主轴转子系统是数控机床的核心功能部件,也是机床运行中故障率最高的部位之一。因此,开展机床主轴转子系统的故障诊断研究显得尤为必要。但在机床运行状态监测中,获取的正常状态样本多,故障状态样本少,导致各类别样本数量不平衡,影响少数类故障状态的识别。此外,由于监测传感器种类多,信号不同源,获取的多源信息可能存在冲突或冗余,影响诊断精度。本文针对这两个问题开展了研究,并基于此开发了混合智能的机床主轴转子故障诊断系统。具体的内容如下:首先,分析数控机床主轴转子系统的三类代表性故障机理和表现形式,设计转子系统故障仿真实验方案。在机械故障模拟实验台上仿真了转子系统不平衡、不对中、动静件碰磨、不对中和不平衡耦合的4种故障状态以及1种正常转动状态,采集了振动加速度数据、振动位移数据与红外温度图像,为后续研究多类不平衡和多源信息融合提供了数据支持。其次,提出基于MCSMOTE改进的多类不平衡过采样算法,即通过改进MCSMOTE二类不平衡过采样算法,使其适用于多类不平衡数据。将本文算法与MDO、CCR多类不平衡过采样算法用于UCI数据集和实测的转子系统故障数据集,采用tsne可视化显现平衡后的样本,并采用三种不同类型的分类器KNN、SVM、BP识别平衡后的样本,通过比较其分类效果指标m GM与m AUC,结果表明,经过MCSMOTE改进算法平衡后的数据可以获得相对好的分类效果。之后,针对转子系统故障模拟实验台采集的多源信息可能存在冲突或冗余而影响诊断精度,提出基于加权D-S证据理论的多分类器融合诊断方法。首先将转子系统各类故障下采集的振动数据加以特征提取后,输入BP、RBF、GRNN三种神经网络分类器中得到初步诊断结果,与此同时,将采集的红外温度图像用SNMF降维提取特征向量,输入SVM分类器中也得到初步诊断结果,然后将这些初步诊断结果当作原始的基本概率赋值,进行计算权重并通过D-S证据理论融合,得到加权融合后的诊断结果。与直接D-S证据理论融合诊断相比得出所提方法的有效性,能够提高诊断的精度。最后,通过使用MATLAB App Designer工具,开发了一款以多类不平衡和信息融合为核心的转子故障诊断软件。该软件与机械故障模拟实验台相结合,可以实现对转子系统故障样本的数据导入、类不平衡处理和融合诊断中集多种智能机器学习方法于一体的混合智能故障诊断系统。