近年来,随着我国向着制造强国目标的转型,使得作为工作母机的数控装备日趋精密化、复合化及智能化。而作为数控装备的核心功能部件之一,双摆头系统在保证数控装备加工性能等方面扮演者重要角色,其传动过程中的动态特性及可靠性直接影响着数控装备的加工精度与效率。因此,本文以双摆头传动系统为研究对象,对其关键部件的动力学特性及薄弱环节的可靠性进行分析,主要研究内容如下:(1)针对双摆头传动系统关键部件单滚柱包络环面蜗杆副,通过分析其空间结构特点与啮合关系,利用载荷对单滚柱包络环面蜗杆副产生的作用效果,将蜗杆刚度分解为蜗杆齿弯曲刚度、剪切刚度、径向压缩刚度和蜗杆齿基刚度,同理,将蜗轮刚度分解为蜗轮齿弯曲刚度、剪切刚度和蜗轮齿基刚度;随后基于能量法获得各刚度的解析表达式,并以接触刚度为桥梁整合各分刚度构成单齿对啮合刚度;考虑到单滚柱包络环面蜗杆副因重合度不为整数而致使啮合齿数随传动过程呈周期性变化,进一步获得传动过程中的时变啮合刚度;其次,基于刚度分析结果,并结合牛顿定律建立单滚柱包络环面蜗杆副的动力学微分方程,通过Newmark-β数值分析方法求解微分方程而获得其在传动过程中的动态响应。(2)针对双摆头传动系统薄弱部件的故障模式识别问题,本文提出一种基于多分类器集成与并行学习的故障模式识别方法,其采用运行数据作为数据源,通过由含有不同激活函数的堆栈自编码器(Stacked Auto-Encoder,SAE)构成的并行学习通道实现深层特征提取;随后基于特征评价筛选出与各故障模式相对应的特征并构成特征子集;随后利用特征子集建立多个分类器模型,并采用多数表决投票方法对多分类器的输出结果进行集成,实现对薄弱部件故障模式的有效识别。轴承故障实例表明,该方法能够有效地提取运行数据中表征故障模式的深层特征,并充分利用了多分类器之间的独立性和互补性来提高诊断精度。(3)针对双摆头传动系统薄弱部件的性能退化问题,考虑到采用原始运行数据作为输入会导致模型训练参数过多而降低效率的不足,本文提出一种基于2-D卷积神经网络(Convolution Neural Network,CNN)的服役可靠性评估与剩余寿命预测方法。该方法首先采用数据转换模型实现一维数据至二维数据的数据类型转换,并基于改进损失函数与网络结构的2-D CNN模型完成薄弱部件的服役可靠性评估;同时结合双指数模型与粒子滤波算法建立剩余寿命预测模型。轴承实例表明,该方法能够有效地提取运行数据中表征性能退化的深层特征,并快速且有效的完成性能的评估与预测。