科技的发展推动着工业技术不断取得进步,而机械设备是工业过程的一个主要组成部分,其状态关乎到整个系统的稳定运行。为了保障系统正常工作,对其中的重要零部件轴承进行故障诊断就显得尤为必要。深度学习作为机器学习领域的新兴方法,在信号处理和数据处理方面具有较好的优势,故本文对深度信念网络这一深度学习模型进行研究,并且将其与特征提取方法相结合,进而实现轴承的故障诊断,为此本文主要进行了以下几个方面的工作。首先,对深度学习及其在故障诊断领域的研究现状进行了介绍,并针对研究的对象,分析目前还存在的问题,进而阐述了将深度学习算法应用到故障诊断中的意义。此外,对轴承这一研究对象的结构组成以及故障类型进行了描述,并介绍了深度信念网络的基础理论,研究深度信念网络的参数对于其故障诊断模型性能的影响,然后根据研究结果构建基于深度信念网络的诊断模型,从而对轴承进行故障诊断,并分析诊断结果,指出不足之处和改善的思路。轴承的振动信号作为一种典型的非平稳信号,其故障数据容易受其工作环境的影响,利用经验小波变换对非平稳信号进行特征提取具备的优势,将该方法用于对轴承原始振动信号的分解,提取出有利于对其进行分类的有用信号分量。并将该方法提取所得的信号输入到基础的深度信念网络模型中,进而实现轴承的故障状态识别,并对比分析该方法的故障诊断性能。深度信念网络在故障诊断领域具有较好的分类性能,但是目前难以根据待诊断的对象自适应地对深度信念网络的参数进行选取。因此需要花费大量时间去通过一定的实验来对参数进行设置,或者参考其他人的研究成果,根据经验知识对其进行参数初始化。但是这些方式都具有一定的局限性,且操作繁复,不利用实际应用。因此,针对此问题将遗传算法用于对深度信念网络参数的优化,进而通过优化算法的搜索进化结果,构建基于改进深度信念网络的故障诊断模型。将经验小波变换与改进后的深度信念网络参数模型相融合,从而建立基于EWT-GA-DBN的轴承故障诊断模型,并通过西储大学和DC学院的轴承数据集来对模型的故障诊断性能进行验证,重点分析该方法的故障分类性能以及故障分类效率,证明这种故障诊断模型的有效性和实用性。