根据国家《中国制造2025》文件精神,基础制造装备、航空装备等成为国家的支柱产业。高端数控机床装备技术水平能够一定程度反映一个国家的工业化水平。因此,对于数控机床的实时健康监测是十分必要的。对比数据库中存有的原始健康数据和实时监控数据是一种运用十分广泛的机床状态检测方法。通过这种方法,可以使机床在发生故障之前发出预警,提高生产效率和加工质量。本次研究以某型号数控铣床为研究对象,对机床工作时主轴系统工作特性数据信息进行实时采集和分析判断。建立了不同切削工件材料与主轴在健康状态下的切削振动特性数据的关系模型,以备后续研究应用。本文的主要研究内容如下:1、建立了铣削系统的动力学模型,对影响铣削过程的因素进行了分析。其中,由切削速度、进给速度、背吃刀量和径向切深组成的四个切削要素以及由机床自身结构和刀具的结构所组成的铣削系统都对机床的切削振动有较大影响,并以此建立了对实验方案设计的思路。2、采集45#钢、6061-T6铝合金、HT250灰口铸铁进行切削实验的主轴振动信号和机床在空载状态下的主轴振动信号。首先使用小波包降噪方法和变分模态分解获得本征模态分量。然后,使用多尺度加权排列熵计算各个本征模态分量的熵值,并使用t-sne方法对高维向量进行降维处理。3、为了搭建主轴切削振动特性与各种材料之间的判断关系模型。利用Adaboost、PSO和GWO等三种优化算法分别对BP神经网络和SVM算法进行优化。结果发现相较于传统的Adaboost算法和PSO算法,GWO算法有较高的识别率。4、通过实验分析对比,建立了机床在健康状态下切削加工输出的振动特征信息与材料种类之间的关系模型,并且具有很高的精确度。这为机床健康诊断后续研究提供了一定的基础数据和基础模型。