有效的对数控机床故障进行诊断。由于数控机床的相通性,本文所采用的方法可以很好的应用到其他机床以及柔性线的故障诊断中。