电机轴承作为工业生产中的关键部件,被广泛应用于风力涡轮机、高速列车、飞机发动机等大型复杂设备中。由于恶劣的工作环境和高强度的运行模式,电机轴承很有可能会发生意外故障,从而导致增加停机时间和经济损失。因此,对电机轴承进行故障诊断,从而降低其发生故障的风险概率提高其安全性具有重要的现实意义。针对以往的电机轴承故障诊断模型或精度低或迭代时间长,并且在进行数据特征提取时,过分依赖于专家经验知识,从而具有一定的局限性这类问题。本文采用一种深度集合型电机轴承故障诊断方法,即将一维卷积（1-D）与二维卷积（2-D）进行融合从而构成一种融合的卷积神经网络模型,但在进行模型训练时,因其内部网络结构和层数的复杂性,以及各种参数设置无法达到自适应选取等问题,采用麻雀搜索算法（SSA）对网络模型实施进一步的优化处理,以此实现对电机轴承有效快速的分类,从而达到提高分类识别精度的目的。主要工作如下:首先,针对特征提取阶段,选用卷积神经网络,该网络在进行特征提取时能够自主地提取复杂的非线性关系,且在视频分析、环境感知等方面取得了良好的效果。然后,同时利用1D卷积网络和2D卷积网络相融合的方法,代替将原始轴承信号直接输入模型的方法,即多通道同时对轴承数据进行处理,该方法不仅可以简化操作流程且节省时间成本。最后,针对CNN在进行分类时,网络结构与层数的选择、内部各参数的设置等因素都会对最终的结果造成很大影响,所以利用SSA算法的性能特点对CNN的网络模型进行优化。本文的实验是基于美国西储大学的电机轴承数据集,利用SSA算法对融合的CNN模型中的主要参数进行优化,从而找到一组超参数,使其在进行训练融合CNN模型时,验证集的错误率达到最低,结果证明,所提出的方法能够有效地提高分类识别精度,具有一定的有效性。