为提高数控机床的性能和可靠性,本学位论文在国家重点基础研究发展计划项目“高速数控机床动态行为演变及高精度控制”和数字制造装备与技术国家重点实验室项目“数控机床的动态特性建模和分析”的资助下,对数控机床进给系统动态特性的辨识方法和状态监测方法进行了深入研究:重点研究了进给系统中轴承、螺母、导轨等支撑点处刚度和阻尼的辨识技术,探讨了针对状态变化过程的监测与分析方法。为给数控机床动态行为演变规律研究提供技术支持,研究了滚珠丝杠驱动进给系统支撑点刚度和阻尼与丝杠振幅间的内在联系,提出了支撑点刚度和阻尼的辨识方法。在不同激励条件下,通过分析丝杠振幅的变化规律,运用机械振动、材料力学等知识,建立轴承、螺母、导轨等支撑点刚度和阻尼的辨识模型。辨识模型考虑了装配精度对刚度和阻尼的影响;忽略了耦合刚度的影响。基于粒子群优化的固有频率和阻尼比辨识方法,将结构固有频率、阻尼比、幅值和相位的辨识问题转化为优化问题,引入粒子群优化算法寻找全局最优解,最优解即为需要辨识的模态参数。探讨了轴承x轴、y轴、z轴、y轴旋转方向和z轴旋转方向等5个方向的动态刚度和耦合刚度的辨识方法。运用子结构综合法建立轴承动态刚度矩阵的辨识模型。运用模态实验方法和有限元方法获取辨识过程中需要的频响函数数据。为了克服现有状态监测与分析方法仅能针对典型状态进行分析的缺点,提出了基于振动信号的设备性能劣化分析方法。从不同状态的振动信号中提取时域、频域、小波、分形等特征,组成原始特征集。运用特征优化方法,从原始特征集中优化得到对状态变化最敏感的特征组成最优特征集。使用最优特征集和概率神经网络进行预分类。预分类后,将CMAC神经网络的地址重叠度作为新特征量,对劣化程度作精确分析。大量实验结果表明:上述各种模型和辨识方法是有效的和适用的。