机床作为现代制造业最基本的生产加工单元,其面对复杂多变动态制造环境的应变能力直接决定了产品的质量和加工效率,而这取决于机床在环境信息感知、加工状态优化和健康状况预测等方面所具备的智能化能力。其中,主轴系统作为机床加工的最直接执行者,其在自主感知功能、执行优化功能和推理决策功能等方面的智能化水平直接决定着零部件的加工成本、加工精度和表面加工质量。本文针对智能主轴系统自主感知功能开展一系列研究工作,试图解决智能主轴感知领域进入“大数据”时代存在的监测规模大、监测测点多、每个测点的采样频率高而导致的传统故障诊断技术面对这些海量数据在提取故障类型更为敏感的特征时显得无能为力等问题,达到复杂环境下智能主轴系统准确高效的状态自诊断和故障自监测等目标,以为智能机器自主感知问题提供有效的理论方法。主要研究内容包括:(1)从加工制造系统及其复杂性、传统加工机床在复杂制造环境下存在的不足以及智能主轴系统针对这些不足提出的解决方案等几个角度对智能主轴系统自主感知问题进行描述与建模,给出了智能加工机床的定义与主要特性,分析了智能加工机器对于适应复杂环境及解决复杂问题的主要优势,并由此推断出智能主轴系统的定义与一般模型,对智能主轴系统的自主感知问题进行建模与描述;(2)由于单传感器信息具有表征能力单一、偶然性高、易受外界环境因素干扰等缺陷,利用单传感器信息解决复杂环境下机器的自主感知问题具有很大局限性,本文提出一种基于多传感器信息多模式融合方法,通过多个传感器采集主轴系统的振动信号,对采集到的信号进行特征提取,然后利用传统处理时序信息的高斯混合隐马尔科夫模型(GMM-HMM)对机床主轴的加工状态和故障种类进行识别,并采用D-S证据理论对多传感器信息进行融合,提高诊断的准确性;与此同时,利用长短时记忆网络(LSTM)这一深度学习算法在时序信息建模、特征信息自动提取和处理高维度、复杂非线性数据等方面的优势,提出一种基于LSTM的多传感器信息建模方法,并将其用于机床主轴状态监测过程之中,以突出深度学习在特征信息自动提取和模式识别方面的良好效果;最后结合态势感知理论,使用贝叶斯统计方法建立传统机器学习与现代深度学习在决策层的信息融合模型,实现多传感器信息多模式融合,进一步提高感知的准确性。(3)为测试和验证所提方法的有效性,本文在已有的轴承数据集和CTC-650CNC型四轴数控钻铣加工中心的主轴上开展了模拟实验系统的设计、开发和模拟实验研究,使用GMM-HMM在已有数据集上和试验数据集上的诊断准确率分别为98%和97%,使用LSTM的诊断准确分别为98.3%和97.51%,并利用贝叶斯理论提高了诊断的置信度,试验结果表明所提方法具有一定的理论与实际意义。