轴承故障诊断是近几年来工业领域一直在研究和努力突破的问题,与其他大型设备零部件相比轴承的寿命离散性很大,有效的诊断模型有助于提升工业安全。传统的故障诊断方法需要掌握机器原理并建立物理模型,进而导致了适用范围有限的问题。随着人工智能发展,深度学习不再需要掌握物理模型仅需要标注的数据就可以实现诊断的目的,并且诊断精度和泛化能力的表现更强。但是深度学习中大部分使用的是一维卷积神经网络,不能很好地应对不同采样率下信号,导致故障诊断性能不高;并且深度学习模型无法识别弱噪声中的对抗信号,导致故障识别率不精准;除此之外,深度学习模型中的网络结构需要依靠人工经验设计,手动调参的过程复杂;最重要的一点是,现有的故障诊断方法在很少考虑时效问题,导致实时故障诊断时效性差。为了解决这些问题,本文展开以下研究工作~1:1)针对现有深度学习模型不能适应不同采样率信号的问题,提出了一种多通道马尔可夫变迁场（multi-Markov transition field,M2TF）的信号处理方法。该方法将马尔可夫变迁场扩展为多跨度的马尔可夫变迁场,以此适应不同采样率下的轴承信号。该方法可以将一维信号转化为二维的形式,然后利用18层残差神经网络实现特征提取。实验中在四个工况下的数据集上实现了良好的特征分离,并且最终诊断率达到了99%以上。2)为了解决深度学习对轴承诊断弱噪声中一些对抗样本的识别问题,提出了一种对抗网络生成对抗信号（adversarial signal generative adversarial network,Adv-SGAN）的方法。该方法可以让生成器同时攻击鉴别器和目标网络,并利用信号处理方式限制生成噪声的最大瞬时功率。实验中生成的弱噪声样本可以使得目标网络的诊断率下降到5%以下,通过联合训练后,目标网络总体上达到了96%以上的诊断率。3)针对深度学习需要手动设置模型和调整参数的问题,每针对一个新的轴承就需要重新设计并训练一个新的诊断模型,制约了深度学习方法的适用性。神经架构搜索（neural architecture search,NAS）是一种可以自动搜索构建神经架构的方法,然而其需要大量的计算资源,为此提出了一种帕累托效率奖励（pareto efficiency reward,PER）和插入重放缓冲区机制（insert replay buffer,IRB）相结合的神经架构搜索网络算法（NAS Net with PER and IRB,NAS-PERIRB）。其中,PER可以实现准确率和网络层数双目标优化;IRB可以让智能体自适应停止网络堆叠。并且,文中采用早停法（early stopping）来提高神经架构搜索网络的效率。实验中采用了两个数据集的八个工况数据集,提出的NAS-PERIRB均可以得到诊断率大于99%的诊断模型。4)为了解决实时故障诊断时效性差的问题,提出了一种实时时序特征（real timing feature,RTF）机制和门控循环单元（gate recurrent unit,GRU）相结合的RTF-GRU算法。该方法通过设计RTF机制,并结合GRU方法,以此解决单采样点与隐含层特征比例失衡问题。并且,文中还提出一个数据驱动实时故障诊断任务模型。通过对RTF机制进行加速操作,可以实现在等效前提下进一步提高故障诊断任务的识别率。实验中设计了一个实时诊断任务,在诊断率上相比于RNN类方法提高了30%以上。本文通过不同工况的数据集对M2TF、Adv-SGAN、NAS-PERIRB以及RTF-GRU算法进行验证。结果表明,M2TF可以实现更高的故障诊断识别率。Adv-SGAN该方法可以稳定的攻击目标模型,相比于其他生成模型,Adv-SGAN可以给目标模型提供更好的联合训练数据,丰富样本集。NAS-PERIRB能够实现自动构建网络结构。RTF-GRU在数据驱动实时故障诊断任务模型中,在相同的时间复杂度下,相比于其他实时诊断模型得到的准确率更高。