轴承是旋转机械的关节,应用于汽车、电气、医疗器械、航空等领域,滚动轴承发生故障时,会降低生产效率或者威胁人员的安全,而滚动轴承的故障频率又很高,因此,对滚动轴承进行健康情况诊断,是一个重要课题,本文将引入前沿人工智能的方法,来进行课题研究。首先,描述其组成部件,分析故障原因、振动机理和特征频率,为后续研究做好基础。其次,了解振动信号特征提取方法,梳理其优缺点,选择一个比较好的方法来提取滚动轴承特征。对原始振动信号进行特征提取是进行后续任务的关键,通常,可在时域、频域和时频域对信号进行分析,本文首先对这三种方法进行对比分析,结合轴承信号的自身特点,选择使用时频分析方法中的小波包分解提取数据特征。本文研究数据来源于凯斯西储大学的轴承数据中心,对每一个样本进行了 5层小波包分解,每个样本最终产生32个特征。然后,对几种常用神经网络结构进行研究,总结各自的特点,为了利用轴承数据的时间属性,选择使用长短时记忆神经网络,使用深度学习框架Tensorflow,对小波包分解提取的特征数据进行故障分类。但是,标准长短时记忆神经网络内部结构过于复杂,导致网络参数过多,网络运行时间相对较长的问题。LSTM最开始是针对逻辑结构复杂的自然语言问题设计出来的,而轴承数据逻辑结构简单,针对这一问题,提出了对长短时记忆网络内部结构的简化策略,设计出单门控(SGU)循环神经网络,并且,为了有效利用每个时间步的信息,本文使用双向单门控(Bi-directional Single Gated Unite,Bi-SGU)来进行轴承故障诊断,在公开实验数据集上证明了所提新型结构的准确率和时间效率都很高。另外,本文还引入了Transformer来进行轴承故障诊断,可并行的特点是Transformer应用于该任务的优势,它可以利用时间属性的同时又不受时间的限制。同时,为了加强网络层间的信息传递,本文还引入了稠密连接的概念,构成稠密Transformer来进行轴承故障诊断。最后,通过对轴承故障诊断系统所需功能的分析,基于pyqt5框架,设计出了一个简易的轴承故障诊断系统,实现轴承故障诊断的界面化和可视化操作,方便监测人员的操作,以及轴承数据等的管理。