轴承和刀具是数控机床的核心部件,由于其所处工作环境复杂,转速要求较高,在日常运转过程中受力多变,很容易发生故障。传统故障诊断方法需要人为构建特征,诊断过程繁琐且缺乏智能性。针对这个问题,本文以机床主轴上的刀具和轴承为研究对象,基于深度学习技术设计开发了一种数控机床在线故障诊断系统,主要的工作内容如下:1)针对传统固定参数的诊断模型于在线诊断时无法保证识别准确率的问题,通过添加在线微调的步骤,提出了“离线建模+在线诊断与微调”的诊断策略。2)针对数控机床监测数据具有差异小和动态时序性强的特点,组合具有强大特征提取能力的一维CNN网络和具有长短时间记忆功能的LSTM网络,提出了一种一维卷积序列故障诊断模型,并对提出的模型进行了结构上的优化。实验结果显示,提出的一维卷积序列模型的分类性能明显优于一维CNN网络和LSTM网络,同时优化后的模型故障分类准确度提高了8.42%。3)针对实验数据样本不平衡的问题,在一维卷积序列模型的基础上,通过代价敏感学习优化模型的损失函数,实现自适应更新类别的权重,提高模型对小类样本的敏感度。实验证明损失函数优化后,模型的分类性能提升了10.11%。4)基于C#构建了一个在线诊断系统,该系统主要包括信号采集、故障诊断和Web站点通信传输三个模块,可以实时监测主轴轴承和刀具的当前磨损状态,避免数控机床在非正常状态下工作对设备造成损伤,保障设备安全。