滚动轴承是滚动设备中承载着旋转工作的主要部件。精准的诊断出轴承在运行时产生的故障,对保障工业生产,稳定产品性能,减少或避免重大生产事故甚至灾难,有着重要的意义。现代大型设备日趋复杂化,精细化,高速化,规模变大的同时结构也越发的复杂。在传统诊断方法中,常引入先验知识作为诊断的依据,面对新的设备,新的场景,以及工业现代化的要求,智能化的诊断成为了迫切需要被解决的关键问题。本文围绕着智能化诊断展开研究,重点研究了一维卷积神经网络在轴承振动信号故障诊断方面的应用内容。本文内容和结论如下:1、论述了滚动轴承的故障及其分类类型,阐述了引发故障的相关因素,指出了在故障诊断领域中常用于分类的特征。从故障特征入手,对神经网络的处理方式和主成因分析进行了比较讨论。研究了自编码结构的神经网络相较主成因分析法所欠缺的非线性处理方式做出的改善。2、对比研究了两种神经网络在信号处理上的使用,指出了各自的优势和缺陷。从可解释性上入手,选择了卷积网络作为实验的基础,利用现有数据制作数据集,训练网络至可以成功的分类故障。3、对比研究了三种迁移学习的方法,指出了各自的适用范围。采用了三种方法实验,并对三种方法进行了对比。此种技术可以用于所需求的样本数量少但是有较多其他相似但不相同的样本时,对于某类特定故障的诊断。4、鉴于神经网络缺乏理论上的解释,通过生成其特征图作为理论解释来指导迁移学习工作,针对振动信号做出了能量计算,特征频率计算等分析方法。最后通过实验验证特征图可以解释卷积神经网络在振动信号诊断上的部分工作原理。基于理论和合理的逻辑推理做出假设,通过实验验证,结合神经网络与滚动轴承振动信号的理论知识,可以有效的进行振动信号的故障识别与迁移诊断。与深度学习及人工智能相关技术的结合,是轴承振动信号诊断方向的重点,也是机械行业接下来重要的课题之一。