数控机床的动力学特性与其加工性能直接相关的,提高机床加工性能的首要方法是改善其与自身结构相关的动力学特性。对于不同加工对象和需求,相同机床反馈的动力学特性往往不同。因此针对特定加工工况下的机床,根据其加工响应和动态特性进行结构优化是提高加工性能最有效的方法。现有的模态分析方法对加工过程中的机床动态分析存在较大的误差,无法准确的辨识需要关注的模态参数;同时在工业大数据背景下,现有的研究对数据量的利用率较低,无法高效准确的进行参数辨识;作为中间量的模态参数,如何利用其提高加工质量也是动力学研究的关键点。本文将机器学习方法与动力学特性研究相结合,仅利用同工况、不同批次、加工过程的一定量响应信号进行特征构造、特征提取和参数辨识,得到加工过程的机床模态参数,为实时监控生产加工和后续加工优化提供一种可行方法;通过已辨识参数设计耦合状态下主轴-刀具的质量-刚度模型,提出精确主导理论设计振动损失函数作为模型目标函数,模型输出在特定工况下抑制加工振动最优的刀具参数改善整机加工质量。首先,采集同种工况下不同批次的机床加工响应信号,根据奇异值分解等方法对响应信号数据集进行成分分解和特征提取,特征矩阵行表示不同批次采样数据,列表示构造的样本特征;利用主成分分析原理对特征矩阵进行方差过滤并提取加权向量;样本成分集在加权向量的投影下进行聚类处理,将聚类中心作为重构修正曲线特征重构加工响应信号,辨识其包含的模态信息。该方法仅通过响应信号获取加工条件下动态参数,同时提高了数据利用率,考虑了机床时变性等因素。其次,利用算法得到的表征机床加工过程中的模态参数对整机进行加工系统建模;基于加工系统模型提出精确主导模态辨识方法对加工过程中振动主导模态进行识别;机床主轴-刀具动态耦合系统为动态特性研究对象,设计以振动抑制为目标的系统目标函数。最后,利用遗传算法等方法对模型进行参数寻优,使模型输出最优的刀具参数指导加工过程的刀具选择。针对不同刀具切削响应信号,利用本文方法辨识相应模态参数并与原机床主导模态对比,对比实验表明该方法有效的消除了主导模态。通过加工零件表面粗糙度对比,验证了该方法的有效性。综上,本文提出了在大数据背景下,基于机器学习的辨识加工条件机床动力学参数的新方法,同时考虑了机床时变性等因素。以机床动态特性优化的角度出发有效的抑制了其加工系统的主导模态振型,提高了机床加工性能。