目前,我国印刷、包装和出版产业每年总产值约3万亿元,已经是印刷大国、包装大国和出版大国,印刷装备的故障极大地影响了生产效率。随着传统制造企业不断向高质量、高效率方向转型,伴随着科技进步与工业大数据的发展,人工智能技术与先进制造技术相互融合开创了智能制造新途径,成为了新一轮工业革命的中坚力量,让印刷装备智能诊断成为可能。在此背景下,本文研究了基于深度学习的印刷装备诊断系统,提出了轴承健康状态评估算法和剩余使用寿命预测的改进算法,实现了印刷装备运行参数的实时监测并提出了信息化装备点检流程,适应印刷工业智能化发展需求,提高生产效率、加强装备安全性,降低人力开销。改进算法针对印刷装备运行过程中产生的振动信号进行数据分析,本文论文以印刷装备中常用的滚动轴承为研究对象进行实验描述,主要的研究内容归纳为以下三个部分:（1）将深度残差收缩网络（Deep residual shrinkage networks,DRSN）用于轴承健康状态评估,该模型具备抗噪声能力,具有可以从强噪声信号中学特征的能力,可以获得更贴合实际情况的状态评估效果。将软阈值化作为非线性层加入到神经网络中,引入注意力机制为网络自动设置阈值,达到去除不重要特征的目的。该方法摆脱了传统特征提取方法对专家经验的依赖,数据不需要经过专业处理,神经网络可以自动从原始数据中学习特征。最后,在XJTU-SY滚动轴承加速寿命试验数据集上进行验证,实验结果表明基于深度残差收缩网络的轴承健康状态评估方法,可以更好的反映轴承整个生命周期的变化过程,有助于提高后续的预测工作的准确性。（2）改进了一种基于长短期记忆网络（Long-Short Term Memory,LSTM）的剩余使用寿命预测方法。在评估轴承健康状态建立轴承健康因子的基础上,通过时间窗滑动方法构造神经网络的训练样本,结合LSTM网络在处理时间序列数据上的优势,达到预测下一阶段轴承健康状态的目的。本文搭建了单层LSTM结构、多层LSTM结构和双向LSTM结构网络,并针对网络结构对轴承剩余使用寿命预测的影响进行了对比试验,在公开数据集上的实验结果表明,双向LSTM网络的预测效果好于单层LSTM网络和多层LSTM网络,多层网络结构相较于浅层网络结构取得了更高的预测精度。（3）搭建了B/S架构的印刷装备智能诊断系统,对硬件和软件部分做了整体规划。硬件部分在印刷装备上加装加速度传感器和温度传感器采集工业数据,通过Modbus通信协议进行数据传输,构建印刷装备实时运转参数数据库。软件部分通过Keras框架搭建深度学习模型并进行部署,采用前后端分离技术搭建系统服务,调用训练好的深度学习模型,实现了管理、点检方案配置、设备运行监控、故障预警等功能模块。