Para resolver el problema del diagnóstico de fallos en los componentes clave del sistema de alimentación de la máquina CNC bajo condiciones de velocidad variable, se propone en este estudio un método de diagnóstico de fallos inteligente basado en la extracción de características en múltiples dominios y un modelo de aprendizaje en conjunto. Primero, se recopilan diversas señales de monitoreo, incluyendo señales de vibración, señales de ruido y señales de corriente. Luego, las señales de monitoreo se preprocesan y se extraen los índices de características en el dominio del tiempo, dominio de la frecuencia y dominio tiempo-frecuencia para construir un conjunto de características de dominio mixto multidimensional. Finalmente, el conjunto de características se introduce en el modelo DoubleEnsemble-LightGBM construido para realizar el diagnóstico de fallos de los componentes clave del sistema de alimentación. Los resultados experimentales muestran que el modelo puede lograr buenos resultados de diagnóstico bajo diferentes condiciones de trabajo tanto para el conjunto de datos ampliamente utilizado como para el conjunto de datos del banco de pruebas del sistema de alimentación, y la precisión general promedio es del 91.07% y 98.06%, respectivamente. En comparación con XGBoost y otros modelos avanzados de aprendizaje en conjunto, este método demuestra una mejor precisión. Por lo tanto, el método propuesto proporciona apoyo técnico para la operación estable e inteligencia de las máquinas CNC.