为了应对日趋严峻的环境问题,制造业已经不能够为了经济利益而对环境造成甚至不可逆的影响。为了实现行业和社会的可持续发展,汽车、航空航天等行业提出了实现零部件再制造、绿色制造、智能制造的发展方向。本文以制造业中数控机床核心部件电主轴为研究对象,通过研究机器学习算法分析其故障诊断方法。并建立绿色再制造评价指标,评价零件再制造价值。研究旨在为零部件再制造奠定基础,将其再制造价值最大化。本文主要工作及研究内容如下:(1)选择研究对象。通过文献研究、实习考察等方式对高速切削加工中心的电主轴主要结构及其主要发生的故障进行分析。通过分析选定电主轴最易损坏、疲劳程度最高的两端轴承作为重点研究对象。(2)建立诊断算法。总结分析传统诊断方法、数学诊断方法、智能诊断方法的工作机理,包括波形分析法、频谱分析法、支持向量机、K-最邻近等。确定使用K-最邻近算法作为本文的诊断算法。首先对电主轴轴承全生命周期数据进行PCA处理,再通过对PCA处理后的维度进行K-最邻近算法的应用,最终,PCA-KNN的模式能够准确判断轴承所处的工作状态,准确率优于SVM、决策树、随机森林等机器学习算法。(3)建立了绿色再制造评价指标。通过研究发现,部分零件实施再制造后,没有给社会带来实际利益。为了实现有意义的再制造,并实现真正的可持续发展,建立再制造评价指标具有前瞻性。本文通过对零件在经济属性、资源化属性、环保属性、再制造潜力四个方面的标准,参照更换新零件在这四个方面的指标,最终判断零件是否有再制造意义。综上所述,本文提出的PCA-KNN算法在判断电主轴轴承工作状态上有良好表现,建立的零件再制造评价指标也具有前瞻性和实际意义。能够为汽车、航空航天、港口机械等行业实现再制造的发展方向上起到积极作用。