随着我国航天航空工业的迅速发展,航天复杂薄壁轻合金构件高质量、高可靠的要求也逐渐迫切。而航天零部件加工装备能够长期地平稳安全高效运行是加工高质量、高可靠的飞行器部件的必要条件。无模砂型加工中心具备型砂切削加工能力,将计算机控制技术、型砂加工技术融为一体,通过编制程序就能实现航天复杂薄壁轻合金构件砂型、砂芯的快速加工。为了能够生产出高质量高可靠的部件,一方面,需要对无模砂型加工中心运行过程中的故障及时识别并进行维修;另一方面,需要对该装备运行过程中的性能进行实时监测,保证该装备在运行过程的加工质量。因此,本文将针对无模砂型加工中心,展开故障诊断和健康状态监测相关研究,主要那内容如下:(1)对无模砂型加工中心进行故障树分析(Fault Tree Analysis,FTA)。首先通过对无模砂型加工中心结构和功能进行分析,建立了无模砂型加工中心各子系统故障树;之后进行定性分析,找出加工中心最小割集,然后进行定量分析,从而得到无模砂型加工中心可靠度及故障树的底事件的概率重要度和关键重要度,确定出无模砂型加工中心可靠性薄弱零部件,为后续对该装备故障诊断及健康状态监测研究指明侧重对象。(2)针对薄弱系统部件,提出了一种基于堆栈式自编码器(Stacked Auto-Encoder,SAE)的多集成故障诊断方法。该方法通过多个不同的激活函数构建的多个SAE来提取不同类型的特征,构成特征池;之后对特征池中的特征进行评估筛选,使用被筛选出来的特征划分不同样本集来训练不同分类器,最终的结果通过这些分类器进行多数表决得出。最后,通过实例验证该方法有效性和实用性。(3)提出一种基于生成对抗网络(Generative Adversarial Networks,GAN)的变工况暨数据不齐备情况下故障诊断方法。该方法主要针对基于SAE的多集成故障诊断方法需要满足两个基本的条件:1)用于模型训练的训练样本数据和用于模型测试的测试样本数据必须服从同一分布且相互独立;2)必须有足够标签化数据用于模型的训练,才能够训练得到一个好的诊断模型。然而,在实际工业故障诊断场景中这两个条件基本无法成立。另外常规的迁移学习方法面对训练集标签化数据不齐备的情况无法实施的。基于此,提出一种基于GAN的变工况暨数据不齐备情况下的故障诊断方法。最后,通过不同测试场景验证本方法的的性能表现。(4)针对薄弱系统部件,提出一种基于多源数据的健康状态监测方法。首先,使用SAE从不同数据源中进行特征提取,之后使用基于单调性和相关性性能退化特征评价指标对这些特征进行筛选,并使用基于状态空间距离的状态参量法进行健康状态指标构建。最后,通过多个测试集,对所提出的健康状态监测方法进行验证,验证结果表明,该方法在多个测试集上面都表现出了很好的效果,表现出了很好的泛化能力。