产品的固有可靠性首先是由设计决定的,载荷谱因能够反映产品载荷的变化规律,在机电产品及零部件的可靠性设计和疲劳寿命分析中被广泛应用。针对现有载荷谱编制方法中典型工况难以选取及切削复现难度大、工作量大的问题,本文开展了基于深度置信神经网络预测模型的数控车床切削力谱编制方法研究,对其中测试工况的确定及测试系统的建立、载荷信号分布拟合、切削力的均幅值预测模型构建、载荷外推及程序加载谱编制进行了探究,主要研究内容如下:（1）为确保载荷谱的有效性和真实性并减少载荷测取成本,依据机床用户现场获取的载荷工艺数据,通过经验公式分别将变速切削和恒速切削工况分为轻载25%、中载50%和重载25%三组,提出了基于层次聚类的典型测试工况确定方法,通过引入伪F统计量确定最佳聚类个数,最终确定了恒速切削29组典型测试工况和变速切削26组典型测试工况。同时,构建了数控车床动态切削载荷测试系统,规范了试验步骤并进行切削试验,获取了典型测试工况的动态切削力载荷信号。（2）为减少测取过程中噪声、外界振动等对切削力信号的影响,针对实测的动态车削力信号进行预处理分析,包括剔除趋势项、去除奇异点和滤波降噪;为了使获取的信号与实际时长比值相同,采用MCMC方法对切削工况载荷信号进行重构,通过雨流计数法对重构信号进行计数统计分析;为了能够准确描述每种工况载荷的分布规律,本文采用混合分布和Copula函数建立载荷均值和幅值的联合分布,采用威布尔分布对恒速和变速切削的幅值进行拟合,采用高斯分布对恒速切削的均值进行拟合,采用双重威布尔分布对变速切削的均值进行拟合,并采用高斯Copula函数分别建立恒速、变速切削中均值和幅值的联合概率密度函数。（3）针对切削复现难度大、工作量大的问题,利用深度置信神经网络（DBNDNN）进行车削力载荷分布预测,对基于DBN-DNN预测模型应用于数控车床切削力相关问题的可行性进行分析;然后对数据进行零均值化和归一化处理,消除由于量纲不同造成的误差;通过无监督的训练与有监督的反向调参,提出一种基于DBN-DNN的数控车床切削力均值和幅值预测方法,通过划分数据集,即训练集、测试集和预测集,并对比模型结构中不同节点、层数下的测试集精度,确定最优参数;最后分别对恒速切削和变速切削预测集工况下切削力均值和幅值的参数进行预测。（4）为获得数控车床全寿命周期内切削力谱,通过求解恒、变速切削载荷循环总频次,利用每种典型测试工况的时间占比外推载荷频次;采用雨流域参数法外推得到载荷范围,并对其进行八等级划分。为减小程序加载谱编制误差,利用拟合结果和DBN-DNN预测结果,得到每种典型测试工况下均幅值对应的八级区间循环频次并加和,即三集工况合成,从而获得数控车床恒、变速切削状态下的二维程序加载谱;将恒速与变速切削以低-高-低交替加载的顺序进行,用于指导数控车床关键功能部件可靠性试验。