随着技术的发展,工业设备正朝着速度、精度、效率越来越高的方向发展,为了确保这些设备的正常运行,故障监测系统需要采集设备数据来反映设备的健康状况,依靠传统的人工故障诊断技术逐渐无法适应设备的变化。轴承作为工业设备的重要组成部件,约30%的工业设备故障是由轴承的故障引起,并且轴承的信号具有工况多样、复杂、非线性和非平稳性等特点,研究和利用先进的理论与方法,从轴承数据中挖掘信息,高效、准确地识别设备的运行状况,成为机械设备故障诊断和监测领域面临的新问题。作为机器学习研究中的一个新领域,深度学习以强大的非线性表达能力在处理图像、声音和文本上表现出强大的性能,而深度信念网络作为深度学习的一种模型,在特征识别、分类和非线性映射上具有强大的表征能力。因此本文针对滚动轴承振动信号的复杂性、非线性和非平稳性,以及现有研究中深度神经网络结构复杂,难于训练的问题,对基于深度信念网络的滚动轴承故障诊断进行了研究。本文结合深度学习理论,采用提取特征和搭建深度信念网络的方法,提出基于深度信念网络的滚动轴承故障诊断模型方法。首先,为了减少噪声对诊断结果的影响,简化深度信念网络的结构,提高诊断效率,用信号特征代替原始信号作为深度信念网络的输入,为提取更多的滚动轴承故障特征,全面准确的刻画出轴承的实时情况,从振动信号中提取了时域、频域和时频域特征,其中时域特征包括最大值、平均值、峰峰值、均方根、峭度、波形因子、峰值因子、峭度因子、脉冲因子和裕度因子,频域特征包括中心频率和频率方差,时频域特征是振动信号经过小波包分解后各频带的能量相对值。接着阐述了深度信念网络的原理并对深度信念网络的分类能力进行研究,主要研究不同的神经网络层数和迭代次数对深度信念网络分类能力的影响,并得出理想层数和迭代次数,为后续研究提供基础。接着基于MFC设计了故障诊断上位机。最后为验证深度信念网络的故障诊断能力,使用单隐层BP神经网络和多隐层BP神经网络进行了对比,并分析了深度信念网络的训练误差,验证了深度信念网络具有较好的故障诊断能力和效率。本文提出的方法在美国凯斯西储大学轴承数据集上的故障识别率达到100%,表明深度信念网络具有较好分类性能,能从多种故障类型的信号中进行故障诊断,具有较高的故障识别精度,适用于处理复杂性、非线性和非平稳性的信号,能够为故障检测提供方便。