数控机床作为机械加工的关键装备,是实现高端装备制造业现代化的重要组成部分。滚珠丝杠副作为数控机床传动系统的关键功能部件,由于长时间承受高速运转,载荷冲击和高温等因素作用,不可避免的会出现磨损,性能退化等现象而导致传动精度下降,严重影响着数控机床加工精度和工件质量。为了实时监测滚珠丝杠副的运行状态和感知其性能状况,本文研究了滚珠丝杠副健康评估和状态预测方法,提出了基于性能退化状态阶段划分的卷积神经网络和长短时记忆网络相结合的预测模型,基于该评估模型逐步构建了从数据采集到智能维护平台的完整预防性维护架构。主要研究内容如下:(1)针对滚珠丝杠副的结构特点和载荷特性,分析滚珠和滚道的接触特性、研究滚珠和滚道的摩擦和磨损特性以及接触应力和摩擦力矩对滚珠丝杠副磨损、疲劳失效的影响,分析其性能退化机制以及导致其性能退化和失效原因的主要因素,以及其性能退化规律,构建滚珠丝杠副性能退化评估方法、评估模型和智能预测与维护体系。(2)针对如何获取滚珠丝杠副性能退化趋势和状态划分问题,提出了基于核主成分分析,马氏距离变换以及DBSCAN密度聚类的方法。利用核主成分分析对滚珠丝杠副状态性能指标进行降维,提取出表征能力强的特征,采用马氏距离变换对降维特征进行空间映射,得到多维特征的一维表征空间,获取滚珠丝杠副的性能退化趋势,通过DBSCAN密度聚类的方法对滚珠丝杠副的退化趋势进行聚类,得到了基于时序序列划分的多个性能退化阶段。(3)针对滚珠丝杠副健康状态评估和预测问题,提出了基于卷积神经网络和长短时记忆网络相结合的评估方法(CNN-LSTM)。该方法无需进行人工特征选取,直接对原始信号数据进行自主学习,实现特征的自动提取。结合实验数据与其它算法进行了对比,验证各类算法模型在滚珠丝杠副健康评估和状态预测中的能力和效果,结果表明基于CNN-LSTM的评估方法具有更好的预测性能和鲁棒性。(4)基于上述深度学习的性能预测方法开发了滚珠丝杠副智能维护系统。通过OPC技术协议开发了数控机床数据采集系统,实时采集数控机床滚珠丝杠副上的传感器信号,应用深度学习的评估算法构建了滚珠丝杠副健康评估和状态预测模型,通过智能维护系统对实际运行的数控机床滚珠丝杠副进行了在线评估,为滚珠丝杠副的健康状态评估以及稳定运行提供了理论依据和技术方法。