在工业4.0、中国制造2025等概念的提出后,工业自动化程度越来越高。为了提高生产效率,工厂引入大量的机械设备,实现制造智能化。然而机械设备的突发故障,往往直接影响着制造产能。滚动轴承,是机械设备中使用最频繁、损耗最严重的零部件。对轴承进行状态监测及故障诊断研究,具有降低制造成本、提高效率等重要意义。基于以上背景,本文提出一种基于多深度网络融合的轴承故障诊断改进方法,并设计实现了轴承状态监测与故障诊断系统,对轴承实时运行状态进行模拟分析。论文主要研究内容如下:（1）针对深度神经网络,在训练过程中出现的梯度消失、网络退化等问题,将残差连接机制,引入到一维卷积神经网络中,同时利用双向长短时记忆神经网络替代循环神经网络,解决梯度消失、缓解网络退化等问题。（2）针对轴承故障诊中存在的特征提取不充分、诊断模型单一等问题,基于一维卷积神经网络、双向长短时记忆神经网络的结构特点,提出一种网络融合方法。输入数据,首先经过残差连接机制改进后的一维卷积神经网络,再通过双向长短时记忆神经网络层,从而提取轴承振动序列的局部特征、时序特征,同时避免了模型结构单一,提高模型稳定性。（3）针对轴承故障,在时域上具有一定的突变性,为了获取时域“突变”位置的关键特征,在双向长短时记忆神经网络层后面,引入注意力机制,增加注意力层,将双向长短时记忆神经网络层的输出特征,输入注意力层并计算特征的权重系数,与输入特征进行加权求和,从而加强关键特征,滤除冗杂特征。（4）针对轴承运行状态监测与在线诊断分析的应用研究。通过Hadoop等大数据开发组件,设计实现了轴承状态监测、故障诊断的模拟分析系统,可应用于滚动轴承全生命周期,支持实时状态监测、故障诊断预警、历史数据分析等功能。本文基于多深度网络融合的思想,提出一种基于残差连接与注意力机制的一维卷积神经网络与双向长短时记忆神经网络的融合诊断方法,并基于凯斯西储大学的轴承数据集,设计实验验证,对实验结果分析。改进的融合故障诊断方法,诊断准确率达到99.8%,验证了该方法,在轴承定工况条件下,进行故障诊断的可行性。最后基于Hadoop等开发组件,设计并实现了故障诊断模拟分析系统,最后完成了轴承运行状态的模拟分析。