滚珠丝杠副凭借着其高效率、高精度和长寿命等优点,广泛应用于数控机床、工业机器人、航空航天等机械装备领域。由于长期在高速、重载和循环启停等苛刻工况条件下工作,滚珠丝杠副不可避免的会受到损害而出现故障,而当滚珠丝杠副发生故障或性能退化时,直接影响机械装备的运行精度与可靠性,导致严重的设备甚至人身安全事故。本文针对滚珠丝杠副的四种典型故障开展其故障诊断方法及试验研究,实现对滚珠丝杠副不同故障类型的特征提取和模式分类,为滚珠丝杠副的状态监测、设备维护以及寿命预测提供理论和决策依据。选取丝杆点蚀故障、丝杆磨损故障、丝杆固定座螺栓松动和丝杆支撑座螺栓松动四种典型故障作为预置故障,开展滚珠丝杠副故障诊断试验。依据滚珠丝杠副的结构特点及运动关系,推导丝杆故障、滚珠故障和螺母故障的故障特征频率计算公式,并根据试验用滚珠丝杠副结构参数及转速计算出其主要特征频率。在时域和频域内对滚珠丝杠副故障振动信号进行分析,对比其早期故障振动信号与无故障振动信号的差异性。对滚珠丝杠副故障诊断试验获取的所有振动信号进行数据预处理,包括数据异常点去除、匀速数据提取、零均值化处理和高频噪声去除等。针对滚珠丝杠副早期故障特征不易观测、信噪比低,提出了基于尺度空间理论和皮尔逊相关系数的改进自适应经验小波变换(IAEWT)方法,该方法可以合理有效地对信号进行分解,具有较好的自适应分解能力。将改进自适应经验小波变换方法应用于滚珠丝杠副的故障特征提取,提取出滚珠丝杠副的时域特征值、频域特征值和IAEWT分解信号分量能量值,构成滚珠丝杠副的故障特征向量集。将基于IAEWT方法提取出的滚珠丝杠副故障特征向量作为BP神经网络的输入参数,利用BP神经网络模型对滚珠丝杠副的故障类型进行模式分类。提出基于连续小波变换和二维卷积神经网络(CWT-2DCNN)的故障模式分类方法,并将其用于滚珠丝杠副的故障模式分类,该方法以振动信号时频谱图作为卷积神经网络模型的输入参数,可以充分利用滚珠丝杠副的故障特征信息。将BP神经网络模型与CWT-2DCNN模型进行对比,验证本文提出的CWT-2DCNN模型方法的有效性和准确性。